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
—