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”

Umělé neuronové sítě v predikci a prediktivním řízení

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28110%2F08%3A63507420" target="_blank" >RIV/70883521:28110/08:63507420 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Artificial Neural Networks in Prediction and Predictive Control

  • Popis výsledku v původním jazyce

    In this contribution the three various artificial neural networks are tested on CATS prediction benchmark. The results are compared and evaluated. Furthermore, these artificial neural networks are tested in model predictive control on the t-variant system. The aim of this paper is to present and compare artificial neural networks as interesting way how to model and predict nonlinear systems even with t-variant parameters. The key features of this paper are emphasis of the computational costs of the selected predictors and usage of adaptive linear network which offers short learning times and remarkable prediction error.

  • Název v anglickém jazyce

    Artificial Neural Networks in Prediction and Predictive Control

  • Popis výsledku anglicky

    In this contribution the three various artificial neural networks are tested on CATS prediction benchmark. The results are compared and evaluated. Furthermore, these artificial neural networks are tested in model predictive control on the t-variant system. The aim of this paper is to present and compare artificial neural networks as interesting way how to model and predict nonlinear systems even with t-variant parameters. The key features of this paper are emphasis of the computational costs of the selected predictors and usage of adaptive linear network which offers short learning times and remarkable prediction error.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    BC - Teorie a systémy řízení

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2008

  • 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 22nd European Conference on Modelling and Simulation ECMS 2008

  • ISBN

    0-9553018-5-8

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

  • Název nakladatele

    European Council of Modelling and Simulation

  • Místo vydání

    Nicosia

  • Místo konání akce

    Nicosia, Kypr

  • Datum konání akce

    3. 6. 2008

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku