• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文OA文献 >Modelling and control of chaotic processes through their Bifurcation Diagrams generated with the help of Recurrent Neural Network models: Part 1—simulation studies
【2h】

Modelling and control of chaotic processes through their Bifurcation Diagrams generated with the help of Recurrent Neural Network models: Part 1—simulation studies

机译：通过递归神经网络模型生成的分岔图建模和控制混沌过程：第1部分 - 模拟研究

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Many real-world processes tend to be chaotic and also do not lead to satisfactory analytical modelling. It has been shown here that for such chaotic processes represented through short chaotic noisy time-series, a multi-input and multi-output recurrent neural networks model can be built which is capable of capturing the process trends and predicting the future values from any given starting condition. It is further shown that this capability can be achieved by the Recurrent Neural Network model when it is trained to very low value of mean squared error. Such a model can then be used for constructing the Bifurcation Diagram of the process leading to determination of desirable operating conditions. Further, this multi-input and multi-output model makes the process accessible for control using open-loop/closed-loop approaches or bifurcation control etc. All these studies have been carried out using a low dimensional discrete chaotic system of Hénon Map as a representative of some real-world processes.
机译：许多现实世界的过程往往是混乱的，也不会导致令人满意的分析模型。这里已经表明，对于通过短混沌噪声时间序列表示的这种混沌过程，可以建立多输入和多输出递归神经网络模型，该模型能够捕获过程趋势并根据任何给定预测未来值起始条件。进一步表明，当将其训练为非常低的均方误差值时，可以通过递归神经网络模型实现此功能。然后可以将这种模型用于构建过程的分叉图，从而确定所需的操作条件。此外，这种多输入多输出模型使过程可通过开环/闭环方法或分叉控制等方式进行控制。所有这些研究都是使用HénonMap的低维离散混沌系统作为一个系统来进行的。一些现实世界过程的代表。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号