Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Neural Computing and Applications
Erschienen in: Neural Computing and Applications 3/2005

01.09.2005 | Original Article

Adaptation of diagonal recurrent neural network model

verfasst von: D. L. Yu, T. K. Chang

Erschienen in: Neural Computing and Applications | Ausgabe 3/2005

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

An adaptive direct recurrent neural network model is developed for nonlinear dynamic system modelling in this paper. The model adaptation is achieved with the extended Kalman filter (EKF). A novel recursive algorithm is proposed to calculate the Jacobian matrix in the model adaptation so that the algorithm is simple and converges fast. The effectiveness of the developed adaptive model is demonstrated by applying to modelling a simulated continuous stirred tank reactor (CSTR). The model converges to the new process dynamics very quickly after a constant disturbance is added, and therefore can be used as an adaptive model in the adaptive model predictive control or internal model control for time-varying systems or fault tolerant control of nonlinear systems.
Vorheriger Artikel Soft computing in engineering design: a hybrid dual cross-mapping neural network model
Nächster Artikel Predicting the type of pregnancy using artificial neural networks and multinomial logistic regression: a comparison study

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Almeida LB (1989) Backpropagation in non-feedforward networks. In: Aleksander (ed) Neural computing architectures. MIT Press, Cambridge, pp 75–91
2.
Elman JL (1991) Distributed representations, simple recurrent networks, and grammatical structure. Machine Learn 7(2–3):195–225
3.
Hopfield J (1982) Neural networks and physical systems with emergent collective computational abilities. Proc Natl Acad Sci 79:2554–2558
4.
Iiguni Y, Sakai H, Tokumaru H (1992) A real-time algorithm for a multilayered neural network based on the extended Kalman filter. IEEE Trans Signal Processing 40(4):959–966
5.
Karayiannis NB, Mi GW (1997) Growing radial basis neural networks: merging supervised and unsupervised learning with network growth techniques. IEEE Trans Neural Netw 8(6):1492–1506
6.
Ku CC, Lee KY (1995) Diagonal recurrent neural networks for dynamic system control. IEEE Trans Neural Netw 6(1):144–156
7.
Lapedes A, Farber R (1986) A self-optimising nonsymmetrical neural network for content addressable memory and pattern recognition. Physica 22(Part D):247–259
8.
Liguni Y, Sakai H, Tokumaru H (1992) A real-time learning algorithm for a multilayered neural network based on the extended kalman filter. IEEE Trans Signal Processing 40(4):959–966
9.
Liu GP, Kadirkamanathan V, Billings SA (1999) Variable neural networks for adaptive control of nonlinear systems. IEEE Trans Syst Man Cybern Pert C 29(1):34–43
10.
Ljung L (1991) Issue in system identification. IEEE Control Syst Mag 11(1):25–29
11.
Ljung L, Soderstrom T (1983) Theory and practice of recursive identification. MIT Press, Cambridge
12.
Luo W, Billings SA (1998) Structure selective updating for nonlinear models and radial basis function networks. Int J Adapt Cont Signal Processing 12:325–345
13.
Mandic DP, Chambers JA (2000) A normalised real time recurrent learning algorithm. Signal Processing 80(9):1909–1916
14.
Pearlmutter BA (1989) Learning state space trajectories in recurrent neural networks. Neural Comput 1:263–269
15.
Pereira C, Henriques J, Dourado A (2000) Adaptive RBFNN versus conventional self-tuning: comparison of two parametric model approaches for non-linear control. Control Eng Pract 8(1):3–12
16.
Pineda FJ (1987) Generalization of backpropagation to recurrent networks. Phys Rev Lett 59:2229–2232
17.
Pineda FJ (1989) Recurrent backpropagation and the dynamical approach to adaptive neural computation. Neural Comput 1:161–172
18.
Valoor MT, Chandrashekhara K, Agarwal S (2001) Self-adaptive vibration control of smart composite beams using recurrent neural architecture. Int J Solids Struct 38(44–45):7857–7874
19.
Werbos PJ (1990) Backpropagation through time: what it does and how to do it. Proc IEEE 78(10):1550–1560
20.
Williams RJ, Zipser D (1989) A learning algorithm for continually running fully recurrent neural networks. Neural Comput 1:270–280
21.
Yang YY, Linkens DA (1994) Adaptive neural network based approach for the control of continuously stirred tank reactor. IEE Proc Part D Control Theory Appl 141(5):341–349
22.
Yingwei L, Sundararajan N, Saratchandran P (1997) Identification of time-varying nonlinear systems using minimal radial basis function neural networks. IEE Proc Part D: Control Theory Appl 144(2):202–208
Metadaten
Titel
Adaptation of diagonal recurrent neural network model
verfasst von
D. L. Yu
T. K. Chang
Publikationsdatum
01.09.2005
Erschienen in
Neural Computing and Applications / Ausgabe 3/2005
Print ISSN: 0941-0643
Elektronische ISSN: 1433-3058
DOI
https://doi.org/10.1007/s00521-004-0453-9

Weitere Artikel der Ausgabe 3/2005

Neural Computing and Applications 3/2005 Zur Ausgabe

Original Article

Efficient vector quantization using genetic algorithm

Original Article

Soft computing in engineering design: a hybrid dual cross-mapping neural network model

Original Article

A user authentication system using back-propagation network

Original Article

Level estimation, classification and probability distribution architectures for trading the EUR/USD exchange rate

Original Article

Prediction of cavitation vortex dynamics in the draft tube of a francis turbine using radial basis neural networks

Original Article

Small hydro power plant identification using NNARX structure

Premium Partner

    Bildnachweise