Utilize este identificador para referenciar este registo: http://hdl.handle.net/10400.1/2252
Título: On-line sliding-window Levenberg-Marquardt methods for neural network models
Autor: Ferreira, P. M.
Ruano, A. E.
Data: 2007
Editora: IEEE
Citação: Ferreira, P. M.; Ruano, A. E. On-line sliding-window Levenberg-Marquardt methods for neural network models, Trabalho apresentado em 2007 IEEE International Symposium on Intelligent Signal Processing, In Proceedings of the 2007 IEEE International Symposium on Intelligent Signal Processing, Alcala de Henares, Spain, 2007.
Resumo: On-line learning algorithms are needed when the process to be modeled is time-varying or when it is impossible to obtain off-line data that covers the whole operating region. To minimize the problems of parameter shadowing and interference, sliding-based algorithms are used. It is shown that, by using a sliding window policy that enforces the novelty of data stored in the sliding window, and by using a procedure to prevent unnecessary parameter updates, the performance achieved is improved over a FIFO policy with fixed parameter updates. Important savings in computational effort are also obtained.
Peer review: yes
URI: http://hdl.handle.net/10400.1/2252
DOI: http://dx.doi.org/10.1109/WISP.2007.4447542
ISBN: 978-1-4244-0829-0
Aparece nas colecções:FCT2-Artigos (em revistas ou actas indexadas)

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
04447542.pdf2,67 MBAdobe PDFVer/Abrir    Acesso Restrito. Solicitar cópia ao autor!


FacebookTwitterDeliciousLinkedInDiggGoogle BookmarksMySpace
Formato BibTex MendeleyEndnote Degois 

Todos os registos no repositório estão protegidos por leis de copyright, com todos os direitos reservados.