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 "radial neural network" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-13 z 13
    Tytuł:
    Neural modeling of plant tissue cultures: a review
    Autorzy:
    Zielinska, S.
    Kepczynska, E.
    Powiązania:
    https://bibliotekanauki.pl/articles/81293.pdf
    Data publikacji:
    2013
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    artificial neural network
    biomass
    plant tissue
    neural model
    tissue culture
    in vitro condition
    micropropagation
    radial neural network
    neural network
    somatic embryo
    Źródło:
    BioTechnologia. Journal of Biotechnology Computational Biology and Bionanotechnology; 2013, 94, 3
    0860-7796
    Pojawia się w:
    BioTechnologia. Journal of Biotechnology Computational Biology and Bionanotechnology
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Training RBF NN Using Sine-Cosine Algorithm for Sonar Target Classification
    Autorzy:
    Wang, Yixuan
    Yuan, LiPing
    Khishe, Mohammad
    Moridi, Alaveh
    Mohammadzade, Fallah
    Powiązania:
    https://bibliotekanauki.pl/articles/1953523.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    classifiers
    radial basis function neural network
    sine-cosine algorithm
    sonar
    Opis:
    Radial basis function neural networks (RBF NNs) are one of the most useful tools in the classification of the sonar targets. Despite many abilities of RBF NNs, low accuracy in classification, entrapment in local minima, and slow convergence rate are disadvantages of these networks. In order to overcome these issues, the sine-cosine algorithm (SCA) has been used to train RBF NNs in this work. To evaluate the designed classifier, two benchmark underwater sonar classification problems were used. Also, an experimental underwater target classification was developed to practically evaluate the merits of the RBF-based classifier in dealing with high-dimensional real world problems. In order to have a comprehensive evaluation, the classifier is compared with the gradient descent (GD), gravitational search algorithm (GSA), genetic algorithm (GA), and Kalman filter (KF) algorithms in terms of entrapment in local minima, the accuracy of the classification, and the convergence rate. The results show that the proposed classifier provides a better performance than other compared classifiers as it classifies the sonar datasets 2.72% better than the best benchmark classifier, on average.
    Źródło:
    Archives of Acoustics; 2020, 45, 4; 753-764
    0137-5075
    Pojawia się w:
    Archives of Acoustics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Radial Basis Function Neural Network based on Growing Neural Gas Network applied for evaluation of oil agglomeration process efficiency
    Autorzy:
    Marcin, Kamiński
    Stanisławski, Radosław
    Bastrzyk, Anna
    Powiązania:
    https://bibliotekanauki.pl/articles/1450770.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
    Tematy:
    oil agglomeration modeling
    dolomite
    Radial Basis Function Neural Network
    Growing Neural Gas Network
    Opis:
    In this study, the neural model for modeling of oil agglomeration of dolomite in the presence of anionic and cationic surfactants (sodium oleate and dodecylammonium hydrochloride) was implemented. The effect of surfactants concentration, oil dosage, time of mixing, pH, and mixing speed of the impeller in the process recovery were investigated using Radial Basis Function Neural Network (RBFNN). A significant problem in this modeling, was the selection of the structure of the neural network. In algorithms based on the RBFNN, the issue mentioned relates to the number of nodes in the determination of the hidden layer. Also, the distribution of functions in data space is significant. In the proposed solution, at this stage of the neural model design, the Growing Neural Gas Network (GNGN) was implemented. Such a procedure introduced automation of the calculation process. The centers were obtained from the GNGN and the structure (number of radial neurons) can be approximated based on a simple searching algorithm. The idea of the data calculations was implemented as an original algorithm that can be easily transferred to Matlab, Python, or Octave software. The values predicted from the neural networks model were in good agreement with the experimental data. Thus, the RBFNN-GNGN model used in this study, can be employed as a reliable and accurate method to predict, and in the future to optimize the performance of oil agglomeration process.
    Źródło:
    Physicochemical Problems of Mineral Processing; 2020, 56, 6; 194-205
    1643-1049
    2084-4735
    Pojawia się w:
    Physicochemical Problems of Mineral Processing
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The Influence of the Artificial Neural Network type on the quality of learning on the Day-Ahead Market model at Polish Power Exchange joint-stock company
    Autorzy:
    Ruciński, Dariusz
    Powiązania:
    https://bibliotekanauki.pl/articles/1819257.pdf
    Data publikacji:
    2019
    Wydawca:
    Uniwersytet Przyrodniczo-Humanistyczny w Siedlcach
    Tematy:
    Perceptron Artificial Neural Network
    Radial Artificial Neural Network
    Recursive Artificial Neural Network
    neural model quality
    Day-Ahead Market
    Polish Power Exchange
    Mean square error
    determination index
    Opis:
    The work contains the results of the Day-Ahead Market modeling research at Polish Power Exchange taking into account the numerical data on the supplied and sold electricity in selected time intervals from the entire period of its operation (from July 2002 to June 2019). Market modeling was carried out based on three Artificial Neural Network models, ie: Perceptron Artificial Neural Network, Recursive Artificial Neural Network, and Radial Artificial Neural Network. The examined period of the Day-Ahead Market operation on the Polish Power Exchange was divided into sub-periods of various lengths, from one month, a quarter, a half a year to the entire period of the market's operation. As a result of neural modeling, 1,191 models of the Market system were obtained, which were assessed according to the criterion of the least error MSE and the determination index R2.
    Źródło:
    Studia Informatica : systems and information technology; 2019, 1-2(23); 77--93
    1731-2264
    Pojawia się w:
    Studia Informatica : systems and information technology
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    2D Cadastral Coordinate Transformation using extreme learning machine technique
    Autorzy:
    Ziggah, Y. Y.
    Issaka, Y.
    Laari, P. B.
    Hui, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/145372.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    transformacja współrzędnych
    sieci neuronowe
    dane geodezyjne
    sieć radialna
    coordinate transformation
    extreme learning machine
    backpropagation neural network
    radial basis function neural network
    geodetic datum
    Opis:
    Land surveyors, photogrammetrists, remote sensing engineers and professionals in the Earth sciences are often faced with the task of transferring coordinates from one geodetic datum into another to serve their desired purpose. The essence is to create compatibility between data related to different geodetic reference frames for geospatial applications. Strictly speaking, conventional techniques of conformal, affine and projective transformation models are mostly used to accomplish such task. With developing countries like Ghana where there is no immediate plans to establish geocentric datum and still rely on the astro-geodetic datums as it national mapping reference surface, there is the urgent need to explore the suitability of other transformation methods. In this study, an effort has been made to explore the proficiency of the Extreme Learning Machine (ELM) as a novel alternative coordinate transformation method. The proposed ELM approach was applied to data found in the Ghana geodetic reference network. The ELM transformation result has been analysed and compared with benchmark methods of backpropagation neural network (BPNN), radial basis function neural network (RBFNN), two-dimensional (2D) affine and 2D conformal. The overall study results indicate that the ELM can produce comparable transformation results to the widely used BPNN and RBFNN, but better than the 2D affine and 2D conformal. The results produced by ELM has demonstrated it as a promising tool for coordinate transformation in Ghana.
    Źródło:
    Geodesy and Cartography; 2018, 67, 2; 321-343
    2080-6736
    2300-2581
    Pojawia się w:
    Geodesy and Cartography
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Soft computing-based technique as a predictive tool to estimate blast-induced ground vibration
    Autorzy:
    Arthur, Clement Kweku
    Temeng, Victor Amoako
    Ziggah, Yao Yevenyo
    Powiązania:
    https://bibliotekanauki.pl/articles/1839011.pdf
    Data publikacji:
    2019
    Wydawca:
    Główny Instytut Górnictwa
    Tematy:
    radial basis function neural network
    back propagation neural network
    generalized regression neural network
    wavelet neural network
    group method of data handling
    ground vibration
    radialna funkcja bazowa
    sieć neuronowa
    GRNN
    sieć falkowo-neuronowa
    grupowa metoda przetwarzania danych
    drgania gruntu
    Opis:
    The safety of workers, the environment and the communities surrounding a mine are primary concerns for the mining industry. Therefore, implementing a blast-induced ground vibration monitoring system to monitor the vibrations emitted due to blasting operations is a logical approach that addresses these concerns. Empirical and soft computing models have been proposed to estimate blast-induced ground vibrations. This paper tests the efficiency of the Wavelet Neural Network (WNN). The motive is to ascertain whether the WNN can be used as an alternative to other widely used techniques. For the purpose of comparison, four empirical techniques (the Indian Standard, the United State Bureau of Mines, Ambrasey-Hendron, and Langefors and Kilhstrom) and four standard artificial neural networks of backpropagation (BPNN), radial basis (RBFNN), generalised regression (GRNN) and the group method of data handling (GMDH) were employed. According to the results obtained from the testing dataset, the WNN with a single hidden layer and three wavelons produced highly satisfactory and comparable results to the benchmark methods of BPNN and RBFNN. This was revealed in the statistical results where the tested WNN had minor deviations of approximately 0.0024 mm/s, 0.0035 mm/s, 0.0043 mm/s, 0.0099 and 0.0168 from the best performing model of BPNN when statistical indicators of Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Relative Root Mean Square Error (RRMSE), Correlation Coefficient (R) and Coefficient of determination (R2) were considered.
    Źródło:
    Journal of Sustainable Mining; 2019, 18, 4; 287-296
    2300-1364
    2300-3960
    Pojawia się w:
    Journal of Sustainable Mining
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural Network Model for Control of Operating Modes of Crushing and Grinding Complex
    Autorzy:
    Kalinchyk, Vasyl
    Meita, Olexandr
    Pobigaylo, Vitalii
    Borychenko, Olena
    Kalinchyk, Vitalii
    Powiązania:
    https://bibliotekanauki.pl/articles/2174915.pdf
    Data publikacji:
    2022
    Wydawca:
    Politechnika Koszalińska. Wydawnictwo Uczelniane
    Tematy:
    classification
    modelling
    neural network
    radial basis function network
    RBF
    multilayer perceptron
    MLP
    Opis:
    This article investigates the application of neural network models to create automated control systems for industrial processes. We reviewed and analysed works on dispatch control and evaluation of equipment operating modes and the use of artificial neural networks to solve problems of this type. It is shown that the main requirements for identification models are the accuracy of estimation and ease of algorithm implementation. It is shown that artificial neural networks meet the requirements for accuracy of classification problems, ease of execution and speed. We considered the structures of neural networks that can be used to recognise the modes of operation of technological equipment. Application of the model and structure of networks with radial basis functions and multilayer perceptrons for identifying the mode of operation of equipment under given conditions is substantiated. The input conditions for constructing neural network models of two types with a given three-layer structure are offered. The results of training neural models on the model of a multilayer perceptron and a network with radial basis functions are presented. The estimation and comparative analysis of models depending on model parameters are made. It is shown that networks with radial basis functions offer greater accuracy in solving identification problems. The structural scheme of the automated process control system with mode identification based on artificial neural networks is offered.
    Źródło:
    Rocznik Ochrona Środowiska; 2022, 24; 26--40
    1506-218X
    Pojawia się w:
    Rocznik Ochrona Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    ANN-based failure modeling of classes of aircraft engine components using radial basis functions
    Modelowanie uszkodzeń elementów silnika samolotowego w oparciu o sztuczne sieci neuronowe o radialnych funkcjach bazowych
    Autorzy:
    Al-Garni, Ahmed
    Abdelrahman, Wael
    Abdallah, Ayman
    Powiązania:
    https://bibliotekanauki.pl/articles/301913.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    neural network
    radial basis function
    Reliability
    engine components
    sieć neuronowa
    radialna funkcja bazowa
    niezawodność
    elementy silnika
    Opis:
    The objective of this research is to present a model to predict failure of two categories of critical aircraft engine components; nonrotating components such as valves and gearboxes, and rotating components such as engine turbines. The work utilizes Weibull regression and artificial neural networks employing Back Propagation (BP) as well as Radial Basis Functions (RBF). The model utilizes training failure data collected from operators of turboprop aircraft working in harsh desert conditions, where sand erosion is a detrimental factor in reducing turbine life. Accordingly, the model is more suited for accurate prediction of life of critical components of such engines. The algorithm, which uses Radial Basis Function (RBF) NN, uses a closest point specifier. The activation is based on the deviation of the earlier prototype from the input vector. Two earlier models are used for comparison purposes; namely Weibull regression modeling and Feed-Forward BP network. Comparison results show that the failure times represented by RBF are in better compromise with actual failure data than both earlier modeling methods. Moreover, the technique has comparatively higher efficiency as the neuron’s number in each layer of ANN is reduced, to decrease computation time, with minimum effect on the accuracy of results.
    Celem pracy jest przedstawienie modelu służącego do predykcji uszkodzeń dwóch kategorii krytycznych elementów silnika samolotowego: elementów nieobrotowych, takich jak zawory i skrzynie biegów oraz elementów obrotowych, takich jak turbiny silnika. W pracy wykorzystano regresję Weibulla i sztuczne sieci neuronowe oparte na propagacji wstecznej oraz radialnych funkcjach bazowych (RBF). Model wykorzystuje dane o błędach zebrane od operatorów samolotów turbośmigłowych pracujących w trudnych warunkach pustynnych, gdzie erozja powodowana przez piasek stanowi szkodliwy czynnik ograniczający żywotność turbin. Prezentowany model jest więc szczególnie przydatny do trafnego prognozowania żywotności krytycznych elementów takich silników. Algorytm, który wykorzystuje sieci neuronowe o radialnych funkcjach bazowych, używa specyfikatora najbliższego punktu. Aktywacja bazuje na odchyleniu wcześniejszego prototypu od wektora wejściowego. Dwa wcześniejsze modele oparte na regresji Weibulla (Weibull regression modeling) oraz sieciach typu Feed-Forward Backpropagation wykorzystano do badań porównawczych. Wyniki porównania pokazują, że czasy uszkodzeń odwzorowane przez RBF pozostają w większej zgodzie z rzeczywistymi danymi o uszkodzeniach niż w przypadku obu wcześniejszych metod modelowania. Co więcej, technika ta ma porównywalnie większą efektywność, ponieważ liczba neuronów w każdej warstwie sieci neuronowej została zredukowana tak aby zmniejszyć czas obliczeń, przy minimalnym wpływie na dokładność wyników.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 2; 311-317
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of MLP and RBF Neural Networks in the Task of Classifying the Diameters of Water Pipes
    Autorzy:
    Gvishiani, Zurab
    Dawidowicz, Jacek
    Powiązania:
    https://bibliotekanauki.pl/articles/2174907.pdf
    Data publikacji:
    2022
    Wydawca:
    Politechnika Koszalińska. Wydawnictwo Uczelniane
    Tematy:
    water distribution system
    hydraulic calculation
    selection of diameter
    water pipe
    artificial neural network
    radial basis function
    multilayer perceptron
    Opis:
    Hydraulic calculations of water distribution systems are currently performed using computer programs. In addition to the basic calculation procedure, modules responsible for evaluating the obtained calculation results are introduced more and more often into the programs. This article presents the results of research on artificial neural networks with a radial base function (RBF) and a multilayer perceptron (MLP), aimed at determining whether they can be used to model the relationship between the variables describing the computational section of the water distribution system and the diameter of the water pipe. The classification capabilities of the RBF and MLP networks were analyzed according to the number of neurons in the hidden layer of the network. A comparative analysis of RBF networks with multilayer perceptron (MLP) networks was performed. The results showed that the MLP networks have much better classification properties and are better suited for the task of assessing the selected diameters of the water pipes.
    Źródło:
    Rocznik Ochrona Środowiska; 2022, 24; 505--519
    1506-218X
    Pojawia się w:
    Rocznik Ochrona Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Vehicles Classification Using the HRBF Neural Network
    Klasyfikacja pojazdów z wykorzystaniem sieci neuronowej HRBF
    Autorzy:
    Wantoch-Rekowski, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/305921.pdf
    Data publikacji:
    2011
    Wydawca:
    Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
    Tematy:
    sieci neuronowe
    klasyfikacja sieci
    zbiór uczący
    Hyper Radial Basis Function network HRBF
    neural networks
    networks classification
    learning set
    HRBF
    Opis:
    The paper presents the problem of using a neural network for military vehicle classification on the basis of ground vibration. One of the main elements of the system is a unit called the geophone. This unit allows to measure the amplitude of ground vibration in each direction for a certain period of time. The value of the amplitude is used to fix the characteristic frequencies of each vehicle. If we want to fix the main frequency it is necessary to use the Fourier transform. In this case the fast Fourier transform FFT was used. Since the neural network (Hyper Radial Basis Function network) was used, a learning set has to be prepared. Please find the attached results of using the HRBF neural network, which include: examples of learning, validation and test sets, the structure of the networks and the learning algorithm, learning and testing results.
    W opracowaniu przedstawiono zagadnienie wykorzystania sieci neuronowej do klasyfikacji określonych typów pojazdów na podstawie analizy amplitudy drgań gruntu. Jednym z elementów systemu do pomiaru amplitudy drgań gruntu jest geofon. Umożliwia on pomiar amplitudy drgań gruntu w wybranym kierunku dla określonego przedziału czasu. Wartość wyznaczonej amplitudy wykorzystywana jest do wyznaczenia charakterystycznych częstotliwości drgań dla poszczególnych pojazdów. Do wyznaczenia charakterystycznych częstotliwości wykorzystywana jest transformata Fouriera FFT. Do klasyfikacji wykorzystana została sieć neuronowa z radialną funkcją aktywacji, dlatego też wymagane jest przygotowanie odpowiedniego zbioru uczącego. W opracowaniu przedstawiono wyniki użycia sieci HRBF. Przedstawiono strukturę oraz zawartość zbioru uczącego.
    Źródło:
    Biuletyn Instytutu Systemów Informatycznych; 2011, 7; 47-52
    1508-4183
    Pojawia się w:
    Biuletyn Instytutu Systemów Informatycznych
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Pattern Classification of Fabric Defects Using a Probabilistic Neural Network and Its Hardware Implementation using the Field Programmable Gate Array System
    Klasyfikacja rodzaju defektów tkanin za pomocą probabilistycznej sztucznej sieci neuronowej oraz za pomocą systemu FPGA
    Autorzy:
    Hasnat, A.
    Ghosh, A.
    Khatun, A.
    Halder, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/234369.pdf
    Data publikacji:
    2017
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    classification
    fabric defect
    field programmable gate array (FPGA)
    radial basis function
    probabilistic neural network
    klasyfikacja wad tkanin
    probabilistyczna sieć neuronowa
    Opis:
    This study proposes a fabric defect classification system using a Probabilistic Neural Network (PNN) and its hardware implementation using a Field Programmable Gate Arrays (FPGA) based system. The PNN classifier achieves an accuracy of 98 ± 2% for the test data set, whereas the FPGA based hardware system of the PNN classifier realises about 94±2% testing accuracy. The FPGA system operates as fast as 50.777 MHz, corresponding to a clock period of 19.694 ns.
    W pracy zaprezentowano system klasyfikacji wad tkanin przy użyciu probabilistycznej sieci neuronowej (PNN) i przy zastosowaniu systemu Field Programmable Gate Array (FPGA). PNN pozwala na osiągnięcie dokładności 98 ± 2% dla zbioru danych testowych, podczas gdy system FPGA pozwala na osiągnięcie dokładności około 94 ± 2%. System FPGA pracuje przy częstotliwości 50,777 MHz, co odpowiada 19,694 ns.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2017, 1 (121); 42-48
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Integrated fault-tolerant control of a quadcopter UAV with incipient actuator faults
    Autorzy:
    Kantue, Paulin
    Pedro, Jimoh O.
    Powiązania:
    https://bibliotekanauki.pl/articles/2172129.pdf
    Data publikacji:
    2022
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    fault tolerant control
    quadrocopter
    incipient actuator fault
    radial basis function
    neural network
    sterowanie tolerujące uszkodzenia
    kwadrokopter
    radialna funkcja bazowa
    sieć neuronowa
    Opis:
    An integrated approach to the fault-tolerant control (FTC) of a quadcopter unmanned aerial vehicle (UAV) with incipient actuator faults is presented. The framework is comprised of a radial basis function neural network (RBFNN) fault detection and diagnosis (FDD) module and a reconfigurable flight controller (RFC) based on the extremum seeking control approach. The dynamics of a quadcopter subject to incipient actuator faults are estimated using a nonlinear identification method comprising a continuous forward algorithm (CFA) and a modified golden section search (GSS) one. A time-difference-of-arrival (TDOA) method and the post-fault system estimates are used within the FDD module to compute the fault location and fault magnitude. The impact of bi-directional uncertainty and FDD detection time on the overall FTC performance and system recovery is assessed by simulating a quadcopter UAV during a trajectory tracking mission and is found to be robust against incipient actuator faults during straight and level flight and tight turns.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2022, 32, 4; 601--617
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neuro-adaptive cooperative control for high-order nonlinear multi-agent systems with uncertainties
    Autorzy:
    Peng, Cheng
    Zhang, Anguo
    Li, Junyu
    Powiązania:
    https://bibliotekanauki.pl/articles/2055174.pdf
    Data publikacji:
    2021
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    multiagent system
    radial basis function
    RBF neural network
    sliding mode control
    cooperative control
    system wieloagentowy
    radialna funkcja bazowa
    sieć neuronowa RBF
    sterowanie ślizgowe
    Opis:
    The consensus problem for a class of high-order nonlinear multi-agent systems (MASs) with external disturbance and system uncertainty is studied. We design an online-update radial basis function (RBF) neural network based distributed adaptive control protocol, where the sliding model control method is also applied to eliminate the influence of the external disturbance and system uncertainty. System consensus is verified by using the Lyapunov stability theorem, and sufficient conditions for cooperative uniform ultimately boundedness (CUUB) are also derived. Two simulation examples demonstrate the effectiveness of the proposed method for both homogeneous and heterogeneous MASs.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2021, 31, 4; 635--645
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-13 z 13

      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