System modelling from measurement data: hibrid-neural approach  Page description

Help  Print 
Back »

 

Details of project

 
Identifier
46771
Type K
Principal investigator Horváth, Gábor
Title in Hungarian Rendszermodellezés mérési adatokból, hibrid-neurális megközelítés
Title in English System modelling from measurement data: hibrid-neural approach
Panel Informatics and Electrical Engineering
Department or equivalent Department of Measurement and Information Systems (Budapest University of Technology and Economics)
Participants Dobrowiecki, Tadeusz
Pataki, Béla
Strausz, György
Valyon, József
Starting date 2004-01-01
Closing date 2008-03-31
Funding (in million HUF) 7.078
FTE (full time equivalent) 0.00
state closed project





 

Final report

 
Results in Hungarian
A kutatás célja mérési adatok alapján történő rendszermodellezési eljárások kidolgozása és vizsgálata volt, különös tekintettel a nemlineáris rendszerek modellezésére. A kutatás során többféle megközelítést alkalmaztunk: egyrészt a rendszermodellezési feladatok megoldásánál a lineáris rendszerekre kidolgozott eljárásokból indultunk ki nemlineáris hatásokat is figyelembe véve, másrészt fekete doboz megközelítéseket alkalmaztunk, ahol elsődlegesen input-output adatokból történik a modell konstrukció. Az előbbi megközelítés különösen gyengén nemlineáris rendszerek modellezésénél tűnik járható útnak, ahol a gyengén nemlineáris rendszereket, mint nemlineárisan torzított lineáris rendszereket tekintjük. A nemlineáris torzítások hatásának megértésére egy teljes elméletet dolgoztunk ki. A fekete doboz modellezésnél általános modell-struktúrákból indulunk ki, melyek paramétereit a rendelkezésre álló mérési adatok felhasználásával, tanulással határozhatjuk meg. Ekkor az alapvető kérdések a megfelelő kiinduló adatbázis kialakítására és az adatokkal kapcsolatos problémákra (zajos adatok, kiugró adatok, inkonzisztens adatok, redundáns adatok, stb.) irányultak, továbbá arra hogy hogyan lehet a fekete doboz modellstruktúra komplexitását kézben tartani és az adatokon túl meglévő egyéb információ hatékony figyelembevételét biztosítani. A fekete doboz modellezésnél neuronhálókat és szupport vektor gépeket vettünk figyelembe és a minél kisebb modell-komplexitás elérésére törekedtünk.
Results in English
The goal of the research was to develop and analyse system modelling procedures, especially for modelling non-linear systems. To reach the goal different approaches were applied. One approach is to use procedures developed for linear system modelling, where nonlinear effects are taken into consideration. The other approach applied is black box modelling, where model-construction is mainly based on input-output data. The first approach proved to be successful especially for the modelling of weakly non-linear systems, where these systems are considered as linear ones with the presence of nonlinear distortion. To understand nonlinear distortions a whole theory has been developed. For black box modelling the starting point was the use of certain general model-structures, where the parameters of these structures are determined by training using measurement data. The most relevant questions in this case are related to the construction of data base, and the problems of quality of the available data (noisy data, missing data, outliers, inconsistent data, redundant data, etc.), A further important goal was to find proper ways to utilise additional knowledge and at the same time to reduce model complexity. For black box modelling some special neural network architectures and support vector machines were considered.
Full text http://real.mtak.hu/1574/
Decision
Yes





 

List of publications

 
József Valyon, Gábor Horváth: Selection methods for extended least squares support vector machines, International Journal of Intelligent Computing and Cybernetics, Vol. 1. No. 1. pp. 69-93., 2008
Sragner, L., Schoukens, J. and Horváth, G.: Modelling of a Slightly Nonlinear System: A Neural Network Approach, Proc. of the 6th IFAC-Symposium on Nonlinear Cont­rol Systems, NOLCOS 2004, 2004
Valyon, J., Horváth, G: A WEIGHTED GENERALIZED LS-SVM, Periodica Polytechnica, Elec. Eng. Vol. 47. No. 3-4. pp. 229-252, 2004
Valyon, J., Horváth, G: A Sparse Least Squares Support Vector Machine Classifier, Proc. of the International Joint Conference on Neural Networks, IJCNN 2004. pp. 543-548. Budapest, Hungary, 2004
Berényi, P. Lampaert, V. Horváth, G. Swevers: Nonlocal hysteresis function identification and compensation with neural networks, IEEE. Trans. on Instrumentation and Measurement, 2005
Horváth, G, Szabó, T.: Kernel CMAC with Improved Capability, IEEE Trans. on Systems, Man and Cybernetics, Part B. Vol. 37. No. 1. pp. 124-138., 2007
Horváth, G: Neural Networks in System Modeling, http://ewh.ieee.org/cmte/cis/mtsc/ieeecis/Gabor_Horvath.pdf, 2006
Valyon, J. Horváth, G: A Robust LS-SVM Regression, International Conference on Computer Sciences, Prague, 2005 August 26-28., pp. 148-153, 2005
Valyon, J. Horváth, G: A Sparse Robust Model for Linz-Donawitz Steel Converter, IEEE Int. Conf. of Instrumentation and Measurement Society, Warsawa, Poland,, 2007
Valyon, J. Horváth, G: Least Squares Support Vector Gépek adatbányászati alkalmazásokra, Híradástechnika, vol. LX. No. 6. pp. 33-39, 2005
Valyon, J.: Extended LS-SVM for System Modelling, PhD disszertáció, Budapesti Műszaki és Gazdaságtudományi Egyetem, 2007
Paduart, J., Horváth, G. and Schoukens, J.: Fast Identification of Systems with Nonlinear Feedback, Proc. of the 6th IFAC-Symposium on Nonlinear Control Systems, NOLCOS 2004, pp. 525-530. Stuttgart, Germany., 2004
Horváth, G.: Kernel CMAC: an Efficient Neural Network for Classification and Regression, Acta Polytechnica Hungarica, Vol. 3. No. 1 pp. 5-20, 2006
J. Valyon, G. Horváth: A Sparse Robust Model for Linz-Donawitz Steel Converter, IEEE. Trans. on Instrumentation and Measurement, 2008. megjelenés alatt, 2008
Dobrowiecki T.P., J. Schoukens: Measuring linear approximation to weakly nonlinear MIMO system, Automatica 43(2007), pp. 1731-1751, 2007
T. Dobrowiecki, and J. Schoukens,: Linear Approximation of Weakly Nonlinear MIMO Systems, IEEE Trans of Instrumentation and Measurement, Vol 56, Nr 3, June 2007, pp. 887-894, 2007
N. Toth, B. Pataki: Classification Confidence Weighted Majority Voting Using Decision Treee Classifiers, International Journal of Intelligent Computing and Cybernetics, Vol. 1. No. 2. megjelenés alatt., 2008, 2008
J. Schoukens, R. Pintelon , T. Dobrowiecki, and Y. Rolain: Identification of linear systems with nonlinear distortions, Automatica Vol. 41, 2005, pp. 491-504, 2005
G. Takács, B. Pataki: Lower Bounds of the Vapnik-Chervonenkis Dimension of Convex Polytope Classifiers, Proc. of the 11th International Conference on Intelligent Engineering Systems, INES 2007, pp. 100-104, 2007
Dobrowiecki, T.P. Schoukens, J.: Optimized Excitation Signals for MIMO Frequency Response Function Measurements, IEEE TRans. on Instrumentation and Measurements Vol. 55. No. 6. pp. 1-8. 2006, 2006
J. Schoukens, T. Dobrowiecki, and R. Pintelon: Estimation of the risk for an unstable behavior of feedback systems in the presence of nonlinear distortions, Automatica Vol. 40, 2004, pp. 1275-1279., 2004
Horváth, G.: Kernel CMAC: an Efficient Neural Network for Classification and Regression, Acta Polytechnica Hungarica Vol. 3. No. 1. pp. 5-20., 2006




Back »