Hluboká neuronová síť

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

—

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.

Druh

R - Software

CEP obor

—

OECD FORD obor

20201 - Electrical and electronic engineering

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)

Rok uplatnění

2022

Kód důvěrnosti údajů

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

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