Evolutionary Design of Dynamic Neural Networks Applied to System Identification

Ferariu, Lavinia; Marcu, T.

doi:10.3182/20020721-6-es-1901.01029

Cited by 7 publications

(5 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Said differently, which features/parameters of the initial model are uncertain or incorrectly modelled? The above question effectively cast model updating as a system identification problem [29,30,31,32,33,34].…”

Section: The Challengesmentioning

confidence: 99%

Finite Element Model Updating

Mthembu¹

2014

Vibration Analysis, Instruments, and Signal Processing

View full text Add to dashboard Cite

This thesis focuses on engineering, specifically structural, systems that are approximated by finite element models (FEMs). Initial FEMs are found to have poor accuracies and improved or updated models are sort. From the literature we note that a common set of challenges still persists in all FEM work. These are; which aspects of the model are most uncertain, how can we efficiently update the model and finally how do we know that our chosen model is the best for the system at hand. This is the finite element model updating problem.These challenges are reinforced by the number of different FEMs that can be proposed for any one system and the difficulty of determining the best model from these. Moreover all the said challenges are applicable to all possible FEMs.To address these challenges we propose that the FEM updating problem be analyzed in a multi-model context. What is implicit in this proposal is that updating one model in isolation will not be very informative. This proposed I would like to thank my parents; Lindiwe and Shole Mthembu for their unwavering support, guidance and giving me a better background than they had. I would also like to thank my sister, Sindi and brother Menzi for their support and companionship. I would like to thank Namwawa Siwale for the encouragement, patience and support throughout this thesis. I would also like to thank Professor Tshilidzi Marwala for his encouragement and supervision during this work. In addition I thank Professors Michael Friswell and Sondipon Adhikari for their insights and recommendations during this thesis.

show abstract

Section: The Challengesmentioning

confidence: 99%

Finite Element Model Updating

Mthembu¹

2014

Vibration Analysis, Instruments, and Signal Processing

View full text Add to dashboard Cite

show abstract

“…The goals, defining the desired area for the objective values, are adapted according to the mean performances of the current population. Special Pareto -ranking techniques are used, in order to encourage the survival of accurate models, characterised by simple architectures (Ferariu and Marcu, 2002). If a neural topology satisfies all imposed goals, its rank is computed according to f 1 , otherwise a Pareto -ranking procedure is considered.…”

Section: Evolutionary Design Of Dnnhhsmentioning

confidence: 99%

“…Also, a convenient migration strategy is implemented (Ferariu and Marcu, 2002). The design procedure considers a supplementary auxiliary population, which evolves cvasi -independently, subject to the highest priority objective.…”

Section: Evolutionary Design Of Dnnhhsmentioning

confidence: 99%

“…Here f 1 denotes the squared output error computed for the normalised training data set and PN indicates the number of neural parameters. The DMLPs contain SP hidden neurons and accept supplementary lateral connections between the hidden neurons (Marcu et al, 1999); the DGNNs include both SP and SG hidden neurons (Ferariu and Marcu, 2002); the DCWNNs include RBC hidden neurons (Ferariu, 2003). The last two architectures contain output ARMA filters, placed on recurrent connections provided from the output of the neurons to the input of their activation function.…”

Section: Applicationmentioning

confidence: 99%

See 1 more Smart Citation

Nonlinear System Identification Based on Evolutionary Dynamic Neural Networks With Hybrid Structure

Ferariu

Voicu

2005

IFAC Proceedings Volumes

Self Cite

View full text Add to dashboard Cite

“…Con este mismo planteamiento se han realizado muchos trabajos de identificación donde se utiliza una red neuronal y el EA se encarga de optimizar la estructura de dicha red, por ejemplo [65] y [52].…”

Section: Identificación Mediante Easunclassified

Identiﬁcación Robusta de Sistemas no Lineales mediante Algoritmos Evolutivos

Durá¹,

Manuel²

View full text Add to dashboard Cite

Al procés d'identificació dels paràmetres d'un model nominal i la seua incertesa per a la seua utilització en Control Robust se'l coneix com a Identificació Robusta Paramètrica (IR).Un possible enfocament per a abordar l'IR, que resulta apropiat quan el desconeixement de les propietats estadístiques del soroll i/o la dinàmica no modelada invaliden els enfocaments estocàstics, és el determinístic (Set Membership Estimation). Aquest enfocament assumeix que l'error d'identificació (EI), diferència entre les eixides mesurades del procés i les simulades del model, encara que és desconegut, està acotat. Davall aquest enfocament, es persegueix la determinació del conjunt de paràmetres que aconsegueixen mantenir l'EI acotat per a una determinada norma i cota. Dit conjunt és conegut com el conjunt de paràmetres factibles (F P S).Quan el model és lineal respecte dels seus paràmetres, el F P S, si existeix, és un politop convex. En models no lineals dit politop pot ser no convex i fins i tot inconnex.En aquesta tesi es presenta una metodologia d'IR que permet determinar F P S, de qualsevol tipus, en models no lineals qualsevol, acotant l'EI simultàniament mitjançant diverses normes. La metodologia transforma el problema d'IR en un problema d'optimització multimodal amb infinits òptims globals, els quals constitueixen el F P S. Per a la seua optimització s'ha desenvolupat un algoritme evolutiu (EA) específic -GA, que caracteritza el F P S mitjançant un conjunt discret de models F P S * adequadament distribuït al llarg del F P S.La metodologia ve acompanyada d'un procediment que facilita la determinació de les cotes, associades a les normes que acoten l'EI, per a assegurar que F P S = ∅. Per a això, s'utilitza la informació que genera el front de Pareto resultant de la minimització simultània de les normes mitjançant una optimització multiobjetiu. Per a resoldre, el problema multiobjectiu s'ha desenvolupat l'algoritme evolutiu -MOGA.Addicionalment, es proposa com a model nominal un model de projecció interpolada restringida que, pertanyent al F P S, resulta òptim respecte de l'error d'identificació i respecte de l'error de estimació en l'espai de paràmetres.Com a exemples d'aplicació de la metodologia proposada es presenta l'IR, amb dades reals, dels paràmetres de tres models no lineals: un sistema tèrmic, un model que reflecteix el bloqueig que produeix un determinat fàrmac sobre els corrents iònics d'una cèl•lula cardíaca i el model climàtic d'un hivernacle (temperatura i humitat) amb cultiu hidropònic de roses.

show abstract

Evolutionary Design of Dynamic Neural Networks Applied to System Identification

Cited by 7 publications

References 9 publications

Finite Element Model Updating

Finite Element Model Updating

Nonlinear System Identification Based on Evolutionary Dynamic Neural Networks With Hybrid Structure

Identiﬁcación Robusta de Sistemas no Lineales mediante Algoritmos Evolutivos

Contact Info

Product

Resources

About