阿斯茂德

ASMOD——一种自适应样条建模算法,通过对观测数据中的底层关系进行建模来识别非线性系统,是人工神经网络和其他学习范式的一个重要应用领域。样条函数用于离散数据插值,但其应用主要局限于低维输入空间。本文介绍了一种新的高维数据学习范式&ASMOD,它基于$B$-样条插值。模型可以在线训练,在模型训练过程中采用逐步模型细化的方法,逐步提高模型的建模能力,直到达到期望的或最佳的精度。对于每个优化步骤,都会评估一些可能的优化操作,并选择能够最大程度提高模型精度的操作。因此,模型结构适用于建模问题,使模型具有小尺寸和高精度。ASMOD在串行计算机上有非常有效的实现。该方案在一个为火星设计的问题上进行了评估,其结果与MARS的结果进行了比较。对机械手的动力学模型和液压执行器的控制精度进行了显著的提高。


zbMATH参考文献(14篇文章引用了,1标准件)

显示第1至14个结果,共14个。
按年份排序(引用)

  1. Hong,X.;Mitchell,R.J.;Chen,S.;Harris,C.J.;Li,K.;Irwin,G.W.:非线性系统辨识的模型选择方法:回顾(2008)
  2. 周尚明;甘俊强:基于熵测度的可分辨模糊集构造精确简约模糊模型(2006)
  3. Billings,S.A.;Wei,H.L.:小波NARMAX表示:多项式模型与多分辨率小波分解相结合的混合模型结构(2005)
  4. Lucas,Caro;Abbaspour,Ali;Gholipour,Ali;Araabi,Babak N.;Fatourechi,Mehrdad:通过情绪学习算法提高神经模糊预测因子的性能(2003)
  5. Chan,C.W.;Chan,W.C.;Jayawardena,A.W.;Harris,C.J.:基于支持向量回归的神经模糊网络结构选择。(2002年)
  6. Er,Meng Joo;Wu,Shiqian:一种简单模糊神经系统的快速学习算法(2002)
  7. Ruano,A.E.;Cabrita,C.;Oliveira,J.V.;Kóczy,L.T.:B样条神经网络和神经模糊系统的监督训练算法。(2002年)
  8. 混沌系统的定性分析(Coca,Billings,1999)
  9. Berger,C.S.:使用有限元模拟动态系统(1997)
  10. Gollee,H.;Hunt,K.J.:电刺激肌肉的非线性建模和控制:局部模型网络方法(1997)
  11. 韦耶,埃里克;卡夫利,汤姆:经验模型的ASMOD算法的理论性质(1997)
  12. Chen,S.;Chang,E.S.;Alkadhimi,K.:构造径向基函数网络的正则化正交最小二乘算法(1996)
  13. Kavli,Tom:ASMOD——观测数据自适应样条建模算法(1994)
  14. Kavli,Tom:ASMOD——观测数据自适应样条建模算法(1993)