Abstract
本文依簡單的類神經網路模型發展出幾種類神經網路的型式，且對類神經網路中的重要元件行為函數(active function)加以分類說明，並提述了線性與非線性的動態方程式的差異。循環型類神經網路(RecurrentNeural Networks)可用來降低網路系統的複雜性，尤其是付諸於狀態空間 (state-space)再再顯示此型網路的效用。循環型類神經網路可分為二種，一是循環型倒傳遞類神經網路( Recurrent Back-PropagationNeural Networks)，另一是循環型高階類神經網路(Recurrent High-Order Neural Networks)。此二種循環型類神經網路在本文皆有詳細的說明。由於模擬辨識一系統，最主要的要求是：1、收斂的速度要快。2、收斂後的誤差要小。因此我們將提出一修正模式和學習法則去完成這些要求。本文提出了一個高階循環型類神經網路的改進動態模型(dynamicalmodel)，且對此模型的方程式加以推演和詳加說明，並對此網路的結構疑點給于推導。接下來提出了二種學習法則，給予李阿普諾夫函數(Lyapunov function)其穩定性，並利用巴布拉(Barbalat)輔助定理證明其收斂性。藉由模擬的結果，我們皆可發覺不管在收斂的速度或是在收斂的誤差上 IRHONN 皆比原 RHONN 好很多。