All
All

What are you looking for?

All
Projects
Organizations

Quick search

  • Projects supported by TA ČR
  • Excellent projects
  • Projects with the highest public support
  • Current projects

Smart search

  • That is how I find a specific +word
  • That is how I leave the -word out of the results
  • “That is how I can find the whole phrase”

Dynamic Backpropagation and Prediction

Result description

The paper introduces matrix derivaion of adaptation of a fundamental clasess of dynamic neural networs and dynamic quadratic neural unit for prediction of time series. Also a linear adaptive model is ntroduced for better comprehension of the presented technique. The results on prediction of nonlinear system and real lung motion time series are shown, and atrractive attributes of quadratic predictive models are discussed. The program code of dynamic quadratic neural unit is shown.

Keywords

backpropagationpredictionneural networkstime seriesquadratic neural unitreal time recurrent learningadaptation

The result's identifiers

Alternative languages

  • Result language

    čeština

  • Original language name

    Dynamický backpropagation a predikce

  • Original language description

    V článku je představeno maticové odvození adaptace dynamických modelů pomocí gradientového učení a techniky zpětného šíření chyby - backpropagation - pro aplikaci predikce časových řad. Jsou odvozeny techniky adaptace diskrétního lineárního prediktivníhomodelu, adaptace dynamického kvadratického neuronu (tj. neuronu s kvadratickou aktivační funkcí) a adaptace jednoduché rekurentní neuronové sítě. Pro demonstraci dobrých konvergenčních vlastností jsou ukázány výsledky predikce nelineárního periodickéhosignálu, chaotické časové řady a také predikce reálných dat, tj. polohy plic při dýchání pacienta. Stručně jsou diskutovány překvapivé výsledky porovnávaných adaptivních architektur a vyplývající závěry pro praktické využití.

  • Czech name

    Dynamický backpropagation a predikce

  • Czech description

    V článku je představeno maticové odvození adaptace dynamických modelů pomocí gradientového učení a techniky zpětného šíření chyby - backpropagation - pro aplikaci predikce časových řad. Jsou odvozeny techniky adaptace diskrétního lineárního prediktivníhomodelu, adaptace dynamického kvadratického neuronu (tj. neuronu s kvadratickou aktivační funkcí) a adaptace jednoduché rekurentní neuronové sítě. Pro demonstraci dobrých konvergenčních vlastností jsou ukázány výsledky predikce nelineárního periodickéhosignálu, chaotické časové řady a také predikce reálných dat, tj. polohy plic při dýchání pacienta. Stručně jsou diskutovány překvapivé výsledky porovnávaných adaptivních architektur a vyplývající závěry pro praktické využití.

Classification

  • Type

    Jx - Unclassified - Peer-reviewed scientific article (Jimp, Jsc and Jost)

  • CEP classification

    BC - Theory and management systems

  • OECD FORD branch

Result continuities

Others

  • Publication year

    2010

  • Confidentiality

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Data specific for result type

  • Name of the periodical

    Automatizace

  • ISSN

    0005-125X

  • e-ISSN

  • Volume of the periodical

    53

  • Issue of the periodical within the volume

    1-2

  • Country of publishing house

    CZ - CZECH REPUBLIC

  • Number of pages

    6

  • Pages from-to

  • UT code for WoS article

  • EID of the result in the Scopus database

Basic information

Result type

Jx - Unclassified - Peer-reviewed scientific article (Jimp, Jsc and Jost)

Jx

CEP

BC - Theory and management systems

Year of implementation

2010