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 "sieć lokalnie rekurencyjna" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Local stability conditions for discrete-time cascade locally recurrent neural networks
    Autorzy:
    Patan, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/907772.pdf
    Data publikacji:
    2010
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    sieć lokalnie rekurencyjna
    stabilność
    stabilizacja
    uczenie się
    optymalizacja ograniczona
    locally recurrent neural network
    stability
    stabilization
    learning
    constrained optimization
    Opis:
    The paper deals with a specific kind of discrete-time recurrent neural network designed with dynamic neuron models. Dynamics are reproduced within each single neuron, hence the network considered is a locally recurrent globally feedforward. A crucial problem with neural networks of the dynamic type is stability as well as stabilization in learning problems. The paper formulates local stability conditions for the analysed class of neural networks using Lyapunov's first method. Moreover, a stabilization problem is defined and solved as a constrained optimization task. In order to tackle this problem, a gradient projection method is adopted. The efficiency and usefulness of the proposed approach are justified by using a number of experiments.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2010, 20, 1; 23-34
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Fault detection and isolation for dynamic processes using recurrent neural networks
    Detekcja i lokalizacja uszkodzeń procesów dynamicznych z użyciem sieci rekurencyjnych
    Autorzy:
    Przystałka, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/329218.pdf
    Data publikacji:
    2009
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    detekcja uszkodzeń
    lokalizacja uszkodzeń
    sieć Jordana i Elmana
    sieć lokalnie rekurencyjna
    teoria chaosu
    fault detection
    fault isolation
    Jordan and Elman neural networks
    locally recurrent neural networks
    chaos theory
    Opis:
    The paper focuses on the problem of fault detection and isolation for dynamic processes using selected recurrent neural networks. The main objective is to show how to employ some discoveries of the chaos theory for modeling processes by means of globally and locally recurrent neural networks. Both types of neural models are used in fault detection and isolation block. The performance of the FDI system is examined using two types of neural models: Jordan/Elman tower neural networks and networks with dynamic neural units. The paper contains numerical examples that illustrate the merits and limits of these two approaches.
    Treść artykuł wiąże się z problemem detekcji i lokalizacji uszkodzeń dla szerokiej gamy procesów dynamicznych z użyciem wybranych rekurencyjnych sieci neuronowych. Głównym celem jest pokazanie w jaki sposób mogą zostać zastosowane niektóre z odkryć teorii chaosu do modelowania procesów z użyciem globalnych i lokalnych struktur neuronowych. Oba typy modeli neuronowych zostały użyte w bloku detekcji i lokalizacji uszkodzeń. Sprawność układu diagnostycznego porównana została dla modeli procesów z zastosowaniem: sieci wielo-kontekstowych Jordana/Elmana i sieci z neuronami dynamicznymi. W artykule zamieszczono przykłady numeryczne wskazujące na zalety i wady obu podejść.
    Źródło:
    Diagnostyka; 2009, 1(49); 33-40
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Heuristic modeling of objects and processes using dynamic neural networks
    Heurystyczne modelowanie obiektów i procesów przy pomocy dynamicznych sieci neuronowych
    Autorzy:
    Przystałka, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/327816.pdf
    Data publikacji:
    2006
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    sztuczna sieć neuronowa
    lokalnie rekurencyjna sieć neuronowa
    systemy dynamiczne
    metoda quasi-Newtonowska
    modelowanie heurystyczne
    artificial neural network
    locally recurrent neural network
    dynamic systems
    quasi-Newton methods
    heuristic modelling
    Opis:
    The methodology of heuristic modeling is one of the subjects included in the activities developed by the Department of Fundamentals of Machinery Design [4, 6]. Among all the approaches of heuristic modeling some of the most common are artificial neural networks. There are many papers and books devoted to applications of neural networks for modeling dynamic systems [1, 2, 4, 5, 6, 7]. In this paper, known approach basing on dynamic neuron model is presented (dynamic neuron with IIR filter in the activation block [2]) but some developments are introduced. Locally recurrent networks which are composed of dynamic neural units described in [2, 5, 7] are able to model behavior of complex dynamic systems. Nevertheless, they have one major disadvantage, that is, neural networks composed of these neurons are not able to represent stochastic behaviors of some objects [4,6]. By introducing the ARMAX (or ARX) system into dynamic neuron model author has received dynamic neuron unit that never behaves in the same way (it brings an artificial neuron closer and closer to the biological model). In this paper the author presents formal description of dynamic neuron unit with ARMAX system in the feedback block. There are also described a general structure of dynamic neural network composed of these neurons, two known training methods and some commonly used quality measures. At the end of the paper three examples of applications are given.
    Metodologia heurystycznego modelowania obiektów i procesów jest jednym z kierunków badań rozwijanym prze Katedrę Podstaw Konstrukcji Maszyn [4, 6]. Spośród wielu metod modelowania heurystycznego duże znaczenie odgrywają metody bazujące na sztucznych sieciach neuronowych. Można wyróżnić wiele ciekawych prac badawczych prowadzonych w kierunku modelowania systemów dynamicznych z zastosowaniem tego typu narzędzia [1, 2, 4, 5, 6, 7]. W artykule zaprezentowano znane podejście bazujące na dynamicznych neuronach (dynamiczny neuron z filtrem IIR w bloku aktywacyjnym [2]) z pewnymi modyfikacjami. Lokalnie rekurencyjne sieci neuronowe złożone z dynamicznych neuronów opisane w [2, 5, 7] nadają się do modelowania zachowania złożonych systemów dynamicznych. Jednakże, posiadają one jedną główną wadę tzn. nie są zdolne do reprezentowania zachowania losowego niektórych obiektów [4, 6]. Poprzez wprowadzenie systemu typu ARMAX (ARX) do modeli dynamicznych neuronów autor otrzymał dynamiczny model neuronu, który nigdy nie zachowują się w ten sam sposób (przybliża to model sztucznego neuronu do jego biologicznego wzoru). W artykule autor prezentuje formalny opis dynamicznego neuronu z systemem typu ARMAX w bloku sprzężenie zwrotnego. Opisuje również ogólną strukturę dynamicznej sieci neuronowej złożonej z tych neuronów, dwa znane algorytmy trenujące oraz powszechnie stosowane miary jakości. Przykładowe zastosowania opisywanych sieci zaprezentowane są w końcowym fragmencie opracowania.
    Źródło:
    Diagnostyka; 2006, 2(38); 31-36
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    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