Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Umělá neuronová síť jako předmět statistického testování

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00023752%3A_____%2F05%3A00000449" target="_blank" >RIV/00023752:_____/05:00000449 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    ANN as subjekt of statistical testing

  • Popis výsledku v původním jazyce

    The paper is oriented to statistical testing of ANN output in special cases. The neural network with several inputs and single output is able to classify objects into two classes depending on the ANN output value. Basic types of neural networks are included: linear perceptron, bipolar perceptron, sigmoidal perceptron, MLP and RBF. Various statistical properties of ANN output signal enforce various strategies of statistical testing. The non-parametric approach is represented by Fisher's factorial, chi square, Wilcoxon-Mann-Whitney and Kolmogorov-Smirnov test. The general methodology is based on ANN learning on the training pattern set and statistical testing on the verification set. All the calculations were performed in the Matlab environment.

  • Název v anglickém jazyce

    ANN as subjekt of statistical testing

  • Popis výsledku anglicky

    The paper is oriented to statistical testing of ANN output in special cases. The neural network with several inputs and single output is able to classify objects into two classes depending on the ANN output value. Basic types of neural networks are included: linear perceptron, bipolar perceptron, sigmoidal perceptron, MLP and RBF. Various statistical properties of ANN output signal enforce various strategies of statistical testing. The non-parametric approach is represented by Fisher's factorial, chi square, Wilcoxon-Mann-Whitney and Kolmogorov-Smirnov test. The general methodology is based on ANN learning on the training pattern set and statistical testing on the verification set. All the calculations were performed in the Matlab environment.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    FH - Neurologie, neurochirurgie, neurovědy

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/1M0517" target="_blank" >1M0517: Centrum neuropsychiatrických studií 2005-2009 (Neurobiologie v klinické aplikaci)</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2005

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Technical Computing Prague 2005. Sborník příspěvků 13. mezinárodní konference, Kongresové centrum ČVUT Praha, 15.11. 2005

  • ISBN

    80-7080-577-3

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    3

  • Strana od-do

    64-66

  • Název nakladatele

    Vydavatelství VŠCHT

  • Místo vydání

    Praha

  • Místo konání akce

    Praha

  • Datum konání akce

    15. 11. 2005

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku