Auto-regressive multiple-valued logic neurons with sequential Chua’s oscillator back-propagation learning for online prediction and synchronization of chaotic trajectories
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to examine the structural and computational potentials of a powerful class of neural networks (NNs), called multiple-valued logic neural networks (MVLNN), for predicting the behavior of phenomenological systems with highly nonlinear dynamics. MVLNNs are constructed based on the integration of a number of neurons working based on the principle of multiple-valued logics. MVLNNs possess some particular features, namely complex-valued weights, input, and outputs coded by kth roots of unity, and a continuous activation as a mean for transferring numbers from complex spaces to trigonometric spaces, which distinguish them from most of the existing NNs. Design/methodology/approach – The presented study can be categorized into three sections. At the first part, the authors attempt at providing the mathematical formulations required for the implementation of ARX-based MVLNN (AMVLNN). In this context, it is indicated that how the concept of ARX can be used to revise the structure of MVLNN for online applications. Besides, the stepwise formulation for the simulation of Chua’s oscillatory map and multiple-valued logic-based BP are given. Through an analysis, some interesting characteristics of the Chua’s map, including a number of possible attractors of the state and sequences generated as a function of time, are given. Findings – Based on a throughout simulation as well as a comprehensive numerical comparative study, some important features of AMVLNN are demonstrated. The simulation results indicate that AMVLNN can be employed as a tool for the online identification of highly nonlinear dynamic systems. Furthermore, the results show the compatibility of the Chua’s oscillatory system with BP for an effective tuning of the synaptic weights. The results also unveil the potentials of AMVLNN as a fast, robust, and efficient control-oriented model at the heart of NMPC control schemes. Originality/value – This study presents two innovative propositions. First, the structure of MVLNN is modified based on the concept of ARX system identification programming to suit the base structure for coping with chaotic and highly nonlinear systems. Second, the authors share the findings about the learning characteristics of MVLNNs. Through an exhaustive comparative study and considering different rival methodologies, a novel and efficient double-stage learning strategy is proposed which remarkably improves the performance of MVLNNs. Finally, the authors describe the outline of a novel formulation which prepares the proposed AMVLNN for applications in NMPC controllers for dynamic systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».