Speed-gradient algorithm for training artificial neural networks

Abstract

В данной работе рассматривается задача классификации динамических процессов по мгновенным наблюдениям. В качестве метода решения используется построение однослойного персептрона. Если удается обучить персептрон, то, учитывая динамику процессов, через некоторое время он может начать делать неправильные выводы о процессах, на которых мы его обучили. Чтобы скорректировать вывод персептрона, будем корректировать веса, превратив их в функцию времени. Тогда персептрон будет меняться вместе с процессами и таким образом корректировать свой вывод с течением времени.

In this paper we will address the problem of classifying dynamic processes by instant observations. In order to tackle it the method of single-layer perceptron construction is used. If it turns out to be possible to train a perceptron, after a while this perceptron may begin to make wrong conclusions about the processes for which it was trained, given the dynamics of those processes. To correct the output of the perceptron, we will adjust the weights, turning them into a function of time. As a result, the perceptron will change along with the processes and thus adjust its output over time.