文献

J-GLOBAL ID：201702240931476717   整理番号：17A1216431

人工神経回路網の新しい適応学習アルゴリズムに基づく内燃機関の体積効率モデル化【Powered by NICT】

Volumetric efficiency modelling of internal combustion engines based on a novel adaptive learning algorithm of artificial neural networks

著者 (4件)： Lujan Jose Manuel (CMT Motores Termicos, Universitat Politecnica de Valencia, Spain) ,  Climent Hector (CMT Motores Termicos, Universitat Politecnica de Valencia, Spain) ,  Garcia-Cuevas Luis Miguel (CMT Motores Termicos, Universitat Politecnica de Valencia, Spain) ,  Moratal Ausias (CMT Motores Termicos, Universitat Politecnica de Valencia, Spain)
資料名： Applied Thermal Engineering  (Applied Thermal Engineering)
巻： 123  ページ： 625-634  発行年： 2017年 
JST資料番号： E0667B  ISSN： 1359-4311  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 空気質量流量測定は,内燃機関の制御に関する主要な変数の一つである。吸気システムの有効性は体積効率係数により評価した。物理モデルによる吸気システム特性が,入力データまたは顕著な計算時間のかなりの量のどちらかを必要とする。これらの欠点のために,人工ニューラルネットワークに基づくブラックボックスモデルを用いてしばしば使用される経験的アプローチ。標準勾配降下法に代わるものとして適応学習アルゴリズムは,隠れ層重み更新速度の増加に基づいて開発した。本稿で提示した結果は,提案した適応学習法は,より高い学習速度,削減された計算資源とネットワーク複雑性を持つ性能を発揮することを示した。いくつかの多層パーセプトロン(MLP)ネットワークのパラメトリック研究は,エポックの数,隠れニューロンの数,運動量係数と学習アルゴリズムの変形を行った。訓練と検証データは自動車用ターボ過給ディーゼル機関で実施した定常状態試験から求めた。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： CPU時間 ,  *モデリング ,  運動量 ,  多層パーセプトロン ,  最急降下法 ,  自動車 ,  システム特性 ,  *学習アルゴリズム ,  ディーゼル機関 ,  ネットワーク ,  *体積効率 ,  ニューロン ,  吸気
準シソーラス用語： *適応学習 ,  物理モデル , 【Automatic Indexing@JST】

著者キーワード (4件)： 人工ニューラルネットワーク ,  適応学習 ,  ディーゼルエンジンモデリング ,  体積効率

分類 (2件)： 火花点火機関  (PB02020C) ,  圧縮点火機関  (PB02030N)

タイトルに関連する用語 (5件)： 人工神経回路網 ,  適応学習 ,  アルゴリズム ,  体積効率 ,  モデル化