1. SCSIT
  2. All Volumes and Issues
  3. Volume 744, 2012
  4. Адаптивний w-нейрон та його навчання в задачах прогнозування і виявлення розладнань

Адаптивний w-нейрон та його навчання в задачах прогнозування і виявлення розладнань

SCSIT.
2012;
Volume 744
: pp. 100 - 106
Authors: 

Є. Бодянський, О. Винокурова

Харківський національний університет радіоелектроніки, проблемна науково-дослідна лабораторія АСУ

Розглянуто структуру адаптивного W-нейрона та його метод навчання. Запропо- нований алгоритм навчання має підвищену швидкість збіжності та забезпечує покра- щені апроксимуючі властивості за рахунок настроювання усіх параметрів вейвлет- функцій. Введена підсистема виявлення розладнань для W-нейрона, що дає змогу розв’язувати задачі діагностування в on-line режимі стохастичних процесів.

Adaptive W-neuron and its learning algorithm are considered. Proposed learning algorithm has increased convergence rate and provides improved approximative properties because of the all wavelet parameters tuning. The fault detection subsystem for W-neuron that allows to solve a stochastic process diagnosing problems in on-line mode.

W-neuron
learning algorithm
prediction
fault detection
  1. Moody J. Darken C. J. Fast learning in networks of locally-tuned processing units// Neural Computation. – 1989. – 1. – P. 281–294.
  2. Park J., Sandberg I. W. Universal approximation using radial- basis-function networks // Neural Computation. – 1991. – 3. – P. 246–257.
  3. Leonard J. A., Kramer M. A., Ungar L. H. Using radial basis functions to approximate a function and its error bounds // IEEE Trans. on Neural Networks. – 1992. – 3. – P. 614–627.
  4. Sunil E. V. T., Yung C. Sh. Radial basis function neural network for approximation and estimation of nonlinear stochastic dynamic systems // IEEE Trans. on Neural Networks. – 1994. – 5. – P. 594–603.
  5. Poggio T., Girosi F. A Theory of Networks for Approximation and Learning // A. I. Memo № 1140, C.B.I.P. Paper № 31. – Massachussetts Institute of Technology, 1994. – 63 p.
  6. Bishop C. M. Neural Networks for Pattern Recognition. – Oxford: Clarendon Press, 1995. – 482 p.
  7. Chui C. K. An Introduction to Wavelets. – New York: Academic, 1992. – 264 p.
  8. Daubechies I. Ten Lectures on Wavelets. – Philadelphia, PA: SIAM., 1992. – 228 p.
  9. Meyer Y. Wavelets: Algorithms and Applications. – Philadelphia, PA: SIAM., 1993. – 133 p.
  10. Billings S. A., Wei H.-L. A new class of wavelet networks for nonlinear system identification // IEEE Trans. on Neural Networks. – 16 (4). – 2005. – P. 862–874.
  11. Zhang Q. H., Benveniste A. Wavelet networks // IEEE Trans. on Neural Networks. – 3 (6). – 1992. – P. 889–898.
  12. Zhang J., Walter G. G., Miao Y., Lee W. N. W. Wavelet neural networks for function learning // IEEE Trans. on Signal Process. – 43(6). – 1995. –P. 1485–1497.
  13. Zhang Q. H. Using wavelet network in nonparametric estimation // IEEE Trans. on Neural Networks. – 8(2). – 1997. – P. 227–236.
  14. 14. Bodyanskiy Ye., Pavlov O., Vynokurova O. Outliers resistant learning algorithm for radial-basis-fuzzy-wavelet-neural network in stomach acute injury diagnosis tasks // Eds. by K.Markov, K.Ivanova, I.Mitov. – International Book Series «Information Science and Computing», Number 2. – Sofia: Institute of Information Theories and Application FOI ITHEA, 2008. – P.55–62.
  15. Bodyanskiy Ye., Pliss I., Vynokurova O. Adaptive wavelet-neuro-fuzzy network in the forecasting and emulation tasks // Int. Journal on Information Theory and Applications. – 2008. – V. 15. –1. – P. 47–55.
  16. Bodyanskiy Ye., Vynokurova O. Robust learning algorithm for wavelet-neural fuzzy network based on Polywog wavelet // Системные технологии. – 2008. – Т.2. – № 3(56). – С. 129–134.
  17. Бойко В. В., Бодянский Е. В., Винокурова Е. А., Сушков С. В., Павлов А. А. Анализ клинических данных в медицинских исследованиях на основе методов вычислительного интеллекта. – Харків: ТО Ексклюзив, 2008. – 120 с.
  18. Reyneri L. M. Unification of neural and wavelet networks and fuzzy systems // IEEE Trans. on Neural Networks. – 1999. – 10. – P. 801-814.
  19. Itakura F. Maximum prediction residual principle applied to speech recognition // IEEE Trans. on Acoustics, Speech, and Signal Processing. – 1975. – 23. – P. 67–72.
  20. Бодянский Е.В., Винокурова Е.А. Составной адаптивный вэйвлон и алгоритм его обучения // Управляющие системы и машины. – 2009. – 1 (219). – C. 47–53.
  21. Bodyanskiy Ye., Vynokurova O., Yegorova E. Radial-basis-fuzzy-wavelet-neural network with adaptive activation-membership function // ICGST Int. J. on Artificial Intelligence and Machine Learning (AIML). – 2008. – 8. – II. – P. 9–15.
  22. Льюнг Л. Идентификация систем. Теория для пользователя. – Москва: Наука. ГРФМЛ, 1991. – 432 с.
  23. Бодянский Е. В. Адаптивные алгоритмы идентификации нелинейных объектов управления // АСУ и приборы автоматики. – Харьков: Выща шк., 1987. – Вып. 81. – С. 43–46.
  24. Bodyanskiy Ye., Kolodyazhniy V., Stephan A. An adaptive learning algorithm for a neuro-fuzzy network / Ed. by B. Reusch «Computational Intelligence. Theory and Applications.» – Berlin – Heidelberg – New York: Springer, 2001. – P. 68–75.
  25. Hagglund T. Adaptive control of systems subject to large parameter changes // Proc. IFAC 9-th Triennial WorldCongress. – Budapest, 1984. – P. 993–998.