Rekurencyjne sieci neuronowe w modelowaniu nieliniowych procesów dynamicznych

W pracy przedstawiono algorytm identyfikacji (uczenia) rekurencyjnych sieci neuronowych typu perceptronowego, które znajdują zastosowanie w modelowaniu silnie nieliniowych procesów dynamicznych. W porównaniu ze stosowanym powszechnie algorytmem wstecznej propagacji błędów, który prowadzi do wyznaczenia modeli służących do predykcji jednokrokowej, proponowany algorytm umożliwia identyfikację predyktorów wielokrokowych. Omawiany algorytm wykorzystano do modelowania poziomu zanieczyszczeń produktu wysokociśnieniowej kolumny destylacyjnej etylen-etan.

---

This paper details the identification (learning) algorithm of perceptron-like recurrent neural networks which can be used for modelling highly nonlinear dynamic processes. In comparison with usually used backpropagation algorithm, which leads to one-step-ahead predictors, the described technique results in many-step-ahead predictors. The algorithm is used for modelling the impurity level of the product of the high-pressure high-purity ethylene-ethane distillation column.