توضیحات
ABSTRACT
Randomized algorithms have been successfully applied in modelling dynamic system. How do random weights affect system identification and why do they sometimes work well? In this paper, we use the convolutional neural network (CNN) as an identification model to answer these questions. Since the convolution operation is an important property of the dynamic system and in the frequency domain it becomes the product, the CNN model is analyzed inthe frequency domain. We first modify the CNN model, so that it can model both the input and the output series. Then we analyze the impact of the random weights of CNN in the frequency domain. We prove the existence of optimal weights and analyze the modeling accuracy under optimal weights and random weights. Through theoretical analysis, we propose a two-step training method and compare it with the random weight algorithm.The proposed CNN model with random weights is validated with three .benchmark problems
INTRODUCTION
To predict the future behavior of the dynamic system, to apply model-based control or to understand the physical process, system identification is needed. Neural networks are black box models, which only use input and output data. These data-based modeling methods still have many problems. The hyper-parameters must be defined before they are applied, for example, how many hidden layers and hidden nodes are needed . The universal approximation theorem guarantees that the neural model can approach almost all continuous systems with enough hidden nodes, however, the fact of increasing the .hidden nodes causes the over-fit problem
چکیده
الگوریتم های تصادفی شده در سیستم پویایی مدل سازی با موفقیت مورد استفاده قرار گرفته اند. چگونه وزنهای تصادفی بر شناسایی سیستم اثر می گذارد و چرا گاهی اوقات به خوبی کار می کنند؟ در این مقاله، از شبکه عصبی کانولوشن (CNN) به عنوان یک مدل شناسایی برای پاسخ به این سوالات استفاده می کنیم. از آنجا که عملیات کوپلینگ یک ویژگی مهم از سیستم پویا است و در دامنه فرکانس آن محصول می شود، مدل CNN در دامنه فرکانس تجزیه و تحلیل می شود. ما ابتدا مدل CNN را اصلاح می کنیم تا بتواند ورودی و سری خروجی را مدل کند. سپس ما تاثیر وزن تصادفی CNN را در دامنه فرکانس بررسی می کنیم. ما اثبات وجود وزن های مطلوب و تجزیه و تحلیل دقت مدل سازی در وزن های بهینه و وزن تصادفی. از طریق تجزیه و تحلیل نظری، ما یک روش آموزشی دو مرحلهای پیشنهاد می کنیم و آن را با الگوریتم وزن تصادفی مقایسه می کنیم. مدل CNN پیشنهاد شده با وزنهای تصادفی با سه مسئله معیار مورد تایید قرار گرفته است.
مقدمه
برای پیش بینی رفتار آینده سیستم دینامیکی، استفاده از کنترل مبتنی بر مدل یا درک فرآیند فیزیکی، شناسایی سیستم مورد نیاز است. شبکه های عصبی مدل های جعبه سیاه هستند که تنها از داده های ورودی و خروجی استفاده می کنند. این روشهای مدل سازی مبتنی بر داده هنوز مشکلی دارند. پارامترهای فوق باید قبل از اعمال آنها تعریف شوند، برای مثال چند لایه پنهان و گره های پنهان مورد نیاز است. قضیه تقریبی کلی تضمین می کند که مدل عصبی می تواند تقریبا تمام سیستم های پیوسته را با گره های پنهان به اندازه کافی نزدیک کند، با این حال، واقعیت افزایش گره های پنهان باعث مشکل بیش از حد
Year: 2018
Publisher : ELSEVIER
By : Wen Yu, Mario Pacheco
File Information: English Language/ 26 Page / size: 1.33 MB
سال : 1396
ناشر : ELSEVIER
کاری از : ون یو، ماریو Pacheco
اطلاعات فایل : زبان انگلیسی / 26 صفحه / حجم : MB 1.33
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.