miun.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Configuring artificial neural networks for the prediction of available energy in solar-powered sensor nodes
Mittuniversitetet, Fakulteten för naturvetenskap, teknik och medier, Avdelningen för elektronikkonstruktion.
Mittuniversitetet, Fakulteten för naturvetenskap, teknik och medier, Avdelningen för elektronikkonstruktion.ORCID-id: 0000-0002-8382-0359
Mittuniversitetet, Fakulteten för naturvetenskap, teknik och medier, Avdelningen för elektronikkonstruktion.
2015 (Engelska)Ingår i: 2015 IEEE SENSORS - Proceedings, Institute of Electrical and Electronics Engineers (IEEE), 2015, s. 354-357, artikel-id 7370253Konferensbidrag, Publicerat paper (Refereegranskat)
Resurstyp
Text
Abstract [en]

The behavior prediction of solar energy harvesting systems requires accurate system models in order to dimension the system with respect to its application and location constraints. In contrast to commonly used equivalent circuit models, artificial neural networks (ANN) allow for the behavior of the entire system to be captured in an efficient manner. In this work, we have investigated the influences of the underlying ANN configuration on the model's prediction performance. It was found that the performance variation between training runs increases with an rising number of neurons, which can lead to a higher model performance, but makes the performance outcome more sensitive to initial training conditions. Moreover, the results demonstrate that even simple ANN configurations capture the system behavior accurately and result in low prediction errors for the harvesting architecture under test.

Ort, förlag, år, upplaga, sidor
Institute of Electrical and Electronics Engineers (IEEE), 2015. s. 354-357, artikel-id 7370253
Nyckelord [en]
artificial neural networks, energy harvesting, solar energy harvesting, system modeling, wireless sensor networks
Nationell ämneskategori
Elektroteknik och elektronik
Identifikatorer
URN: urn:nbn:se:miun:diva-27847DOI: 10.1109/ICSENS.2015.7370253ISI: 000380440800092Scopus ID: 2-s2.0-84963555127Lokalt ID: STCOAI: oai:DiVA.org:miun-27847DiVA, id: diva2:934751
Konferens
14th IEEE SENSORS; Busan; South Korea; 1 November 2015 through 4 November 2015; Category numberCFP15SEN-USB; Code 118927
Anmärkning

Conference Paper

Tillgänglig från: 2016-06-09 Skapad: 2016-06-09 Senast uppdaterad: 2016-12-23Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Personposter BETA

Bader, SebastianOelmann, Bengt

Sök vidare i DiVA

Av författaren/redaktören
Bader, SebastianOelmann, Bengt
Av organisationen
Avdelningen för elektronikkonstruktion
Elektroteknik och elektronik

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 427 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf