ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ ΙΙ

 

7.3.5     Η ΔΟΜΗ ΤΗΣ ΜΟΝΑΔΑΣ ΕΠΕΞΕΡΓΑΣΙΑΣ

 

 

Στο σχήμα 1, δίνεται μια μικρή περιγραφή της νευρωνικής μονάδας επεξεργασίας. Αυτή η μονάδα αναπαριστά  τη δοσμένη διατύπωση των τοπικών EKF προσεγγίσεων, που είναι θεμελιώδης για την αναγνώριση των μεθόδων που παρουσιάζονται στη συνέχεια.

 

 

 

ΣΧΗΜΑ 1. Ο νευρώνας εξόδου που χρησιμοποιείται για την εξομοίωση ενός AR μοντέλου τάξης τ.

 

 

Στη φάση εκπαίδευσης, κάνουμε τις ακόλουθες αρχικοποιήσεις. Θέτουμε P(0/τ) = I / γ, γ > 0  και θεωρούμε  το w(0/τ)  σαν τυχαία μεταβλητή με μέσο όρο μηδέν και συνδιασπορά Q=0.1. Τέλος, θεωρούμε ότι δεν υπάρχουν μετρήσεις για n<0,και γι’ αυτό θέτουμε u(0/τ) = [1, 0, 0, …, 0]T.

 

Μετά τις αρχικοποιήσεις, εκτελούνται επαναλαμβανόμενα τα ακόλουθα βήματα:

 

1.       Εφάρμοσε το διάνυσμα εισόδου u(n/τ) για την παραγωγή των γραμμικών και μη γραμμικών εξόδων του νευρώνα

x(n/n-1;τ)  =  wT(n-1/τ) u(n/τ)

y(n/n-1;τ)  =  φ (x(n/n-1;τ))

 

2.       Παρήγαγε τις  ενεργείς  εισόδους,(που χρησιμοποιούνται στο MEKA):

q(n/τ) =  y(n/n-1;τ) u(n/τ)  (for the MEKA case)

q(n/τ) = u(n/τ) (for the EBP case)

 

3.       Όταν η τρέχουσα μέτρηση του y(n) είναι διαθέσιμη, υπολόγισε το λάθος πρόβλεψης :

e(n/τ) = y(n) - y(n/n-1;τ) (for the MEKA case)

e(n/τ) = y(n) - x(n/n-1;τ) (for the EBP case)

 

4.       Οι αναδρομικές εξισώσεις (13) του τοπικού EKF εφαρμόζονται στο νευρώνα. Μ’ αυτό τον τρόπο τα  k(n/τ), pz(n/n-1;τ), w(n/τ) και P(n/τ) ενημερώνονται.

 

 

 

5.             Το βαθμωτό  L(n/n;τ) υπολογίζεται για το μοντέλο με βάση την ALF τεχνική και με χρήση της (6).

 

 

ΑΡΧΗ ΚΕΦΑΛΑΙΟΥ