Generalization Ability Verification of RBF Neural Network
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60162694%3AG43__%2F06%3A%230000155" target="_blank" >RIV/60162694:G43__/06:#0000155 - isvavai.cz</a>
Result on the web
—
DOI - Digital Object Identifier
—
Alternative languages
Result language
angličtina
Original language name
Generalization Ability Verification of RBF Neural Network
Original language description
Radial basis function (RBF) network proved a very good predictive performance of absolute compression pressures inside individual cylinders based on the crankshaft angular velocity. RBF networks offer a means of avoiding difficulties with training process because the learning algorithms for RBF networks can overcome the problem of training that normally occurs in multilayer networks. The prediction quality of the designed RBF artificial neural network depends predominantly on the density of the appliedknowledge base (training set) and on RBF network parameters particularly on the spread constant and on the number of neurons in the hidden layer. Submitted article presents the way how this parameter influences the behaviour of the network. Impact of noisy input vectors on designed RBF ANN prediction ability is discussed as well.
Czech name
Ověření schopnosti zobecňování neuronové sítě s radiální bází
Czech description
Neuronové sítě s radiální bází prokázaly velmi dobrou schopnost predikce absolutních hodnot kompresních tlaků v jednotlivých válcích. Tyto sítě nabízejí možnost vyhnout se potížím při procesu trénování protože algoritmus učení sítí s radiální bází umožňuje překonat problémy, které se běžně vyskytují při trénování vícevrstvých sítí. Kvalita predikce navržené umělé neuronové sítě s radiální bází závisí hlavně na hustotě použité znalostní báze (trénovací množině) a na parametrech sítě s radiální bází, zejména na konstantě spread a počtu neuronů ve skryté vrstvě. Článek popisuje vliv těchto parametrů na chování sítě. Rovněž je diskutován vliv zašuměných vstupních vektorů na schopnost predikce navržené umělé neuronové sítě s radiální bází.
Classification
Type
D - Article in proceedings
CEP classification
JT - Propulsion, engines and fuels
OECD FORD branch
—
Result continuities
Project
—
Continuities
Z - Vyzkumny zamer (s odkazem do CEZ)
Others
Publication year
2006
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Article name in the collection
Armament and Technics of Land Forces 2006
ISBN
80-8040-309-0
ISSN
—
e-ISSN
—
Number of pages
6
Pages from-to
149-154
Publisher name
Akadémia ozbrojených síl generála M. R. Štefánika
Place of publication
Liptovský Mikuláš
Event location
Liptovský Mikuláš
Event date
Jan 1, 2006
Type of event by nationality
EUR - Evropská akce
UT code for WoS article
—