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”

Fundamentals of Higher Order Neural Networks for Modeling and Simulation

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F12%3A00196111" target="_blank" >RIV/68407700:21220/12:00196111 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://www.igi-global.com/chapter/fundamentals-higher-order-neural-networks/71797" target="_blank" >http://www.igi-global.com/chapter/fundamentals-higher-order-neural-networks/71797</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.4018/978-1-4666-2175-6.ch006" target="_blank" >10.4018/978-1-4666-2175-6.ch006</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Fundamentals of Higher Order Neural Networks for Modeling and Simulation

  • Popis výsledku v původním jazyce

    In this chapter, we provide fundamental principles of higher order neural units (HONUs) and higher order neural networks (HONNs) for modeling and simulation. An essential core of HONNs can be found in higher order weighted combinations or correlations between the input variables and HONU. Except the high quality of nonlinear approximation of static HONUs, the capability of dynamic HONUs for modeling of dynamic systems is shown and compared to conventional recurrent neural networks when a practical learning algorithm is used. Also, the potential of continuous dynamic HONUs to approximate high dynamic-order systems is discussed as adaptable time delays can be implemented. By using some typical examples, this chapter describes how and why higher order combinations or correlations can be effective for modeling of systems.

  • Název v anglickém jazyce

    Fundamentals of Higher Order Neural Networks for Modeling and Simulation

  • Popis výsledku anglicky

    In this chapter, we provide fundamental principles of higher order neural units (HONUs) and higher order neural networks (HONNs) for modeling and simulation. An essential core of HONNs can be found in higher order weighted combinations or correlations between the input variables and HONU. Except the high quality of nonlinear approximation of static HONUs, the capability of dynamic HONUs for modeling of dynamic systems is shown and compared to conventional recurrent neural networks when a practical learning algorithm is used. Also, the potential of continuous dynamic HONUs to approximate high dynamic-order systems is discussed as adaptable time delays can be implemented. By using some typical examples, this chapter describes how and why higher order combinations or correlations can be effective for modeling of systems.

Klasifikace

  • Druh

    C - Kapitola v odborné knize

  • CEP obor

    BC - Teorie a systémy řízení

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2012

  • 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

    Artificial Higher Order Neural Networks for Modeling and Simulation

  • ISBN

    978-1-4666-2175-6

  • Počet stran výsledku

    31

  • Strana od-do

    103-133

  • Počet stran knihy

    454

  • Název nakladatele

    IGI Global

  • Místo vydání

    Hershey, Pennsylvania

  • Kód UT WoS kapitoly