RBF neural networks for function approximation in dynamic modelling

• Autorzy: Nedbalek J.

Warianty tytułu

PL

Sieci neuronowe radialnej funkcji bazowej (RBF) dla aproksymacji funkcji w modelowaniu dynamicznym

• Języki publikacji: EN

Abstrakty

EN

The paper demonstrates the comparison of Monte Carlo simulation algorithm with neural network enhancement in the reliability case study. With regard to process dynamics, we attempt to evaluate the tank system unreliability related to the initiative input parameters setting. The neural network is used in equation coefficients calculation, which is executed in each transient state. Due to the neural networks, for some of the initial component settings we can achieve the results of computation faster than in classical way of coefficients calculating and substituting into the equation.

PL

W artykule przedstawiono porównanie algorytmu symulacyjnego wykorzystującego metodę Monte Carlo względem rozszerzenia sieci neuronowych na przypadek badania niezawodności obiektów. W odniesieniu do dynamiki procesu, podjęliśmy próbę oceny niepewności (zawodności) układu zbiornika w zależności od początkowych ustawień parametrów wejściowych. Do wyznaczenia współczynników równań wykorzystywane są sieci neuronowe, a proces obliczeniowy jest wykonywany dla każdego stanu przejściowego (nieustalonego). Dzięki zastosowaniu sieci neuronowych, dla pewnych ustawień wartości początkowych jesteśmy w stanie otrzymać wyniki obliczeń szybciej, niż w przypadku zastosowania klasycznej metody wyliczenia współczynników i podstawienia ich do równania wyjściowego.

Słowa kluczowe

EN

Monte Carlo; radial basis function (RBF)

PL

niezawodność; metoda Monte Carlo; Radialna Funkcja Bazowa (RBF)

• Wydawca: Wydawnictwo Instytutu Technicznego Wojsk Lotniczych
• Czasopismo: Journal of KONBiN
• Rocznik: 2008
• Tom: No. 5 (8)
• Strony: 223--232
• Opis fizyczny: Bibliogr. 6 poz.

Twórcy

autor

Nedbalek J.

• VŠB - Technical University, 17. Listopadu, 708 33, Ostrava, Czech Republic

Bibliografia

• 1. Chen S., Cowan C.F.N. and Grant P.M.: Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks. IEEE Transactions on Neural Networks, vol. 2, no. 2, March 1991, 302-309 s.
• 2. Nedbálek J.: The Temperature Stability of Liquid in the Tank. Risk, Quality and Reliability, Ostrava, 2007, 131-133 s. ISBN 978-80-248-1575-6.
• 3. Pasquet S., Chatalet E., Padovani E., Zio E.: Use of Neural Networks to evaluate the RAMS‘ parameters of dynamic systems, Université de Technologie de Troyes France, Polytechnic of Milan Italy, 1998
• 4. Pasquet S., Chatalet E., Thomas P. and Dutuit Y.: Analysis of a Sequential, Non-Coherent and Looped System with Two Approaches: Petri Nets and Neural Networks. Proceeedings of International cenference on safety and reliability, ESREL'97, Lisabon, Portugal, 1997, 2257-2264 s.
• 5. Virius M.: Základy výpočetní techniky (Metoda Monte Carlo), ČVUT, Praha, 1985
• 6. Yee, Paul V. and Haykin S.: Regularized Radial Basis Function Networks: Theory and Applications, John Wiley, 2001