Neurosensory network functionality and data-driven control

Kutz, J. Nathan

doi:10.1016/j.coisb.2018.08.013

Cited by 3 publications

(2 citation statements)

References 52 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pomimo licznych opracowań naukowych, jak również zabezpieczeń prawnych i organizacyjnych, ludzie ciągle zaskakiwani są zdarzeniami czy też zjawiskami, w wyniku których dochodzi do poważnych negatywnych konsekwencji, które mają miejsce zarówno w systemach obronnych, jak również w systemach bezpieczeństwa. Czynnikiem, który generuje najwięcej problemów w tym obszarze jest człowiek, a potwierdzają to między innymi wyniki badań własnych (Ćwik B., 2017a 46 , 2017b 47 ; Ćwik B. & Świerszcz K., 2018 48 , 2017 49 ; Świerszcz K., 2017 50 ).…”

Section: Sformułowanie Problemuunclassified

Threat Monitoring in Defense and Security Systems – Methodological Aspects

Ćwik¹

2019

Przegląd Nauk o Obronności

View full text Add to dashboard Cite

Artykuł podejmuje problem zwiększenia skuteczności systemów ostrzegających o zagrożeniach. Bolączką tego typów systemów jest zjawisko tzw. zaskoczeń, będące wynikiem niedostrzeżenia w porę symptomów nadchodzących zdarzeń, pomimo obecności zaawansowanych technologicznie systemów monitoringu, w tym systemów śledzenia zagrożeń. Celem artykułu jest analiza wybranych aspektów teoretycznych i metodologicznych monitorowania sygnałów ostrzegawczych, pod kątem możliwości poprawy skuteczności systemów ostrzegających. Wyniki przeprowadzonych analiz przedstawiają propozycje nowego teoretycznego, jak również metodologicznego podejścia to problematyki monitoringu zagrożeń. Przedstawione podjęcie teoretyczne, jak również związane z tym modele, mogą korzystnie wpłynąć na skuteczność systemów ostrzegawczych.

show abstract

Section: Sformułowanie Problemuunclassified

Threat Monitoring in Defense and Security Systems – Methodological Aspects

Ćwik¹

2019

Przegląd Nauk o Obronności

View full text Add to dashboard Cite

show abstract

“…Recently, information theoretic learning (ITL) has drawn considerable attention due to its good performance avoiding the effect of the noise and outliers [30][31][32][33][34][35] and it has become an effective alternative to the MSE criterion. In [36], the authors presented a novel training criterion based on the minimum error entropy (MEE) to replace the MSE.…”

Section: Introductionmentioning

confidence: 99%

Evolved-Cooperative Correntropy-Based Extreme Learning Machine for Robust Prediction

Mei

Liu

et al. 2019

Entropy

View full text Add to dashboard Cite

In recent years, the correntropy instead of the mean squared error has been widely taken as a powerful tool for enhancing the robustness against noise and outliers by forming the local similarity measurements. However, most correntropy-based models either have too simple descriptions of the correntropy or require too many parameters to adjust in advance, which is likely to cause poor performance since the correntropy fails to reflect the probability distributions of the signals. Therefore, in this paper, a novel correntropy-based extreme learning machine (ELM) called ECC-ELM has been proposed to provide a more robust training strategy based on the newly developed multi-kernel correntropy with the parameters that are generated using cooperative evolution. To achieve an accurate description of the correntropy, the method adopts a cooperative evolution which optimizes the bandwidths by switching delayed particle swarm optimization (SDPSO) and generates the corresponding influence coefficients that minimizes the minimum integrated error (MIE) to adaptively provide the best solution. The simulated experiments and real-world applications show that cooperative evolution can achieve the optimal solution which provides an accurate description on the probability distribution of the current error in the model. Therefore, the multi-kernel correntropy that is built with the optimal solution results in more robustness against the noise and outliers when training the model, which increases the accuracy of the predictions compared with other methods.

show abstract

How could data integrate with control? A review on data-based control strategy

Huang

Gao

2020

Int. J. Dynam. Control

View full text Add to dashboard Cite

Neurosensory network functionality and data-driven control

Cited by 3 publications

References 52 publications

Threat Monitoring in Defense and Security Systems – Methodological Aspects

Threat Monitoring in Defense and Security Systems – Methodological Aspects

Evolved-Cooperative Correntropy-Based Extreme Learning Machine for Robust Prediction

How could data integrate with control? A review on data-based control strategy

Contact Info

Product

Resources

About