Vše
Vše

Co hledáte?

Vše
Projekty
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”

Adaptive Prediction of Transitions between Local Attractors of Lorenz's System

Identifikátory výsledku

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Adaptive Prediction of Transitions between Local Attractors of Lorenz's System

  • Popis výsledku v původním jazyce

    The paper demonstrates an adaptive prediction of trajectory transitions between local attractors of deterministic chaotic systems using low-dimensional dynamic quadratic neural unit with periodically forced neural inputs. The forthcoming transitions of higher dimensional chaotic systems are predicted by a low dimensional discrete dynamic neural unit implemented as a special adaptive forced oscillator. The real-time sample-by-sample evaluation of complex system behavior is based on monitoring of parameters of an adaptive model during its adaptation. The behavior of chaotic systems in the state-space is adaptively transformed to system behavior in an approximated parameter-space using special higher order nonlinear neural unit forced with periodical inputs. Added forcing inputs allow a low dimensional dynamic neural unit to better approximate higher dimensional behavior; the forcing neural inputs are configured upon analysis of frequency spectra of the evaluated time series.

  • Název v anglickém jazyce

    Adaptive Prediction of Transitions between Local Attractors of Lorenz's System

  • Popis výsledku anglicky

    The paper demonstrates an adaptive prediction of trajectory transitions between local attractors of deterministic chaotic systems using low-dimensional dynamic quadratic neural unit with periodically forced neural inputs. The forthcoming transitions of higher dimensional chaotic systems are predicted by a low dimensional discrete dynamic neural unit implemented as a special adaptive forced oscillator. The real-time sample-by-sample evaluation of complex system behavior is based on monitoring of parameters of an adaptive model during its adaptation. The behavior of chaotic systems in the state-space is adaptively transformed to system behavior in an approximated parameter-space using special higher order nonlinear neural unit forced with periodical inputs. Added forcing inputs allow a low dimensional dynamic neural unit to better approximate higher dimensional behavior; the forcing neural inputs are configured upon analysis of frequency spectra of the evaluated time series.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Ostatní

  • Rok uplatnění

    2008

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Nové metody a postupy v oblasti přístrojové techniky, automatického řízení a informatiky

  • ISBN

    978-80-01-04765-1

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

  • Název nakladatele

    České vysoké učení technické v Praze

  • Místo vydání

    Praha

  • Místo konání akce

    želiv

  • Datum konání akce

    1. 6. 2008

  • Typ akce podle státní příslušnosti

    CST - Celostátní akce

  • Kód UT WoS článku