Přejít k obsahu


Sequential optimal experiment design for neural networks using multiple linearization

Citace: [] HERING, P., ŠIMANDL, M. Sequential optimal experiment design for neural networks using multiple linearization. Neurocomputing, 2010, roč. 73, č. 16-18, s. 3284-3290. ISSN: 0925-2312
Druh: ČLÁNEK
Jazyk publikace: eng
Anglický název: Sequential optimal experiment design for neural networks using multiple linearization
Rok vydání: 2010
Místo konání: Amsterdam
Název zdroje: Elsevier
Autoři: Ing. Pavel Hering Ph.D. , Prof. Ing. Miroslav Šimandl CSc.
Abstrakt CZ: Článek se věnuje návrhu optimálního vstupního signálu pro úlohu identifikace nelineárních systémů užitím perceptronové sítě. Oproti stávajícím postupům využívajícím bodových odhadů hodnot parametrů, je návrh založen na využití odhadu hustoty pravděpodobnosti parametrů sítě, která je aproximována směsí normálních rozložení.
Abstrakt EN: Design of an optimal input signal in system identification using multi-layer perceptron network is treated. It is shown that utilizing the conditional probability density function of parameters for design of the input signal provides better results than currently used procedures based on prameter point estimates only. The conditional probability density function of parameters is approximated by a sum of normal distributions.
Klíčová slova

Zpět

Patička