Wyniki wyszukiwania - Biblioteka Nauki

Ten serwis zostanie wyłączony 2025-02-11.

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Global versus local approximation in inverse problems

100%

Krejsa J. , Věchet S. , Pulchart J.

Elektronika : konstrukcje, technologie, zastosowania

2004

tom Vol. 45, nr 8-9

57-60

The paper compares global end local approximation methods used in inverse problems. Global approximators are represented by feedforward multilayer neural network (FFNN); local approximators are represented by Locally Weighted Regression (LWR) and Receptive Field Weighted Regression (RFWR).

W artykule porównano metody globalnej i lokalnej aproksymacji w zagadnieniach odwrotnych. Aproksymatory globalne reprezentuje wielowarstwowa sieć neuronowa ze sprzężeniem do przodu (FFNN), natomiast aproksymatory lokalne regresja lokalnie ważona (LWR) oraz regresja ważona pola otwartego (RFWR).

Self-learning controller of active magnetic bearing based on CARLA method

100%

Brezina T. , Turek M. , Pulchart J.

Pomiary Automatyka Kontrola

2007

tom R. 53, nr 1

6-9

The active magnetic bearing control through analytically designed linear PD regulator, with parallel nonlinear compensation represented by automatic approximator is described in this contribution. Coefficient (parameter) values come from actions of Continuous Action Reinforcement Learning Automata (CARLAs). Influence of CARLAs parameters to learning is discussed. Parameters influence is proved by simulation study. It is shown that learning improvement can be reached by selecting appropriate parameters of learning.

W artykule przedstawiono sterowanie aktywnego łożyska magnetycznego za pomocą analitycznie dobranego regulatora PD z nieliniową kompensacją równoległą. Współczynniki kompensacji są wyznaczane automatycznie z użyciem metody CARLA (Continuous Action Reinforcement Automata). Zbadano wpływ parametrów metody na proces uczenia się kompensatora w oparciu o eksperymenty symulacyjne. Wykazano, że właściwy dobór parametrów metody prowadzi do poprawienia skuteczności procesu uczenia się.