KR101632986B1 - Mr-댐퍼가 있는 콘크리트 구조물의 비선형 움직임을 예측하기 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템 - Google Patents

Mr-댐퍼가 있는 콘크리트 구조물의 비선형 움직임을 예측하기 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템 Download PDF

Info

Publication number
KR101632986B1
KR101632986B1 KR1020140155989A KR20140155989A KR101632986B1 KR 101632986 B1 KR101632986 B1 KR 101632986B1 KR 1020140155989 A KR1020140155989 A KR 1020140155989A KR 20140155989 A KR20140155989 A KR 20140155989A KR 101632986 B1 KR101632986 B1 KR 101632986B1
Authority
KR
South Korea
Prior art keywords
fuzzy
error
wavelet
neural network
output value
Prior art date
Application number
KR1020140155989A
Other languages
English (en)
Other versions
KR20160056068A (ko
Inventor
김이석
남윤영
Original Assignee
순천향대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 순천향대학교 산학협력단 filed Critical 순천향대학교 산학협력단
Priority to KR1020140155989A priority Critical patent/KR101632986B1/ko
Publication of KR20160056068A publication Critical patent/KR20160056068A/ko
Application granted granted Critical
Publication of KR101632986B1 publication Critical patent/KR101632986B1/ko

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E04—BUILDING
    • E04B—GENERAL BUILDING CONSTRUCTIONS; WALLS, e.g. PARTITIONS; ROOFS; FLOORS; CEILINGS; INSULATION OR OTHER PROTECTION OF BUILDINGS
    • E04B1/00—Constructions in general; Structures which are not restricted either to walls, e.g. partitions, or floors or ceilings or roofs
    • E04B1/62—Insulation or other protection; Elements or use of specified material therefor
    • E04B1/92—Protection against other undesired influences or dangers
    • E04B1/98—Protection against other undesired influences or dangers against vibrations or shocks; against mechanical destruction, e.g. by air-raids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Architecture (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Environmental & Geological Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electromagnetism (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 철근 콘크리트 구조물의 비선형 움직임을 예측을 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템에 있어서, 상기 구조물에서 데이터를 수집하는 제1단계, 상기 비선형 움직임을 기술하기 위해 모델링을 하는 제2단계, 상기 제1단계에서 수집한 상기 데이터를 상기 제2단계에서 모델링 된 모델에 입력하여 반복하는 제3단계, 상기 제3단계에서 예측된 값과 실제 값의 차이를 평균제곱근 오차를 이용해 체크하고, 오차가 허용 오차보다 큰 경우 상기 제2단계로 돌아가고, 작은 경우 다음단계를 진행하는 제4단계, 모델의 유효성을 테스트하는 제5단계를 포함하는 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템에 대한 것이다.

Description

MR-댐퍼가 있는 콘크리트 구조물의 비선형 움직임을 예측하기 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템{Wavelet-based Time delayed adaptive neuro fuzzy inference system for predicting nonlinear behavior of smart concrete structure equipped with MR-dampers}
본 발명은 철근 콘크리트 구조물의 비선형 움직임을 예측을 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템에 있어서, 상기 구조물에서 데이터를 수집하는 제1단계, 상기 비선형 움직임을 기술하기 위해 모델링을 하는 제2단계, 상기 제1단계에서 수집한 상기 데이터를 상기 제2단계에서 모델링 된 모델에 입력하여 반복하는 제3단계, 상기 제3단계에서 예측된 값과 실제 값의 차이를 평균제곱근 오차를 이용해 체크하고, 오차가 허용 오차보다 큰 경우 상기 제2단계로 돌아가고, 작은 경우 다음단계를 진행하는 제4단계, 모델의 유효성을 테스트하는 제5단계를 포함하는 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템에 대한 것이다.
일반적으로 현대 구조물들은 새로운 재료와 시공기술의 발달로 고층화되고 장대 화되었으나, 외부 하중에 대하여 구조물이 쉽게 진동하며, 과도한 진동은 사용성 및 구조물의 심각한 손상의 원인이 된다. 따라서, 구조물의 외력에 대한 제진(制震)은 특히 고층화되고 있는 근래의 건물 기타 구조물에 있어서 매우 중요한 기술로 자리매김 하고 있다.
제진 방법으로는 외부에서 오는 진동과 이에 따른 구조물의 진동을 계측하여 구조물의 내부와 외부에서 구조물의 진동에 대응한 제어력을 가하여 구조물의 진동을 저감시키는 '능동제어 방법'과 구조물의 강성 등을 입력진동의 특성에 대응하도록 하여 구조물을 제어하는 '수동제어 방법' 이 있다. 기존의 능동제어 방법에는 최적제어, 퍼지(Fuzzy)제어, 신경망 제어 등이 있다.
통상적으로 신경망 알고리즘은 학습된 결과를 바탕으로 어떠한 조건, 어떠한 상황 하에서도 결과 값을 정확히 예측해야 할 때 사용되며, 패턴 분류나 진단, 예측 등을 위해 신경망 및 퍼지집합 이론을 결합한 적응적 의사결정지원 툴(Adaptive Decision Support Tool)인 퍼지신경망(FNN: Fuzzy Neural Network,이 제안되어 왔다. 이러한 퍼지신경망은 여러가지 형태로 학습(Learning), 적응(Aaptation), 규칙추출(Rule Extraction)을 위한 알고리즘과 더불어 제시되었다.
상술한 의사 결정을 위한 퍼지신경망의 장점의 하나는 조건문(if-then) 퍼지규칙의 추출이라 할 수 있다. 여기서, 퍼지규칙의 추출이란 패턴 분류나 예측에 있어서 보편적인 패턴을 조건문 퍼지규칙과 같은 단순한 형태의 지식 표현으로 나타내는 것을 의미한다. 이러한, 퍼지신경망을 이용한 퍼지규칙 추출의 예로는 주어진 학습 데이터로부터 지식 추출을 위한 자기 조직화 시스템(self-organizing system) 기반 퍼지신경망 [J. S. Wang and C.S.G. Lee, "Self-Adaptive Neuro-Fuzzy Inference System for Classification Applications," IEEE Trans., Fuzzy Systems, 2002, Vol.10, No6, pp.790-802.] 등이 개발되었으며, 유전자 알고리즘을 이용하여 간단하고 정확도가 높은 퍼지규칙 기반 모델[M. Setnes and H. Roubos, "GA-Fuzzy Modeling and classification : Complexity and Performance," IEEE Trans., Fuzzy Systems, 2000, Vol.8, No.5, pp.509-522.]이 제안되었다. 이와 같이, 퍼지신경망을 이용한 패턴 분류나 진단, 예측 시스템은 다양한 형태로 개발되어 왔지만 종래의 퍼지 신경망을 이용한 패턴 분류 및 진단 방법은 퍼지 규칙의 수가 많고 인식률이 떨어지는 문제점이 있다.
본 발명의 배경기술은 대한민국 특허청에 등록특허공보 10-0868964호가 2008.11.10자로 개시되어 있다.
상술한 문제점을 해결하기 위해 안출된 본 발명의 과제는, MR-댐퍼를 사용하는 콘크리트 구조물의 비선형 움직임을 분석하고 예측하기 위해 기존의 퍼지-신경망 모델(ANFIS: Adaptive Neuro-Fuzzy Model)을 확장한 시간 지연 퍼지-신경망 모델(TANFIS: Time-Delayed Adaptive Neuro-Fuzzy Model)과 웨이블릿 변환 기법을 적용한 필터링과정을 포함하는 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템(W-TANFIS: Wavelet based Time-Delayed Adaptive Neuro-Fuzzy Inference System)을 제공하는 것이다.
본 발명의 일실시 예에 따른 스마트 철근 콘크리트 구조물의 비선형 움직임을 예측을 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템에 있어서, 상기 구조물에서 데이터를 수집하는 제1단계, 상기 비선형 움직임을 기술하기 위해 모델링을 하는 제2단계, 상기 제1단계에서 수집한 상기 데이터를 상기 제2단계에서 모델링 된 모델에 입력하여 반복하는 제3단계, 상기 제3단계에서 예측된 값과 실제 값의 차이를 평균제곱근 오차를 이용해 체크하고, 오차가 허용 오차보다 큰 경우 상기 제2단계로 돌아가고, 작은 경우 다음단계를 진행하는 제4단계, 모델의 유효성을 테스트하는 제5단계를 포함하되, 상기 모델링은 입력 값이 3개이고 출력 값이 1개인 것을 특징으로 한다.
본 발명의 일실시 예에 따른 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템을 통해 콘크리트 구조물에서 나타나는 충격하중의 복잡한 메커니즘의 완전한 이해 없이도 수집된 입력/출력 데이터를 이용하여 퍼지, 언어, 숫자 규칙의 조합에 따라 물리적 시스템의 움직임을 정의할 수 있고, 다양한 레벨의 충격하중에서의 콘크리트 구조물의 비선형 움직임을 효율적으로 예측할 수 있다.
도 1은 일반적인 퍼지 신경망 추론 시스템을 도시한 것이다.
도 2는 시간 지연 퍼지 신경망 추론 시스템을 도시한 것이다.
도 3은 본 발명의 웨이블릿 기반 시간 지연 퍼지 신경망 추론 시스템을 도시한 것이다.
도 4는 본 발명의 웨이블릿 기반 시간 지연 퍼지 신경망 추론 시스템의 모델링 흐름도 도시한 것이다.
기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
도 1은 일반적인 퍼지 신경망 시스템(ANFIS:Adaptive Neuro-Fuzzy Inference System)의 구조를 도시한 것으로 학습능력을 갖는 신경망과 추론 기능을 갖는 퍼지 이론을 융합한 것으로 비선형 시스템의 모델링에 효과적으로 이용되고 있는 모델이다. 도 1에서 계층(layer)1, 4는 동정될 파라미터를 갖고 있으며, 계층 2, 3, 5는 단지 규정된 연산만 수행한다. 계층 1의 맴버십 함수(MF: Membership Function)에 대한 파라미터는 출력 오차신호의 backward pass시 기울기 하강(gradient-descent)법에 의해 조정되며, 계층 4 후건부 선형화 파라미터는 신호의 forward pass시 최소제곱법에 의해 조정된다.
도 2는 시간 지연 퍼지 신경망 추론 시스템(TANFIS:Time-delayed Adaptive Neuro-Fuzzy Inference System)을 도시한 것으로 기존의 퍼지 신경망 모델은 다양한 충격하중에서의 콘크리트 구조물의 충격 반응을 예측하는 것이 부정확하기 때문에 퍼지 신경망 모델의 출력 값을 입력 값 중 하나로 사용한다.
시간 지연 퍼지 신경망 추론 시스템은 세 개의 입력과 하나의 출력으로 구성된다. 본 발명에서는 퍼지모델을 시뮬레이션 하기 위해서 변위(Displacement), 가속도(Acceleration), 변형율 응답(Strain reponse)를 판단하기 위해 충격하중과 현재 신호가 사용된다. 시간 지연 퍼지 신경망 추론 시스템의 세 가지 규칙은 다음과 같다.
규칙 1: 만약 m이 X 1 , n이 Y1, 이고 o가 Z 1 이면,
Figure 112014108356215-pat00001
규칙 2: 만약 m이 X 2 , n이 Y 2 , 이고 o가 Z 2 이면,
Figure 112014108356215-pat00002
규칙 3: 만약 m이 X 3 , n이 Y 3 , 이고 o가 Z 3 이면,
Figure 112014108356215-pat00003
위의 규칙에서 m t-d , n t-d 는 t-d시간의 입력이고, Out t-d 는 퍼지 시스템에서 이전 반복을 통해 얻어진 t시간에서의 출력인 Out t 에 대한 입력이다. d는 시간 지연을 나타낸다.
시간 지연 퍼지 신경망 추론 시스템은 5개의 계층(Layer)을 가지고 있고, 제1계층의 출력값은
Figure 112014108356215-pat00004
,
제2계층의 출력값은
Figure 112014108356215-pat00005
제3계층의 출력값은
Figure 112014108356215-pat00006
제4계층의 출력값은
Figure 112014108356215-pat00007
제5계층의 출력값은
Figure 112014108356215-pat00008
이다.
시간 지연 퍼지 신경망 추론 시스템에서 최적화된 결과를 얻기 위해 웨이블릿 변환 기법을 이용한 필터링 과정을 더 포함한다. 필터링 과정은 입력 데이터를 압축하고 노이즈를 줄여 계산 시간을 감소시켜 주고 정확도는 높여준다.
도 3은 시간 지연 퍼지 신경망 추론 시스템에 웨이블릿 변환 기법을 이용한 필터링 과정이 더 포함된 웨이블릿 기반 시간 지연 퍼지 신경망 추론 시스템(W-TANFIS:Wavelet-based Time-delayed Adaptive Neuro-Fuzzy Inference System)의 구조를 나타낸다.
충격하중과 MR-댐퍼의 현재 값을 입력으로, W-TANFIS 모델을 이용하여 구조물의 비선형 움직임을 예측한다.
도 4는 본 발명의 W-TANFIS을 이용한 모델링 흐름도를 나타낸다. 제1단계(s410)는 데이터를 수집하는 단계로 충격하중과 현재의 신호가 입력값으로 사용되고, 변형, 편향, 가속 응답은 출력 신호로 사용된다.
제2단계(s420)은 입력된 신호를 이용하여 수학적 모델링을 하는 단계로 W-TANFIS 모델을 이용한다.
제3단계(S430)에서는 수집한 데이터를 제2단계(S420)에서 모델링 된 모델에 입력하여 반복하는데, 본 발명의 모델에서는 반복 횟수를 10회로 하는데 이는 반속 횟수가 10회를 넘어가게 되면 성능의 향상률이 작아지기 때문이다.
제4단계(S440) 평균제곱근 오차(RMSE:Root Mean Square Error)를 이용하여 예측된 값과 실제 값의 오차를 체크하고, 오차가 허용 오차보다 큰 경우 제2단계(S420)로 돌아가고, 작은 경우 다음단계를 진행한다.
마지막 단계인 제5단계(S450)에서는 모델의 유효성을 테스트하고, 오차가 허용 오차보다 큰 경우 제2단계(S420)로 돌아가고, 작은 경우 종료하게 된다.
본 발명은 상술한 바람직한 실시예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술 분야의 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 청구범의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 간주한다.

Claims (5)

  1. 철근 콘크리트 구조물의 비선형 움직임을 예측을 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템에 있어서,
    상기 구조물에서 데이터를 수집하는 제1단계;
    상기 비선형 움직임을 기술하기 위해 모델링을 하는 제2단계;
    상기 제1단계에서 수집한 상기 데이터를 상기 제2단계에서 모델링 된 모델에 입력하여 반복하는 제3단계;
    상기 제3단계에서 예측된 값과 실제 값의 차이를 평균제곱근 오차를 이용해 체크하고, 오차가 허용 오차보다 큰 경우 상기 제2단계로 돌아가고, 작은 경우 다음단계를 진행하는제4단계;
    모델의 유효성을 테스트하는 제5단계;를 포함하되,
    상기 모델링은 입력 값이 3개이고 출력 값이 1개인 것을 특징으로 하는 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템.
  2. 삭제
  3. 청구항 제1항에 있어서, 상기 모델링은 5개의 계층(Layer)을 가지고 있고, 제1계층의 출력값은
    Figure 112016038747729-pat00009
    ,
    제2계층의 출력값은
    Figure 112016038747729-pat00010

    제3계층의 출력값은
    Figure 112016038747729-pat00011

    제4계층의 출력값은
    Figure 112016038747729-pat00012

    제5계층의 출력값은
    Figure 112016038747729-pat00013
    인 것을 특징으로 하는 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템.
  4. 청구항 제3항에 있어서, 상기 데이터를 압축하고 노이즈를 줄이기 위해 웨이블릿 변환기법을 이용한 필터링 과정을 더 포함하는 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템.
  5. 청구항 제1항에 있어서, 상기 제5단계는 상기 오차가 허용 오차보다 큰 경우 상기 제2단계로 돌아가고, 작은 경우 종료하는 것을 더 포함하는 것을 특징으로 하는 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템.
KR1020140155989A 2014-11-11 2014-11-11 Mr-댐퍼가 있는 콘크리트 구조물의 비선형 움직임을 예측하기 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템 KR101632986B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140155989A KR101632986B1 (ko) 2014-11-11 2014-11-11 Mr-댐퍼가 있는 콘크리트 구조물의 비선형 움직임을 예측하기 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140155989A KR101632986B1 (ko) 2014-11-11 2014-11-11 Mr-댐퍼가 있는 콘크리트 구조물의 비선형 움직임을 예측하기 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템

Publications (2)

Publication Number Publication Date
KR20160056068A KR20160056068A (ko) 2016-05-19
KR101632986B1 true KR101632986B1 (ko) 2016-06-23

Family

ID=56103240

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140155989A KR101632986B1 (ko) 2014-11-11 2014-11-11 Mr-댐퍼가 있는 콘크리트 구조물의 비선형 움직임을 예측하기 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템

Country Status (1)

Country Link
KR (1) KR101632986B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109858695B (zh) * 2019-01-29 2021-01-26 深圳航天智慧城市系统技术研究院有限公司 基于模糊逻辑预测统计人口总数的方法
KR102228003B1 (ko) * 2019-09-11 2021-03-17 영남대학교 산학협력단 개폐식 지붕 구조물용 스마트 진동 저감 장치
KR102425908B1 (ko) * 2020-08-27 2022-07-26 경희대학교 산학협력단 역 해석 기능을 갖는 인공지능(ai) 기반 지능형 구조설계 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100808817B1 (ko) 2007-09-21 2008-03-03 한국유지관리 주식회사 구조물의 지진피해 평가 보고 시스템
KR100868964B1 (ko) 2007-03-15 2008-11-17 임준식 가중 퍼지 소속함수 기반 신경망을 이용한 비선형 시계열예측 모델의 추출방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100868964B1 (ko) 2007-03-15 2008-11-17 임준식 가중 퍼지 소속함수 기반 신경망을 이용한 비선형 시계열예측 모델의 추출방법
KR100808817B1 (ko) 2007-09-21 2008-03-03 한국유지관리 주식회사 구조물의 지진피해 평가 보고 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
논문 2002

Also Published As

Publication number Publication date
KR20160056068A (ko) 2016-05-19

Similar Documents

Publication Publication Date Title
Wu et al. Output feedback stabilization of linear systems with actuator saturation
Koohi et al. Optimizing particle swarm optimization algorithm
Zio et al. Failure and reliability predictions by infinite impulse response locally recurrent neural networks
Zhao et al. Distributed event-triggered state estimation and fault detection of nonlinear stochastic systems
Asad et al. Backstepping-based recurrent type-2 fuzzy sliding mode control for MIMO systems (MEMS triaxial gyroscope case study)
KR101632986B1 (ko) Mr-댐퍼가 있는 콘크리트 구조물의 비선형 움직임을 예측하기 위한 웨이블릿 기반 시간 지연 퍼지-신경망 추론 시스템
Han et al. $ H_\infty $ Model-free Reinforcement Learning with Robust Stability Guarantee
Wei et al. Safe control with neural network dynamic models
CN109635246B (zh) 一种基于深度学习的多属性数据建模方法
Senniappan et al. Application of fuzzy cognitive maps for crack categorization in columns of reinforced concrete structures
Huynh et al. A TOPSIS multi-criteria decision method-based intelligent recurrent wavelet CMAC control system design for MIMO uncertain nonlinear systems
Heo et al. Response simulation, data cleansing and restoration of dynamic and static measurements based on deep learning algorithms
Vahidi‐Moghaddam et al. Adaptive prescribed‐time disturbance observer using nonsingular terminal sliding mode control: Extended Kalman filter and particle swarm optimization
Sutrisno et al. Self-organizing quasi-linear ARX RBFN modeling for identification and control of nonlinear systems
Bartczuk et al. Hybrid state variables-fuzzy logic modelling of nonlinear objects
Zhang et al. PDE‐based event‐triggered containment control of multi‐agent systems with input delay under spatial boundary communication
Cheng et al. Human motion prediction using adaptable neural networks
JP3465236B2 (ja) ロバスト強化学習方式
Terziyska A distributed adaptive neuro-fuzzy network for chaotic time series prediction
Linsenmayer et al. Nonlinear event-triggered platooning control with exponential convergence
Zamani et al. Seismic response prediction of open-and closed-loop structural control systems using a multi-state-dependent parameter estimation approach
Wu et al. Active fault-tolerant fuzzy control design of nonlinear model tracking with application to chaotic systems
Al-Mahasneh et al. Evolving general regression neural networks for learning from noisy datasets
Laflamme et al. Application of self-tuning Gaussian networks for control of civil structures equipped with magnetorheological dampers
Singhal et al. Neural network-based compensation of synthetic jet actuator nonlinearities for aircraft flight control

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190821

Year of fee payment: 4