Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "function networks" wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Stabilising solutions to a class of nonlinear optimal state tracking problems using radial basis function networks
    Autorzy:
    Ahmida, Z.
    Charef, A.
    Becerra, V. M.
    Powiązania:
    https://bibliotekanauki.pl/articles/908523.pdf
    Data publikacji:
    2005
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    system nieliniowy
    sterowanie optymalne
    radialna funkcja bazowa
    sieć neuronowa
    regulacja predykcyjna
    sterowanie wyprzedzające
    nonlinear systems
    optimal control
    radial basis functions
    neural networks
    predictive control
    feedforward control
    Opis:
    A controller architecture for nonlinear systems described by Gaussian RBF neural networks is proposed. The controller is a stabilising solution to a class of nonlinear optimal state tracking problems and consists of a combination of a state feedback stabilising regulator and a feedforward neuro-controller. The state feedback stabilising regulator is computed online by transforming the tracking problem into a more manageable regulation one, which is solved within the framework of a nonlinear predictive control strategy with guaranteed stability. The feedforward neuro-controller has been designed using the concept of inverse mapping. The proposed control scheme is demonstrated on a simulated single-link robotic manipulator.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2005, 15, 3; 369-381
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Stability of impulsive Hopfield neural networks with Markovian switching and time-varying delays
    Autorzy:
    Raja, R.
    Sakthivel, R.
    Anthoni, S. M.
    Kim, H.
    Powiązania:
    https://bibliotekanauki.pl/articles/907824.pdf
    Data publikacji:
    2011
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    sieć neuronowa
    stateczność stochastyczna
    funkcja Lapunowa
    Hopfield neural networks
    Markovian jumping
    stochastic stability
    Lyapunov function
    impulses
    Opis:
    The paper is concerned with stability analysis for a class of impulsive Hopfield neural networks with Markovian jumping parameters and time-varying delays. The jumping parameters considered here are generated from a continuous-time discrete-state homogenous Markov process. By employing a Lyapunov functional approach, new delay-dependent stochastic stability criteria are obtained in terms of linear matrix inequalities (LMIs). The proposed criteria can be easily checked by using some standard numerical packages such as theMatlab LMI Toolbox. A numerical example is provided to show that the proposed results significantly improve the allowable upper bounds of delays over some results existing in the literature.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2011, 21, 1; 127-135
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An enhanced differential evolution algorithmwith adaptive weight bounds for efficient training ofneural networks
    Ulepszony algorytm ewolucji różnicowej z adaptacyjnymi granicami wag dla efektywnego szkolenia sieci neuronowych
    Autorzy:
    Limtrakul, Saithip
    Wetweerapong, Jeerayut
    Powiązania:
    https://bibliotekanauki.pl/articles/27315365.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    neural network
    differential evolution
    training neural network
    function approximation
    sieć neuronowa
    ewolucja różnicowa
    trening sieci neuronowej
    aproksymacja funkcji
    Opis:
    Artificial neural networks are essential intelligent tools for various learning tasks. Training them is challenging due to the nature of the data set, many training weights, and their dependency, which gives rise to a complicated high-dimensional error function for minimization. Thus, global optimization methods have become an alternative approach. Many variants of differential evolution (DE) have been applied as training methods to approximate the weights of a neural network. However, empirical studies show that they suffer from generally fixed weight bounds. In this research, we propose an enhanced differential evolution algorithm with adaptive weight bound adjustment (DEAW) for the efficient training of neural networks. The DEAW algorithm uses small initial weight bounds and adaptive adjustment in the mutation process. It gradually extends the bounds when a component of a mutant vector reaches its limits. We also experiment with using several scales of an activation function with the DEAW algorithm. Then, we apply the proposed method with its suitable setting to solve function approximation problems. DEAW can achieve satisfactory results compared to exact solutions.
    Sztuczne sieci neuronowe są niezbędnymi inteligentnymi narzędziami do realizacji różnych zadań uczenia się. Ich szkolenie stanowi wyzwanie ze względu na charakter zbioru danych, wiele wag treningowych i ich zależności, co powoduje powstanie skomplikowanej, wielowymiarowej funkcji błędu do minimalizacji. Dlatego alternatywnym podejściem stały się metody optymalizacji globalnej. Wiele wariantów ewolucji różnicowej (DE) zostało zastosowanych jako metody treningowe do aproksymacji wag sieci neuronowej. Jednak badania empiryczne pokazują, że cierpią one z powodu ogólnie ustalonych granic wag. W tym badaniu proponujemy ulepszony algorytm ewolucji różnicowej z adaptacyjnym dopasowaniem granic wag (DEAW) dla efektywnego szkolenia sieci neuronowych. Algorytm DEAW wykorzystuje małe początkowe granice wag i adaptacyjne dostosowanie w procesie mutacji. Stopniowo rozszerza on granice, gdy składowa wektora mutacji osiąga swoje granice. Eksperymentujemy również z wykorzystaniem kilku skal funkcji aktywacji z algorytmem DEAW. Następnie, stosujemy proponowaną metodę z jej odpowiednim ustawieniem do rozwiązywania problemów aproksymacji funkcji. DEAW może osiągnąć zadowalające rezultaty w porównaniu z rozwiązaniami dokładnymi.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2023, 13, 1; 4--13
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies