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
Result code in IS VaVaI
Result on the web
—
DOI - Digital Object Identifier
—
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
Project
Continuities
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
S - Specificky vyzkum na vysokych skolach
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)
CEP
BC - Theory and management systems
Year of implementation
2010