keywords:"Lazy learning" - Search Results - Digital Repository

guest :: login Digital Repository
		Search		Submit		Help		About

Home > Search Results: keywords:"Lazy learning"

Search:

Search Tips :: Advanced Search

Search collections:

Sort by:	Display results:	Output format:

	Control of Nonlinear Systems using Local Approximation Methods Brablc, Martin ; Bugeja, Marvin (referee) ; Grepl, Robert (advisor) Tato práce se zabývá návrhem adaptivního řídícího algortitmu pro konkrétní třídu elektromechanických aktuátorů, založeného na principu dopředného řízení pomocí inverzního dynamického modelu. Adaptibilita řízení spočívá v mechanismu získání inverzního dynamického modelu. Tato práce se zaměřuje na jeho online aproximaci pomocí lokálních aproximačních metod. Výstupem práce je shrnutí analýzy, simulačního testování a reálných experimentů, které testovaly možnosti praktického využití lokálných aproximačních metod pro účely adaptivního řízení v reálném prostředí. Detailed record
	Control of Nonlinear Systems using Local Approximation Methods Brablc, Martin ; Bugeja, Marvin (referee) ; Grepl, Robert (advisor) Tato práce se zabývá návrhem adaptivního řídícího algortitmu pro konkrétní třídu elektromechanických aktuátorů, založeného na principu dopředného řízení pomocí inverzního dynamického modelu. Adaptibilita řízení spočívá v mechanismu získání inverzního dynamického modelu. Tato práce se zaměřuje na jeho online aproximaci pomocí lokálních aproximačních metod. Výstupem práce je shrnutí analýzy, simulačního testování a reálných experimentů, které testovaly možnosti praktického využití lokálných aproximačních metod pro účely adaptivního řízení v reálném prostředí. Detailed record
	Lazy Learning of Environment Model from the Past Štěch, J. ; Guy, Tatiana Valentine ; Pálková, B. ; Kárný, Miroslav The paper addresses a lazy learning (LL) approach to decision making (DM) problem described in fully probabilistic way. The key idea of LL is to simplify the actual DM problem by using past DM problems similar to the current one. The approach can decrease computation complexity and increase quality of learning when no rich alternative information available. The proposed LL approach helps to learn the environment model based on a proximity of the past and current DM problem with Kullback-Leibler divergence serving as a proximity measure. The implemented algorithm is verified on the real data. The results show that the proposed approach improves prediction quality. Detailed record

Interested in being notified about new results for this query?
Subscribe to the RSS feed.

Digital Repository :: :: :: ::
Powered by v1.1.2
Maintained by

This site is also available in the following languages:
Česky English