SEQUENTIAL LEARNING PROCESSES IN NEURAL NETWORKS APPLIED AS MODELS OF NONLINEAR SYSTEMS

Abstract

Asymptotic properties of the online gradient algorithm with a constant step size employed for learning in neural network models of nonlinear systems having one hidden layer are examined. Some conditions guaranteeing the convergence of this algorithm are established.Вивчено асимптотичні властивості градієнтного алгоритму зі сталим кроковим коефіцієнтом, що використовується для навчання в реальному часі нейромережних моделей нелінійних систем з одним прихованим шаром. Встановлено деякі умови, що гарантують збіжність цього алгоритму.