排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
基于再生核Hilbert空间(reproducing kernel Hilbert space,RKHS)的统计学习模型被广泛应用于函数逼近、图像处理、模式识别和回归分析等领域,并且也在非线性随机动力学系统的辨识问题中有着很好的表现.本文提出一个基于鲁棒最优控制的RKHS模型学习方法,来实现对非线性随机动力学系统的高效在线建模.利用本文得到的关于再生核空间的一些理论结果,本文将随机动力学系统的在线学习问题转化为一组具有有界随机扰动的离散时变线性系统的输出反馈镇定问题,并利用模型预测控制技术来设计相应的控制算法和学习算法.与现有的RKHS模型学习方法相比,在不引入任何数据窗口原理、剪枝技术、学习步长的调整机制以及对噪声统计性质的假设的情形下,新方法可以在保证模型参数快速且鲁棒收敛的同时,实现对动力学系统的自适应高精度建模.此外,本文首次从最优控制的视角出发,研究动力学系统的在线核学习问题.在本文提出的研究框架下,现有各种控制技术可以被利用起来开发新的鲁棒学习方法,这也为核学习理论的研究和算法的开发提供一些新的思路.本文亦给出了数值算例和对比结果,用来说明新方法的有效性. 相似文献
2.
本文主要研究了一类随机时滞神经网络的稳定性条件.利用随机分析技巧和不动点原理,建立了一个关于随机时滞神经网络指数稳定性判定的新的准则. 相似文献
1