Quadratic Neural Unit and its Network in Validation of Process Data of Steam Turbine Loop and Energetic Boiler

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F10%3A00170332" target="_blank" >RIV/68407700:21220/10:00170332 - isvavai.cz</a>

Výsledek na webu

<a href="http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5596614" target="_blank" >http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=5596614</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/IJCNN.2010.5596614" target="_blank" >10.1109/IJCNN.2010.5596614</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Quadratic Neural Unit and its Network in Validation of Process Data of Steam Turbine Loop and Energetic Boiler

Popis výsledku v původním jazyce

The paper discusses results and advantages of the application of quadratic neural units and novel quadratic neural network to modeling of real data for purposes of validation of measured data in energetic processes. A feed-forward network of quadratic neural units (a class of higher order neural network) with sequential learning is presented. This quadratic network with this learning technique reduces computational time for models with large number of inputs, sustains optimization convexity of a quadratic model, and also displays sufficient non-linear approximation capability for the real process. A comparison of performances of the quadratic neural units, quadratic neural networks, and the use of common multilayer feed-forward neural networks all trained by Levenberg-Marquardt algorithm is discussed.

Název v anglickém jazyce

Quadratic Neural Unit and its Network in Validation of Process Data of Steam Turbine Loop and Energetic Boiler

Popis výsledku anglicky

The paper discusses results and advantages of the application of quadratic neural units and novel quadratic neural network to modeling of real data for purposes of validation of measured data in energetic processes. A feed-forward network of quadratic neural units (a class of higher order neural network) with sequential learning is presented. This quadratic network with this learning technique reduces computational time for models with large number of inputs, sustains optimization convexity of a quadratic model, and also displays sufficient non-linear approximation capability for the real process. A comparison of performances of the quadratic neural units, quadratic neural networks, and the use of common multilayer feed-forward neural networks all trained by Levenberg-Marquardt algorithm is discussed.

Druh

D - Stať ve sborníku

CEP obor

BC - Teorie a systémy řízení

OECD FORD obor

—

Projekt

<a href="/cs/project/2B06023" target="_blank" >2B06023: Vývoj metody stanovení toků energie a látek ve vybraných ekosystémech, návrh a ověření principů hodnocení hospodářských zásahů pro zajištění podmínek autoregulace a rozvoje biodiverzity</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2010

Kód důvěrnosti údajů

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

Název statě ve sborníku

2010 IEEE World Congress on Computational Inteligence/ International Joint Conference on Neural Networks 2010

ISBN

978-1-4244-6917-8

ISSN

1098-7576

e-ISSN

—

Počet stran výsledku

7

Strana od-do

3391-3397

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Barcelona

Datum konání akce

18. 7. 2010

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000287421403081