Sequential optimal experiment design for neural networks using multiple linearization

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F10%3A00503729" target="_blank" >RIV/49777513:23520/10:00503729 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—

Jazyk výsledku
angličtina
Název v původním jazyce
Sequential optimal experiment design for neural networks using multiple linearization
Popis výsledku v původním jazyce
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 thancurrently used procedures based on prameter point estimates only. The conditional probability density function of parameters is approximated by a sum of normal distributions.
Název v anglickém jazyce
Sequential optimal experiment design for neural networks using multiple linearization
Popis výsledku anglicky
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 thancurrently used procedures based on prameter point estimates only. The conditional probability density function of parameters is approximated by a sum of normal distributions.

Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
BC - Teorie a systémy řízení
OECD FORD obor
—

Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
S - Specificky vyzkum na vysokych skolach

Rok uplatnění
2010
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)