Identyfikacja rekurencyjnych modeli neuronowych typu RBF

• Autorzy: Ławryńczuk M.

Warianty tytułu

EN

Identification of recurrent RBF neural models

• Konferencja: Konferencja Naukowo-Techniczna Automatyzacja - Nowości i Perspektywy (12 ; 2-4.04.2008 ; Warszawa, Polska)
• Języki publikacji: PL

Abstrakty

PL

W pracy omówiono algorytm identyfikacji (uczenia) rekurencyjnych sieci neuronowych typu RBF (ang. Radial Basis Function), które mogą być zastosowanie w modelowaniu nieliniowych procesów dynamicznych. W porównaniu z powszechnie stosowanym klasycznym algorytmem wstecznej propagacji błędów, który prowadzi do wyznaczenia modeli służących do predykcji jednokrokowej, proponowany algorytm umożliwia identyfikację predyktorów wielokrokowych. Przedstawiony algorytm wykorzystano do modelowania reaktora chemicznego.

EN

This paper details an identification (training) algorithm of RBF (Radial Basis Function) recurrent neural networks which can be used for modelling nonlinear dynamic processes. In comparison with the widely used classical backpropagation algorithm, which leads to one-step ahead predictors, the described one results in many-steps ahead predictors. The algorithm is used for modelling a chemical reactor.

Słowa kluczowe

PL

RBF; algorytm identyfikacji; rekurencyjne sieci neuronowe

EN

RBF; identification algorithm; recurrent neural network

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów PIAP
• Czasopismo: Pomiary Automatyka Robotyka
• Rocznik: 2008
• Tom: R. 12, nr 2
• Strony: 558--570
• Opis fizyczny: CD, Bibliogr. 23 poz., rys., tab., wzory

Twórcy

autor

Ławryńczuk M.

• Instytut Automatyki i Informatyki Stosowanej Politechnika Warszawska

Bibliografia

• [1] M. S. Bazaraa, J. Sherali, K. Shetty (1993): Nonlinear programming: theory and algorithms. John Wiley & Sons.
• [2] C. M. Bishop (1995): Neural networks for pattern recognition. Oxford University Press.
• [3] P. Gill, W. Murray, M. Wright (1981): Practical optimization. Academic Press.
• [4] S. Haykin (1999): Neural networks – a comprehensive foundation. Prentice Hall.
• [5] M. A. Henson, D. E. Seborg (1991): An internal model control strategy fornonlinear systems. AIChE Journal, tom 37, nr 7, s. 1065-1081.
• [6] K. Hornik, M. Stinchcombe, H. White (1989): Multilayer feedforward networks are universal approximators. Neural networks, tom 2, s. 359–366.
• [7] M. A. Hussain (1999): Review of the applications of neural networks in chemical process control – simulation and online implementation. Artificial Intelligence in Engineering, tom 13, s. 55-68.
• [8] J. Korbicz (red.) (2002): Diagnostyka procesów: modele, metody sztucznej inteligencji, zastosowanie. WNT.
• [9] J. M. Kościelny (2001): Diagnostyka zautomatyzowanych procesów przemysłowych. EXIT.
• [10] M. Ławryńczuk (2007): A family of model predictive control algorithms with artificial neural networks. International Journal of Applied Mathematics and Computer Science, tom 17, nr 2, s. 217-232.
• [11] M. Ławryńczuk, P. Tatjewski: A computationally efficient nonlinear predictive control algorithm with RBF neural models and its application. Lecture Notes in Artificial Intelligence, vol. 4585, Springer: The International Conference Rough Sets and Emerging Intelligent Systems Paradigms, RSEISP 2007, Warszawa, Poland, 2007, pp. 603-612.
• [12] M. Ławryńczuk (2007): Rekurencyjne sieci neuronowe w modelowaniu nieliniowych procesów dynamicznych. Pomiary Automatyka Robotyka, nr 2, CD-ROM: Konferencja Automation 2007.
• [13] M. Ławryńczuk, P. Tatjewski (2006): An efficient nonlinear predictive control algorithm with neural models and its application to a high-purity distillation process. Lecture notes in Artificial Intelligence, tom 4029, Springer: The Eighth International Conference on Artificial Intelligence and Soft Computing ICAISC 2006, Zakopane, s. 76-85.
• [14] M. Ławryńczuk (2000): Wykorzystanie sieci neuronowych do modelowania silnie nieliniowych procesów. Automation 2000, Warszawa, s. 293-300.
• [15] J. M. Maciejowski (2002): Predictive control with constraints. Prentice Hall, Harlow.
• [16] M. Nřrgaard, O. Ravn, N. K. Poulsen, L. K. Hansen (2000): Neural networks for modelling and control of dynamic systems. Springer.
• [17] S. Osowski (1996): Sieci neuronowe w ujęciu algorytmicznym. WNT.
• [18] S. Piche, B. Sayyar-Rodsari, D. Johnson, M. Gerules (2000): Nonlinear model predictive control using neural networks. IEEE Control Systems Magazine, tom 20, nr 3, s. 56-62.
• [19] M. Pottmann, D. E. Seborg (1997): A nonlinear predictive control strategy based on radial basis function networks. Computers and Chemical Engineering, tom 21, nr 9, s. 965-980.
• [20] B. D. Ripley (1996): Pattern recognition and neural networks. Cambridge University Press.
• [21] J. A. Rossiter (2003): Model-based predictive control. CRC Press, Boca Raton.
• [22] P. Tatjewski (2007): Advanced control of industrial processes. Structures and algorithms. Springer.
• [23] P. Tatjewski, M. Ławryńczuk (2006): Soft computing in model-based predictive control. International Journal of Applied Mathematics and Computer Science, tom 16, nr 1, s. 101-120.