Рассматривается задача адаптивной идентификации нелинейных дискретных объектов с памятью при наличии выбросов в наблюдениях. Актуальность задачи обусловлена необходимостью построения моделей объектов, имеющих стохастическую природу, следствием которой является наличие шумов и выбросов в наблюдениях. Для решения этой задачи предлагается новый робастный ядерный алгоритм адаптивной идентификации. Тестирование предложенного алгоритма производится по серии вычислительных экспериментов на выборках, сгенерированных в ходе решения нелинейных разностных уравнений. Тестирование производится для различных объемов обучающих выборок, уровней шума и выбросов в наблюдениях. Делается вывод о высокой точности и устойчивости предлагаемого алгоритма к выбросам в наблюдениях.
Adaptive identification of nonlinear autoregressive processes with exogenous inputs and outliers in observations is considered. A new robust kernel adaptive identification algorithm is proposed. Proposed algorithm is tested using a series of computational experiments. Training and test samples were generated by solution of nonlinear discrete difference equations for various training sample sizes, noise and outlier levels in observations.