Wyniki wyszukiwania - BazTech

1

Implementacja nieliniowego obserwatora neuronowego dla napędu elektrycznego o złożonej części mechanicznej

Kamiński Marcin

Przegląd Elektrotechniczny

|

2019

|

R. 95, nr 11

208--214

PL

Przedmiotem analizy, opisanej w niniejszym artykule, jest zmodyfikowany obserwator zmiennych stanu. W modelu wprowadzono dodatkowy element – sieć neuronową, której parametry optymalizowano w trybie on-line. Zadaniem struktury neuronowej jest identyfikacja składowych równań obserwatora, odpowiadających za nieliniowe zjawiska w części mechanicznej napędu. Rezultaty badań (symulacyjnych oraz eksperymentalnych) wykazują skuteczność kompensacji oddziaływania elementów nieliniowych napędu.

EN

The subject of analysis, described in this paper, is modified state variables observer. Algorithm contains additional element – neural network with internal weights optimized in on-line mode. The task for neural model is identification of the components (related to nonlinear phenomena in the mechanical part of the drive) used in equations of the observer. The results of tests (simulation and experimental) show effective compensation of the nonlinear elements impact.

2

Adapting differential evolution algorithms for continuous optimization via greedy adjustment of control parameters

Leon M., Xiong N.

Journal of Artificial Intelligence and Soft Computing Research

|

2016

|

Vol. 6, No. 2

103--118

EN

Differential evolution (DE) presents a class of evolutionary and meta-heuristic techniques that have been applied successfully to solve many real-world problems. However, the performance of DE is significantly influenced by its control parameters such as scaling factor and crossover probability. This paper proposes a new adaptive DE algorithm by greedy adjustment of the control parameters during the running of DE. The basic idea is to perform greedy search for better parameter assignments in successive learning periods in the whole evolutionary process. Within each learning period, the current parameter assignment and its neighboring assignments are tested (used) in a number of times to acquire a reliable assessment of their suitability in the stochastic environment with DE operations. Subsequently the current assignment is updated with the best candidate identified from the neighborhood and the search then moves on to the next learning period. This greedy parameter adjustment method has been incorporated into basic DE, leading to a new DE algorithm termed as Greedy Adaptive Differential Evolution (GADE). GADE has been tested on 25 benchmark functions in comparison with five other DE variants. The results of evaluation demonstrate that GADE is strongly competitive: it obtained the best rank among the counterparts in terms of the summation of relative errors across the benchmark functions with a high dimensionality.

3

Analiza wybranych algorytmów uczenia w relacyjnej rozmytej mapie kognitywnej

Słoń G.

TTS Technika Transportu Szynowego

|

2012

|

R. 19, nr 9

1741--1751, CD

PL

Relacyjna rozmyta mapa kognitywna jest pewnym modelem matematycznym wykorzystującym metody inteligencji obliczeniowej, który może być stosowany do modelowania złożonych systemów charakteryzujących się nieprecyzyjnością. Kluczowym problemem w tego rodzaju zagadnieniach jest adaptacja parametrów (uczenie) modelu w sposób, dzięki któremu jego praca będzie jak najdokładniej odwzorowywać zachowanie rzeczywistego obiektu. W artykule przedstawiono podstawowe informacje dotyczące problematyki uczenia modelu relacyjnej rozmytej mapy kognitywnej oraz efekty stosowania różnych podejść do uczenia w zależności od celów modelowania.

EN

Relational fuzzy cognitive map is a certain mathematical model which uses some methods of the computational intelligence and can be used to model complex systems characterized by imprecision. A key problem in this kind of issues is an adaptation of parameters of the model (learning) in the way in which his work will imitate as closely as possible the behavior of a real object. The article presents basic information about problems of the model of fuzzy relational cognitive map learning and the effects of different approaches to the learning in dependence on the modeling purposes.