Metody neuronových sítí pro nelineární dynamické systémy se sinusovou nelinearitou

Abstract

V první části se práce zabývá dosavadními studiemi v oblasti adaptivních aproximací nelineárních dynamických systémů se sinusovými nelinearitami, včetně jejich základních přístupů k vysokorychlostním neuronovým jednotekám (HONU) a k jejich supervizovaným učebním technikám. Uvažovány jsou dvě učební techniky: adaptace vzorek po vzorku a dávková adaptace. V další části práce navrhuje a porovnává výkonnost obecných neurálních architektur s komplexními neurálními architekturami pro aproximaci daných nelineárních systémů (se sinusovými nelinearitami). Pro nově navržené komplexní neuronové jednoteky s vysokou úrovní jsou také definována pravidla učení. Pro všechny neurální architektury a dynamické systémy, které jsou v této práci analyzovány je také vyvinut software, panel nástrojů slouží k vygenerování všech výsledků simulace této práce.

First, the thesis reviews the recent work in adaptive approximation of nonlinear dynamic systems with sinusoidal nonlinearities, including fundamental approaches of high-order neural units (HONU) and their supervised learning techniques. Two different learning techniques are studied: sample-by-sample and batch learning adaptation. Then, the thesis proposes and compares the performance of general neural architectures with complex-valued neural architectures for approximation of the given nonlinear systems (with sinusoidal nonlinearities). Furthermore, the work develops the learning rules of the newly proposed complex-valued high-order neural units. Finally, a software toolbox is developed for all different neural architectures and dynamic systems, analyzed in this thesis. The toolbox is used to generate all the simulation results during the thesis.