Learning Systems

یک سیستم یادگیری را می توان به عنوان سیستمی تعریف کرد که می تواند رفتار خود را برای مؤثرتر شدن در یک کار خاص یا مجموعه ای از وظایف تطبیق دهد. از یک معماری با مجموعه ای از پارامترهای متغیر و یک الگوریتم تشکیل شده است. سیستم های یادگیری در بسیاری از زمینه ها مفید هستند، یکی از حوزه های اصلی کنترل و شناسایی سیستم است. این کار جنبه های اصلی سیستم های یادگیری را پوشش می دهد: معماری سیستم، انتخاب شاخص عملکرد و روش های اندازه گیری خطا. الگوریتم های اصلی یادگیری، از جمله اثبات همگرایی، توضیح داده شده اند. شبکه های عصبی مصنوعی، که یک کلاس مهم از سیستم های یادگیری هستند و به سرعت در حال افزایش محبوبیت هستند، مورد بحث قرار می گیرند. در صورت لزوم، مثال هایی برای نشان دادن استفاده عملی از تکنیک های توسعه یافته در متن آورده شده است. شناسایی و کنترل سیستم با استفاده از شبکه های چندلایه و CMAC (کنترل کننده مفصلی مدل مخچه) نیز ارائه شده است.

A learning system can be defined as a system which can adapt its behaviour to become more effective at a particular task or set of tasks. It consists of an architecture with a set of variable parameters and an algorithm. Learning systems are useful in many fields, one of the major areas being in control and system identification. This work covers major aspects of learning systems: system architecture, choice of performance index and methods measuring error. Major learning algorithms are explained, including proofs of convergence. Artificial neural networks, which are an important class of learning systems and have been subject to rapidly increasing popularity, are discussed. Where appropriate, examples have been given to demonstrate the practical use of techniques developed in the text. System identification and control using multi-layer networks and CMAC (Cerebellar Model Articulation Controller) are also presented.