Optimality of the higher-order neuron unit approximators with omitted inputs for adaptive control of dynamical systems

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F24%3A00379215" target="_blank" >RIV/68407700:21220/24:00379215 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—

Jazyk výsledku
angličtina
Název v původním jazyce
Optimality of the higher-order neuron unit approximators with omitted inputs for adaptive control of dynamical systems
Popis výsledku v původním jazyce
This paper evaluates the performance of Higher Order Neuron Unit (HONU) with omitted inputs-based approximators for dynamical systems, focusing on Quadratic Neuron Units (QNUs) and Cubic Neuron Units (CNUs). Despite the reduced feature vector, HONU-based models demonstrate robust approximation capabilities. The optimality, stability, and convergence of the QNU and CNU-based approximators are analyzed and compared. These findings highlight the potential of HONUs for data-driven dynamical system modeling in adaptive control applications.
Název v anglickém jazyce
Optimality of the higher-order neuron unit approximators with omitted inputs for adaptive control of dynamical systems
Popis výsledku anglicky
This paper evaluates the performance of Higher Order Neuron Unit (HONU) with omitted inputs-based approximators for dynamical systems, focusing on Quadratic Neuron Units (QNUs) and Cubic Neuron Units (CNUs). Despite the reduced feature vector, HONU-based models demonstrate robust approximation capabilities. The optimality, stability, and convergence of the QNU and CNU-based approximators are analyzed and compared. These findings highlight the potential of HONUs for data-driven dynamical system modeling in adaptive control applications.

Rok uplatnění
2024
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)