سیدسپهر طباطبایی - گروه مهندسی برق، مرکز آموزش عالی شهرضا، ایران

عملگرهای مرتبه ناصحیح در دهه های اخیر کاربرد فراوانی درمهندسی، فیزیک، مدلسازی و حتی علوم طبیعی و اجتماعی داشته اند. سیستم های دینامیکی مرتبه ناصحیح به عنوان تعمیمی مستقیم از سیستم های دینامیکی سنتی مرتبه صحیح هستند. اما مواردی مانند پایداری و همگرایی در این دو مقوله به نوعی با هم متفاوت است. همچنین مرتبه نقش بسیاری در رفتار سیستم داشته و به نوعی میزان پویایی آن را مشخص می کند. با توجه به این موضوع که اعمال قانون به روز رسانی تطبیقی ضرایب در شبکه های عصبی به خصوص در شناسایی و کنترل بسیار متداول است، یک رویکرد برای بهبود عملکرد این شبکه ها استفاده از قانون تطبیق مرتبه ناصحیح است. علاوه بر پایداری بیشتر که یک ویژگی مهم سیستم های دنیامیکی مرتبه ناصحیح نسبت به همتای مرتبه صحیح است، خصوصیتی به شبکه عصبی اضافه می کند که در صورت طراحی صحیح منجر به تنظیم قانون آموزش به صورت خودکار می شود. موضوع اصلی این مقاله نیز در همین راستا است.در واقع هدف آن است که یک قانون تطبیق با مرتبه متغیر به نحوی معرفی شود که منجر به توقف و شروع مجدد روند آموزش به صورت خودکار شود.

شبکه عصبی پرسپترون چند لایه، حسابان مرتبه ناصحیح، به روز رسانی تطبیقی ضرایب