Робастная нейроэволюционная идентификация нелинейных нестационарных объектов
Предложено использование нейроэволюционного подхода к построению математических моделей нелинейных нестационарных объектов при наличии негауссовских помех измерений. Рассмотрена общая структура эволюционной нейросети прямого распространения. Проведено имитационное моделирование различных случаев нес...
Gespeichert in:
| Veröffentlicht in: | Кибернетика и системный анализ |
|---|---|
| Datum: | 2014 |
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2014
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/115731 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Робастная нейроэволюционная идентификация нелинейных нестационарных объектов / О.Г. Руденко, А.А. Бессонов // Кибернетика и системный анализ. — 2014. — Т. 50, № 1. — С. 21-36. — Бібліогр.: 51 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| Zusammenfassung: | Предложено использование нейроэволюционного подхода к построению математических моделей нелинейных нестационарных объектов при наличии негауссовских помех измерений. Рассмотрена общая структура эволюционной нейросети прямого распространения. Проведено имитационное моделирование различных случаев нестационарности, подтвердившее эффективность развиваемого подхода.
Запропоновано використання нейроеволюційного підходу до побудови математичних моделей нелінійних нестаціонарних об’єктів за наявності негаусівських завад вимірювань. Розглянуто загальну структуру еволюційної нейромережі прямого розповсюдження. Проведено моделювання різних випадків нестаціонарності, яке підтвердило ефективність підходу, що розвивається.
The neuroevolutionary approach is proposed to construct the mathematical models of nonlinear nonstationary objects in the presence of non-Gaussian noise. The general structure of an evolutionary feed-forward neural network is considered. The modeling of the proposed approach for various cases of nonstationarity is carried out, which proved the efficiency of the approach.
|
|---|