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
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Multimodal Human Spacecraft Interaction in Remote Environments Kapitel lesen Erstes Kapitel lesen

2010 | OriginalPaper | Buchkapitel

16. Parameter Identification of a Nonlinear Two Mass System Using Prior Knowledge

verfasst von : C. Endisch, M. Brache, R. Kennel

Erschienen in: Machine Learning and Systems Engineering

Verlag: Springer Netherlands

Einloggen

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

search-config
loading …

Abstract

This article presents a new method for system identification based on dynamic neural networks using prior knowledge. A discrete chart is derived from a given signal flow chart. This discrete chart is implemented in a dynamic neural network model. The weights of the model correspond to physical parameters of the real system. Nonlinear parts of the signal flow chart are represented by nonlinear subparts of the neural network. An optimization algorithm trains the weights of the dynamic neural network model. The proposed identification approach is tested with a nonlinear two mass system.

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 The Computer Simulation of Shaping in Rotating Electrical Discharge Machining
Nächstes Kapitel Adaptive and Neural Learning for Biped Robot Actuator Control
Literatur
1.
M.J. Brache, Identification of dynamic systems using previous knowledge, Diploma Theses, Lehrstuhl für Elektrische Antriebssysteme, Technische Universität München, 2008
2.
C. Endisch, C. Hackl, D. Schröder, Optimal brain surgeon for general dynamic neural networks, in Lecture Notes in Artificial Intelligence (LNAI) 4874 (Springer, Berlin, 2007), pp. 15–28
3.
C. Endisch, C. Hackl, D. Schröder, System identification with general dynamic neural networks and network pruning. Int. J. Computat. Intel. 4(3), 187–195 (2008)
4.
C. Endisch, P. Stolze, C. Hackl, D. Schröder, Comments on backpropagation algorithms for a broad class of dynamic networks. IEEE Trans. Neural Network 20(3), 540–541 (2009)CrossRef
5.
M. Hagan, B.M. Mohammed, Training feedforward networks with the marquardt algorithm. IEEE Trans. Neural Networks 5(6), 989–993 (1994)CrossRef
6.
C. Hintz, B. Angerer, D. Schrder, Online identification of mechatronic system with structured recurrent neural networks. Proceedings of the IEEE-ISIE 2002, L’Aquila, Italy, pp. 288–293
7.
C. Hintz, Identifikation nichtlinearer mechatronischer Systeme mit strukturierten rekurrenten Netzen. Dissertation, Lehrstuhl fr Elektrische Antriebssysteme, Technische Universität München, 2003
8.
O. De Jesus, M. Hagan. Backpropagation Algorithms Through time for a general class of recurrent network. IEEE International Joint Conference Neural Network, Washington, 2001, pp. 2638–2643
9.
O. De Jesus, M. Hagan, Forward perturbation algorithm for a general class of recurrent network. IEEE International Joint Conference Neural Network, Washington, 2001, pp. 2626–2631
10.
O. De Jesus, Training general dynamic neural networks. Ph.D. dissertation, Oklahoma State University, Stillwater, OK, 2002
11.
O. De Jesus, M. Hagan backpropagation algorithms for a broad class of dynamic networks. IEEE Trans Neural Networks 18(1), 14–27 (2007)CrossRef
13.
O. Nelles, in Nonlinear System Identification (Springer, Berlin, 2001).
14.
D. Schröder, in Elektrische Antriebe – Regelung von Antriebssystemen, 2nd edn. (Springer, Berlin, 2001)
15.
P.J. Werbos, Backpropagation through time: what it is and how to do it. Proc. IEEE 78(10), 1550–1560 (1990)CrossRef
16.
R.J. Williams, D. Zipser, A learning algorithm for continually running fully recurrent neural networks. Neural Comput. 1, 270–280 (1989)CrossRef
Metadaten
Titel
Parameter Identification of a Nonlinear Two Mass System Using Prior Knowledge
verfasst von
C. Endisch
M. Brache
R. Kennel
Copyright-Jahr
2010
Verlag
Springer Netherlands
Buch
Machine Learning and Systems Engineering

Print ISBN: 978-90-481-9418-6

Electronic ISBN: 978-90-481-9419-3

Copyright-Jahr: 2010

DOI
https://doi.org/10.1007/978-90-481-9419-3_16