Přejít k obsahu


Identification of nonlinear non-gaussian systems by neural networks

Citace: [] ŠIMANDL, M., HERING, P., KRÁL, L. Identification of nonlinear non-gaussian systems by neural networks. In Nonlinear control systems 2004. Oxford : Elsevier , 2005, s. 1307-1312. ISBN: 0-08-044303-6
Druh: KAPITOLA V KNIZE
Jazyk publikace: eng
Anglický název: Identification of nonlinear non-gaussian systems by neural networks
Rok vydání: 2005
Místo konání: Oxford
Název zdroje: Elsevier
Autoři: Miroslav Šimandl , Pavel Hering , Ladislav Král
Abstrakt CZ: Článek je zaměřen na problém aplikace neuronových sítí v identifikaci nelineárních negaussovských systémů. Důraz je kladen na odhad parametrů neuronové sítě, které jsou trénovány využitím metody Gaussovských směsí, což je jedna z globálních filtračních metod, které umožňují určit pravděpodobnostní hustotní funkci vah sítě. Navržený postup odhadu parametrů (vah) sítě založeý na metodě Gaussovských směsí překonává obvykle používané metody chyby predikce a představuje zajímavou alternativu k sekvenčním metodám Monte Carlo. Navržený přístup trénování je demonstrován v ilustračním příkladě.
Abstrakt EN: Application of neural networks in identification of nonlinear non-Gaussian systems is treated. Stress is laid on a parameter estimation of the networks. They are trained by the Gaussian sum method which is a global filtering method allowing to determine conditional probability density functions of network weights. Proposed approach to estimation of network weights (parameters) based on Gaussian sum filtering method overcomes commonly used prediction error methods and it is an interesting alternative to sequential Monte Carlo methods. The considered training approach is demonstrated by an illustration example.
Klíčová slova

Zpět

Patička