Hybridized GA-optimization of Neural Dynamic Model for Nonlinear Process
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F12%3A00198066" target="_blank" >RIV/68407700:21220/12:00198066 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/CarpathianCC.2012.6228644" target="_blank" >http://dx.doi.org/10.1109/CarpathianCC.2012.6228644</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/CarpathianCC.2012.6228644" target="_blank" >10.1109/CarpathianCC.2012.6228644</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Hybridized GA-optimization of Neural Dynamic Model for Nonlinear Process
Popis výsledku v původním jazyce
Neural networks as universal approximators possess capability to model complex nonlinear phenomena. However, when almost nothing is known about the modeled dynamic process it is difficult to determine important parameters like the number of neurons or the size of regressor vector (dynamic order). In order to avoid suboptimal settings for a dynamic model using trial-and-error method, genetic algorithm is used for optimizing the neural dynamic model. To improve the results even more, the genetic optimization is hybridized with a local optimizer in the form of Levenberg-Marquardt algorithm commonly used for neural network training. Here a neural model of biomass-fired boiler emissions is considered, which is eventually intended for predictive control. Series-parallel NARX model is used with two hidden layer neural network and tansigmoid transfer functions. The simpler neural model structure will be computationally less expensive what is important for online predictive control. The results
Název v anglickém jazyce
Hybridized GA-optimization of Neural Dynamic Model for Nonlinear Process
Popis výsledku anglicky
Neural networks as universal approximators possess capability to model complex nonlinear phenomena. However, when almost nothing is known about the modeled dynamic process it is difficult to determine important parameters like the number of neurons or the size of regressor vector (dynamic order). In order to avoid suboptimal settings for a dynamic model using trial-and-error method, genetic algorithm is used for optimizing the neural dynamic model. To improve the results even more, the genetic optimization is hybridized with a local optimizer in the form of Levenberg-Marquardt algorithm commonly used for neural network training. Here a neural model of biomass-fired boiler emissions is considered, which is eventually intended for predictive control. Series-parallel NARX model is used with two hidden layer neural network and tansigmoid transfer functions. The simpler neural model structure will be computationally less expensive what is important for online predictive control. The results
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JB - Senzory, čidla, měření a regulace
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 statě ve sborníku
Proceedings of the 13th International Carpathian Control Conference
ISBN
978-1-4577-1866-3
ISSN
—
e-ISSN
—
Počet stran výsledku
6
Strana od-do
227-232
Název nakladatele
Technical University of Košice
Místo vydání
Košice
Místo konání akce
Podbánské
Datum konání akce
28. 5. 2012
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—