مروری بر مطالعات جهت استراتژی روشهای جهت تحقق بخشی NMHE و نحوه گنجاندن شبکه های عصبی در فرمول بندیهای MHE

تخمینگر افق متحرک عصبی یک تخمینگر حالت نسبتا جدید و قدرتمند است که نقاط قوت شبکه های عصبی و تکنیک های تخمین حالت مبتنی بر مدل را ترکیب می کند. رویکردهای مختلفی برای ساخت تخمینگر افق متحرک عصبی وجود دارد که هر کدام مزایا و محدودیت های منحصر به فرد خود را دارند. با این حال در حال حاضر یک بررسی جامع از ادبیات که دانش موجود را تلفیق کند، دستورالعمل های طراحی را تشریح کند و مسیرهای تحقیقات آینده را برجسته کند، وجود ندارد. برای پرداختن به این شکاف این بررسی سیستماتیک ۱۱۶۴ رکورد را غربالگری کرد و در نهایت ۲۲ مطالعه اولیه را با پیروی از موارد گزارش دهی ترجیحی برای بررسی های سیستماتیک و متاآنالیزها، پروتکل شامل شد. این مقاله (۱) اصول اساسی تخمینگر افق متحرک عصبی را توضیح می دهد (۲) سه معماری اصلی تخمینگر افق متحرک عصبی را بررسی می کند (۳) انواع شبکه های عصبی مورد استفاده، مانند پرسپترون های چند لایه، شبکه های حافظه کوتاه مدت بلند، شبکه های تابع پایه شعاعی و شبکه های عصبی فازی را تجزیه و تحلیل می کند، (۴) قابلیت پیاده سازی بلادرنگ - از جمله زمانهای اجرای گزارش شده از ۱.۶ میکروثانیه تا ۱۱.۲۸ ثانیه بر روی سخت افزارهای محاسباتی مختلف - را بررسی می کند و (۵) محدودیت های رایج و جهت گیری های تحقیقاتی آینده را شناسایی می کند. یافته ها نشان می دهد که تخمین گر افق متحرک عصبی را می توان به سه روش اصلی تحقق بخشید: یادگیری مدل، یادگیری تابع هزینه و تقریب بهینه سازی بلادرنگ در تخمین افق متحرک. یادگیری تابع هزینه انعطاف پذیری را در دستیابی به اهداف تخمین مختص وظیفه ارائه می دهد، در حالی که رویکردهای یادگیری مدل و تقریب بهینه سازی به ترتیب تمایل به بهبود دقت تخمین و سرعت محاسبات دارند.

کلیدواژه ها:

تخمین افق متحرک ، شبکه عصبی ، تخمین حالت ، استراتژی