Градиентный алгоритм

Cтраница 2

Алгоритм обратного распространения ошибки - это итеративный градиентный алгоритм обучения, который используется с целью минимизации среднеквадратичного отклонения текущих от требуемых выходов многослойных нейронных сетей с последовательными связями. [16]

Другим вычислительным применением функции Лагранжа являются так называемые мелкошаговые градиентные алгоритмы. При определенных допущениях траектории переменных, определяемых дифференциальными уравнениями, сходятся к оптимальному решению. [17]

Блок-схема беспоисковой системы управления динамического объекта с моделью. [18]

Здесь исполнительный механизм ИМ, как обычно, реализует градиентный алгоритм. [19]

Схема тренировки нейронной сети. [20]

В методе backpropagation для минимизации суммы квадратов разности используется градиентный алгоритм поиска. [21]

Следовательно, градиентный идентификатор, т.е. идентификатор, использующий градиентный алгоритм идентификации, устойчив по Ляпунову. И так как функция Ляпунова равна квадрату модуля параметрической ошибки, то эта ошибка будет убывать. Однако, будет ли она стремится к нулю, зависит от сигнальной матрицы W ( t) j которая в свою очередь зависит от внешних воздействий. [22]

Проведенный анализ показывает, что комбинированное использование иерархического метода и градиентного алгоритма в рассматриваемой технической задаче в пункте 10.2.1 в целом повышает эффективность поиска равновесного решения по сравнению с раздельным использование указанных процедур. Совместное применение этих алгоритмов позволяет объединить их достоинства и компенсировать недостатки. [23]

Это может поставить под сомнение результаты главы 4 по сходимости градиентных алгоритмов первого и второго порядков. [24]

Разбираемые ниже способы оптимизации отдельных блоков связаны в основном с реализацией градиентных алгоритмов поиска посредством метода сопряженного процесса. [25]

Достаточно высокая скорость обучения, хотя и меньшая, чем скорость сходимости градиентных алгоритмов. [26]

Выше было указано, что для улучшения точности алгоритма Пао может быть применен градиентный алгоритм Ермольева. В данном пункте приводятся методические основы спектрального метода получения оптимальных программных управлений. Этот подход может считаться альтернативой градиентному методу Ермольева, поскольку он использует параметризацию функций управления, фазовых координат, функционалов качества, а также предполагает применение градиентного метода оптимизации. Кроме того, по неклассическим равновесиям безкоалиционной игры, спектральный подход обеспечивает получение решения в виде непрерывных функций, что, как будет показано на примере, может существенно улучшить значения показателей качества, а также может быть использовано для анализа динамики конфликта и его прогноза. [27]

Если количество вычисляемых значений критерия качества m удовлетворяет условию и 1т2л 1, используется градиентный алгоритм; если 2л 1 m ( и2 3л) / 2 1, - алгоритм оптимизации с использованием неполного полинома второго порядка; если же m ( и2 Зя) / 2 1 и все построенные точки сошлись в требуемую область, применяется стохастический аналог метода Ньютона. [28]

В качестве алгоритма идентификации, определяемого видом функции потерь и структурой настраиваемой модели, применяется стохастический градиентный алгоритм. Стохастические градиентные алгоритмы рекуррентной идентификации для оценки параметров линейных динамических систем описаны в трудах многих авторов [1, 3, 16-19, 22-31] и применяются для разных технических и технологических объектов. Но при создании нелинейных адаптивных систем управления они полностью еще не использованы и не изучены. Естественно, возникает вопрос о возможности их применения для нелинейных динамических объектов. При этом надо определить эффективность работы алгоритма идентификации в адаптивных системах управления, которая определяется не только условиями сходимости, но и скоростью сходимости. [29]

Ресурсы распараллеливания структурными свойствами не исчерпываются и могут быть дополнены в подсистеме моделирования на этапе формирования градиентного алгоритма и при вычислении начальных приближений, что исследовано в соответствующей главе [9], посвященной реализации стабильных и эффективных решений, а также СТЭК. [30]

Страницы: 1 2 3 4