Identification of Nonlinear Systems Using Neural Networks and Polynomial Models: A Block-Oriented Approach

این تک نگاری به طور سیستماتیک روش‌های شناسایی موجود سیستم‌های غیرخطی را با استفاده از رویکرد بلوک‌گرا ارائه می‌کند. این کتاب یک مطالعه مقایسه ای از دقت تقریب گرادیان، پیچیدگی محاسباتی و نرخ همگرایی آنها را ارائه می دهد و علاوه بر این، برخی از روش های جدید و اصلی را در مورد تنظیم پارامتر مدل با تکنیک های مبتنی بر گرادیان ارائه می دهد. \"شناسایی سیستم‌های غیرخطی با استفاده از شبکه‌های عصبی و مدل‌های چندجمله‌ای\" برای محققان، مهندسان و دانشجویان تحصیلات تکمیلی در سیستم‌های غیرخطی و نظریه شبکه‌های عصبی مفید است.

This monograph systematically presents the existing identification methods of nonlinear systems using the block-oriented approach It surveys various known approaches to the identification of Wiener and Hammerstein systems which are applicable to both neural network and polynomial models. The book gives a comparative study of their gradient approximation accuracy, computational complexity, and convergence rates and furthermore presents some new and original methods concerning the model parameter adjusting with gradient-based techniques. "Identification of Nonlinear Systems Using Neural Networks and Polynomal Models" is useful for researchers, engineers and graduate students in nonlinear systems and neural network theory.