Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Identifikace nelineárních negaussovských systémů neuronovými sítěmi

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F05%3A00000357" target="_blank" >RIV/49777513:23520/05:00000357 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Identification of nonlinear non-gaussian systems by neural networks

  • Popis výsledku v původním jazyce

    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 determineconditional 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 tosequential Monte Carlo methods. The considered training approach is demonstrated by an illustration example.

  • Název v anglickém jazyce

    Identification of nonlinear non-gaussian systems by neural networks

  • Popis výsledku anglicky

    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 determineconditional 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 tosequential Monte Carlo methods. The considered training approach is demonstrated by an illustration example.

Klasifikace

  • Druh

    C - Kapitola v odborné knize

  • CEP obor

    BC - Teorie a systémy řízení

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2005

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název knihy nebo sborníku

    Nonlinear control systems 2004

  • ISBN

    0-08-044303-6

  • Počet stran výsledku

    6

  • Strana od-do

    1307-1312

  • Počet stran knihy

  • Název nakladatele

    Elsevier

  • Místo vydání

    Oxford

  • Kód UT WoS kapitoly