状态空间中的结构化神经网络作为灰盒模型

J. Zamarreño, Alejandro Merino Gómez
{"title":"状态空间中的结构化神经网络作为灰盒模型","authors":"J. Zamarreño, Alejandro Merino Gómez","doi":"10.17979/SPUDC.9788497497169.639","DOIUrl":null,"url":null,"abstract":"espanolLa Red Neuronal en el Espacio de Estados (RNEE) ha demostrado muy buenas propiedades en el modelado de sistemas dinamicos. En este articulo, proponemos una evolucion de dicha red neuronal cuando la informacion sobre la estructura interna del sistema esta disponible mediante algun tipo de modelo. Con esta informacion se puede obtener un modelo de caja gris que representa de forma mas fidedigna el sistema modelado. Este modelo ha sido bautizado como Red Neuronal Estructurada en el Espacio de Estados (RNEEE). Se presenta un ejemplo sobre un caso de estudio en simulacion. EnglishState space neural networks (ssNN) has demonstrated very good properties when modelling dynamic systems in the past. In this paper we propose an evolution of the neural network when information about the inner structure of the system is available in the form any kind of model. With this information, a grey-box model is obtained that represents in a better way the system to be modelled. This model has been named structured state space neural network (sssNN). A simulated example is presented as a case study","PeriodicalId":189601,"journal":{"name":"XL Jornadas de Automática: libro de actas (Ferrol, 4-6 de septiembre de 2019)","volume":"5 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2020-06-11","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":"{\"title\":\"Red neuronal estructurada en el espacio de estados como modelo de caja gris\",\"authors\":\"J. Zamarreño, Alejandro Merino Gómez\",\"doi\":\"10.17979/SPUDC.9788497497169.639\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"espanolLa Red Neuronal en el Espacio de Estados (RNEE) ha demostrado muy buenas propiedades en el modelado de sistemas dinamicos. En este articulo, proponemos una evolucion de dicha red neuronal cuando la informacion sobre la estructura interna del sistema esta disponible mediante algun tipo de modelo. Con esta informacion se puede obtener un modelo de caja gris que representa de forma mas fidedigna el sistema modelado. Este modelo ha sido bautizado como Red Neuronal Estructurada en el Espacio de Estados (RNEEE). Se presenta un ejemplo sobre un caso de estudio en simulacion. EnglishState space neural networks (ssNN) has demonstrated very good properties when modelling dynamic systems in the past. In this paper we propose an evolution of the neural network when information about the inner structure of the system is available in the form any kind of model. With this information, a grey-box model is obtained that represents in a better way the system to be modelled. This model has been named structured state space neural network (sssNN). A simulated example is presented as a case study\",\"PeriodicalId\":189601,\"journal\":{\"name\":\"XL Jornadas de Automática: libro de actas (Ferrol, 4-6 de septiembre de 2019)\",\"volume\":\"5 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2020-06-11\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"1\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"XL Jornadas de Automática: libro de actas (Ferrol, 4-6 de septiembre de 2019)\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.17979/SPUDC.9788497497169.639\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"XL Jornadas de Automática: libro de actas (Ferrol, 4-6 de septiembre de 2019)","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.17979/SPUDC.9788497497169.639","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 1

摘要

西班牙状态空间神经网络(RNEE)在动力学系统建模中显示了非常好的特性。在本文中,我们提出了一种神经网络的进化,当关于系统内部结构的信息可以通过某种类型的模型获得时。有了这些信息,就可以得到一个灰盒模型,它更可靠地表示被建模的系统。这个模型被称为状态空间结构神经网络(nees)。本文给出了一个仿真案例研究的例子。英国国家空间神经网络(ssNN)在过去对动态系统建模时表现出了非常好的特性。在这篇论文中,我们提出了神经网络的进化,当关于系统内部结构的信息以任何类型的模型的形式可用时。= =地理= =根据美国人口普查,这个县的面积为。这个模型被称为结构状态空间神经网络(sssNN)。一个模拟的例子作为一个案例研究
本文章由计算机程序翻译,如有差异,请以英文原文为准。
Red neuronal estructurada en el espacio de estados como modelo de caja gris
espanolLa Red Neuronal en el Espacio de Estados (RNEE) ha demostrado muy buenas propiedades en el modelado de sistemas dinamicos. En este articulo, proponemos una evolucion de dicha red neuronal cuando la informacion sobre la estructura interna del sistema esta disponible mediante algun tipo de modelo. Con esta informacion se puede obtener un modelo de caja gris que representa de forma mas fidedigna el sistema modelado. Este modelo ha sido bautizado como Red Neuronal Estructurada en el Espacio de Estados (RNEEE). Se presenta un ejemplo sobre un caso de estudio en simulacion. EnglishState space neural networks (ssNN) has demonstrated very good properties when modelling dynamic systems in the past. In this paper we propose an evolution of the neural network when information about the inner structure of the system is available in the form any kind of model. With this information, a grey-box model is obtained that represents in a better way the system to be modelled. This model has been named structured state space neural network (sssNN). A simulated example is presented as a case study
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信