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”

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