Hluboká neuronová síť
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F22%3APR36441" target="_blank" >RIV/00216305:26220/22:PR36441 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.ueen.fekt.vut.cz/hluboka-neuronova-sit" target="_blank" >https://www.ueen.fekt.vut.cz/hluboka-neuronova-sit</a>
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
čeština
Název v původním jazyce
Hluboká neuronová síť
Popis výsledku v původním jazyce
Navržený algoritmus hluboké neuronové sítě je zobecněním učícího algoritmu zpětného šíření chyby (BPA) na větší počet skrytých vrstev neuronové sítě (hloubka sítě), doplněný zároveň o algoritmus dopředného předučení (hloubkové učení) neuronové sítě na základě nad sebou vrstvených autokodérů. Hloubka sítě je v řádu desítek a více vrstev, pro trénování se používá algoritmus zpětného šíření chyby. Trénování probíhá ve dvou fázích, tj. nejprve předučení sítě dopředným směrem, např. pomocí autoenkodérů (učení bez učitele), a poté doučení sítě zpětným směrem (učení s učitelem), eliminuje se tak tlumení zpětného šíření chyby. Síť bude použita k odhadu spolehlivosti energetických zařízení.
Název v anglickém jazyce
Deep neural network
Popis výsledku anglicky
The designed algorithm of deep neural network is a generalization of the back-propagation error (BPA) learning algorithm to a larger number of hidden layers of the neural network (network depth), complemented by a forward pre-learning (depth learning) neural network algorithm based on layered autocoders on top of each other. The depth of the network is in the order of tens of layers or more. A back-propagation algorithm is used to network training. The training is performed in two phases, i.e., first pretraining the network in the forward direction, e.g., using autoencoders (learning without a tutor), and then training the network in the backward direction (learning with a tutor), thus eliminating the damping of backpropagation error. The network will be used to estimate the reliability of power equipment.
Klasifikace
Druh
R - Software
CEP obor
—
OECD FORD obor
20201 - Electrical and electronic engineering
Návaznosti výsledku
Projekt
<a href="/cs/project/TK04020003" target="_blank" >TK04020003: Užití umělé inteligence při modernizaci diagnostiky systémových prvků a optimalizaci systémových činností energetického sektoru s cílem zvýšení kvality jeho řízení</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Interní identifikační kód produktu
MODIAS1
Technické parametry
Algoritmus aktivní a adaptivní dynamiky hluboké neuronové sítě ve formě dynamicky linkované knihovny.
Ekonomické parametry
Úspora nákladů za případně nedodanou energii v důsledku výpadku energetického zařízení.
IČO vlastníka výsledku
00216305
Název vlastníka
Vysoké učení technické v Brně