مشخصات مقاله | |
ترجمه عنوان مقاله | الگوریتم یادگیری برای سیستم های دینامیکی کسری با خطاهای موجود در متغیرها خود مرتبط |
عنوان انگلیسی مقاله | Learning Algorithm for Fractional Dynamical Systems with Autocorrelated Errors-in-Variables |
انتشار | مقاله سال 2019 |
تعداد صفحات مقاله انگلیسی | 8 صفحه |
هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
پایگاه داده | نشریه الزویر |
نوع نگارش مقاله |
مقاله پژوهشی (Research Article) |
مقاله بیس | این مقاله بیس نمیباشد |
نوع مقاله | ISI |
فرمت مقاله انگلیسی | |
ایمپکت فاکتور(IF) |
1.257 در سال 2018 |
شاخص H_index | 47 در سال 2019 |
شاخص SJR | 0.281 در سال 2018 |
شناسه ISSN | 1877-0509 |
مدل مفهومی | ندارد |
پرسشنامه | ندارد |
متغیر | دارد |
رفرنس | دارد |
رشته های مرتبط | مهندسی کامپیوتر |
گرایش های مرتبط | الگوریتم و محاسبات، هوش مصنوعی |
نوع ارائه مقاله |
ژورنال و کنفرانس |
مجله / کنفرانس | علوم کامپیوتر پروسیدیا – Procedia Computer Science |
دانشگاه | Department of mechatronics, Samara State University of Transport, Samara, Russia |
کلمات کلیدی | تفاوت های کسری، خطاهای موجود در متغیرها، جذر حداقل، اختلال خود مرتبط، برآورد بازگشتی |
کلمات کلیدی انگلیسی | fractional difference, errors-in-variables, least square, autocorrelated noise, recursive estimation |
شناسه دیجیتال – doi |
https://doi.org/10.1016/j.procs.2019.06.045 |
کد محصول | E12311 |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
فهرست مطالب مقاله: |
Abstract
1. Introduction 2. Fractional Calculus 3. Problem statement 4. Stochastic Gradient Algorithm for Learning a Fractional-Order Dynamical System with Autocorrelated Error- in-Variables 5. Stochastic Approximation with Averaging 6. Simulation Results 7. Conclusion References |
بخشی از متن مقاله: |
Abstract
In this paper, the stochastic gradient algorithm for learning fractional-order dynamical systems with noisy input and output is proposed. The proposed algorithm allows estimating the parameters of fractional dynamic systems if the input and output noises are color. The proposed algorithm does not require knowledge of the noise distribution laws. The simulation results demonstrate the high accuracy of the proposed learning algorithm in comparison with the least squares learning algorithm. Introduction Instrumental variables for fractional systems with correlated noise are presented in Victor et al., 2011 Recursive identification algorithms for white noise are proposed in Djouambi, 2012. The use of Kalman filter for white noise in Sierociuk, Dzienlinsk, 2006 and color noise in Sierociuk, Zubinski, 2014, Safarinejadian et al., 2016, Yang et al., 2018 is considered. An excellent review of methods for identifying integer-order systems with errors in variables is given in Söderström. 2018. Today there are a small number of articles on the identification of fractional systems with errors in variables Chetoui et al., 2012, Chetoui et al., 2013, Ivanov, 2013. In Ivanov, 2017 proposed a generalization of the results for the case of fractional errors in variables. |