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”

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