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”

Active fault detection for neural network based control of non-linear stochastic systems

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F09%3A43898283" target="_blank" >RIV/49777513:23520/09:43898283 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.3182/20090630-4-ES-2003.00021" target="_blank" >http://dx.doi.org/10.3182/20090630-4-ES-2003.00021</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3182/20090630-4-ES-2003.00021" target="_blank" >10.3182/20090630-4-ES-2003.00021</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Active fault detection for neural network based control of non-linear stochastic systems

  • Popis výsledku v původním jazyce

    This paper deals with design of active fault detection of non-linear stochastic systems. As general solution of the problem is extremely difficult, a special case of active detector design for a given set of controllers for jump Markov non-linear Gaussian models is considered. The optimal active detector for a given set of controllers is intractable and therefore, the rolling horizon technique will be used to reduce computational costs. The system is modelled using a multi-layer perceptron neural network where structure and unknown parameters are obtained by means of an off-line training process based on the extended Kalman filter estimation method and structure optimization using pruning of the insignificant connections. The proposed active detector is compared with a passive one based on open-loop feedback strategy and the performance is illustrated in an example by simulation and Monte Carlo analysis.

  • Název v anglickém jazyce

    Active fault detection for neural network based control of non-linear stochastic systems

  • Popis výsledku anglicky

    This paper deals with design of active fault detection of non-linear stochastic systems. As general solution of the problem is extremely difficult, a special case of active detector design for a given set of controllers for jump Markov non-linear Gaussian models is considered. The optimal active detector for a given set of controllers is intractable and therefore, the rolling horizon technique will be used to reduce computational costs. The system is modelled using a multi-layer perceptron neural network where structure and unknown parameters are obtained by means of an off-line training process based on the extended Kalman filter estimation method and structure optimization using pruning of the insignificant connections. The proposed active detector is compared with a passive one based on open-loop feedback strategy and the performance is illustrated in an example by simulation and Monte Carlo analysis.

Klasifikace

  • Druh

    J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

  • CEP obor

    BC - Teorie a systémy řízení

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2009

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    IFAC-PapersOnline

  • ISSN

    1474-6670

  • e-ISSN

  • Svazek periodika

    Neuveden

  • Číslo periodika v rámci svazku

    1

  • Stát vydavatele periodika

    ES - Španělské království

  • Počet stran výsledku

    6

  • Strana od-do

    125-130

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus