Original title: Behaviorální modelování pomocí paralelních výpočtů a neuronových sítí
Translated title: Parallel Computing and Neural Networks in Behavioral Modeling
Authors: Vágnerová, Jitka ; Škvor,, Zbyněk (referee) ; Dědková, Jarmila (referee) ; Lukeš, Zbyněk (advisor)
Document type: Doctoral theses
Year: 2013
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract: [eng] [cze]
Tato disertační práce se zabývá metodami modelování elektronického zařízení letadel. První část je stručným přehledem klasických metod modelování systémů a adaptivních, fuzzy a hybridních metod používaných převážně k black-box modelování. Cílem práce je vytvořit algoritmus pro identifikaci a modelování obecného systému, který může být nelineární, dynamický a velmi složitý, například co do množství rozměrů. Předpokládá se, že model má několik vstupů a výstupů. V hlavní části práce je rozebrána metoda, která patří mezi hybridní systémy, protože kombinuje fuzzy systém s parametricky definovanými pravidly a regresní neuronovou síť. Nejprve je zmíněn základní princip regresní sítě a způsob určení jejího parametru strmosti, dále se kapitola zabývá zavedením fuzzy pravidel do této sítě. Třetí část se zabývá jedním z hlavních bodů práce, paralelními výpočty. Výsledný algoritmus je navržen pro paralelní zpracování, protože výpočetní čas může být v případě složitějších modelů příliš vysoký, případně nelze výsledky získané ze sítě vyhodnotit pomocí výpočtu v jednom vlákně. V závěru práce je metoda ověřena na datech získaných z měření zmenšeného modelu letadla. Ověření je provedeno pomocí střední kvadratické odchylky a srovnáním s odpovídajícím modelem vytvořeným pomocí vícevrstvé neuronové sítě trénované zpětným šířením chyby s algoritmem Levenberg-Marquardt. This thesis is focused on methods for the aircraft equipment modeling. The first part provides a brief overview of classical system modeling approaches used for system description, identification, and modeling. Then adaptive, fuzzy and hybrid methods used mainly for black-box system modeling are introduced. Aim of the thesis is to develop an algorithm for identification and modeling of a general system, which can be nonlinear, dynamic and complex. Multiple inputs and multiple outputs of model are assumed. The main part of the thesis introduces a new method which falls into the hybrid systems. It combines fuzzy approach with parametrically defined rules and general regression neural network. Firstly, the fundamentals of simple general regression neural network and its smoothness parameter determination are presented. Secondly, the general regression neural network with the fuzzy rules is introduced. Third part of the thesis is focused on the parallel computing, one of the main objectives. The final algorithm is designed for the parallel machine, because the computational time can be significantly high and for the larger datasets, the model is not achievable when evaluated in single thread. Block diagram for parallel computing in Matlab and CUDA is provided, as well as the basic structure of CUDA source code. Finally, the method is verified on data obtained from the measurement of a miniaturized aircraft model using the antenna outside the aircraft and the probe inside the fuselage of the aircraft model. The validation of the method is done using mean squared error and compared to mean squared error of corresponding model performed using the multilayer neural network with backpropagation learning and Levenberg-Marquardt algorithm.
Keywords: fuzzy regresní neuronová síť; identifikace systémů; neuro-fuzzy; fuzzy general regression neural network; neuro-fuzzy; system identification

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/22697

Permalink: http://www.nusl.cz/ntk/nusl-233611


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Doctoral theses