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
Erschienen in:
A Novel Color Image Encryption Algorithm Using Chaotic Map and Improved RC4 Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

On the Intrinsic Relation of Linear Dynamical Systems and Higher Order Neural Units

verfasst von : Peter Benes, Ivo Bukovsky

Erschienen in: Automation Control Theory Perspectives in Intelligent Systems

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

This paper summarizes the fundamental construction of higher-order-neural-units (HONU) as a class of polynomial function based neural units, which are though non-linear discrete time models, are linear in their parameters. From this a relation will be developed, ultimately leading to a new definition for analysing the global stability of a HONU, not only as a model itself, but further as a means of justifying the global dynamic stability of the whole control loop under HONU feedback control. This paper is organised to develop the fundamentals behind this intrinsic relation of linear dynamic systems and HONUs accompanied by a theoretical example to illustrate the functionality and principles of the concept.

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

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

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"

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
Vorheriges Kapitel Web Application for Simple System Identification from Experimental Data
Nächstes Kapitel WiFi Multi Access Point Smart Home IoT Architecture
Literatur
1.
Nikolaev, N.Y., Iba, H.: Adaptive Learning of Polynomial Networks Genetic Programming, Backpropagation and Bayesian Methods. Springer, New York (2006)MATH
2.
Bukovsky, I., Hou, Z.-G., Bila, J., Gupta, M.M.: Foundation of notation and classification of nonconventional static and dynamic neural units. In: 6th IEEE International Conference on Cognitive Informatics, pp. 401–407 (2007)
3.
Solo, G.M.: Fundamentals of higher order neural networks for modeling and simulation. Artif. High. Order Neural Netw. Model. Simul. (2012)
4.
Song, K.-Y., Redlapalli, S., Gupta, M.M.: Cubic neural unit for control applications. In: Fourth International Symposium on Uncertainty Modeling and Analysis, ISUMA 2003, pp. 324–329 (2003)
5.
Bukovsky, I., Redlapalli, S., Gupta, M.M.: Quadratic and cubic neural units for identification and fast state feedback control of unknown nonlinear dynamic systems. In: Fourth International Symposium on Uncertainty Modeling and Analysis, ISUMA 2003, pp. 330–334 (2003)
6.
Williams, R.J., Zipser, D.: A learning algorithm for continually running fully recurrent neural networks. Neural Comput. 1(2), 270–280 (1989)CrossRef
7.
Werbos, P.J.: Backpropagation through time: what it does and how to do it. Proc. IEEE 78(10), 1550–1560 (1990)CrossRef
8.
Benes, P., Bukovsky, I.: Neural network approach to hoist deceleration control. In: 2014 International Joint Conference on Neural Networks (IJCNN), pp. 1864–1869 (2014)
9.
Bukovsky, I., Benes, P., Slama M.: Laboratory systems control with adaptively tuned higher order neural units. In: Silhavy, R., Senkerik, R., Oplatkova, Z.K., Prokopova, Z., Silhavy, P. (eds.) Intelligent Systems in Cybernetics and Automation Theory. Springer International Publishing, pp. 275–284 (2015)
10.
Chu, T.: An exponential convergence estimate for analog neural networks with delay. Phys. Lett. A 283(1–2), 113–118 (2001)MathSciNetCrossRefMATH
11.
Zhang, Z.: Global exponential stability and periodic solutions of delay Hopfield neural networks. Int. J. Syst. Sci. 27(2), 227–231 (1996)CrossRefMATH
12.
Zhao, W., Zhu, Q.: New results of global robust exponential stability of neural networks with delays. Nonlinear Anal. Real World Appl. 11(2), 1190–1197 (2010)MathSciNetCrossRefMATH
13.
Wu, Z.-G., Lam, J., Su, H., Chu, J.: Stability and dissipativity analysis of static neural networks with time delay. IEEE Trans. Neural Netw. Learn. Syst. 23(2), 199–210 (2012)CrossRef
14.
Arik, S.: Global asymptotic stability of a class of dynamical neural networks. IEEE Trans. Circuits Syst. Fundam. Theory Appl. 47(4), 568–571 (2000)MathSciNetCrossRefMATH
15.
Liao, X., Chen, G., Sanchez, E.N.: LMI-based approach for asymptotically stability analysis of delayed neural networks. IEEE Trans. Circuits Syst. Fundam. Theory Appl. 49(7), 1033–1039 (2002)MathSciNetCrossRefMATH
16.
Liao, X., Chen, G., Sanchez, E.N.: Delay-dependent exponential stability analysis of delayed neural networks: an LMI approach. Neural Netw. 15(7), 855–866 (2002)CrossRef
Metadaten
Titel
On the Intrinsic Relation of Linear Dynamical Systems and Higher Order Neural Units
verfasst von
Peter Benes
Ivo Bukovsky
Copyright-Jahr
2016
Buch
Automation Control Theory Perspectives in Intelligent Systems

Print ISBN: 978-3-319-33387-8

Electronic ISBN: 978-3-319-33389-2

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-33389-2_23

Premium Partner

    Bildnachweise