ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ ΙΙ
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).