Deep Neural Network

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F23%3APR37766" target="_blank" >RIV/00216305:26220/23:PR37766 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.ueen.fekt.vut.cz/deep-neural-network-0" target="_blank" >https://www.ueen.fekt.vut.cz/deep-neural-network-0</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Deep Neural Network

Popis výsledku v původním jazyce

Hluboká neuronová síť je určena k aproximaci silně nelineárních závislostí, jako závislostí stavu zařízení na vybraných měřených parametrech zařízení. Pro odhad parametrů hluboké neuronové sítě (trénování) byl užit algoritmus zpětného šíření chyby. Trénování probíhá ve dvou fázích, tj. nejprve předučení sítě dopředným směrem pomocí autokodérů (učení bez učitele) a poté doučení sítě zpětným směrem (učení s učitelem), eliminuje se tak tlumení zpětného šíření chyby. Autokodér je vícevrstvý perceptron se shodným počtem vstupních a výstupních neuronů o lichém počtu vrstev, kde střední vrstva je označována jako dělící. Autokodér se na sadě vstupních vzorů učí autoasociativní funkci, tj. vzor předložený na vstup reprodukovat na výstupu.

Název v anglickém jazyce

Deep Neural Network

Popis výsledku anglicky

The deep neural network is designed to approximate strongly nonlinear dependencies, such as the dependencies of the device state on selected measured device parameters. A back propagation error algorithm was used to estimate the parameters of the deep neural network (training). The training is performed in two phases, i.e, first training the network in the forward direction using autoencoders (unsupervised learning) and then training the network in the backward direction (supervised learning), thus eliminating the damping of backpropagation error. An autoencoder is a multilayer perceptron with an equal number of input and output neurons with an odd number of layers, where the middle layer is referred to as the splitting layer. The autoencoder learns an autoassociative function on a set of input patterns, i.e. the pattern presented to the input is reproduced at the output.

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

2023

Kód důvěrnosti údajů

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

Interní identifikační kód produktu

MODIAS4

Technické parametry

Aplikace spouštějící aktivní resp. adaptivní dynamiku hluboké neuronové sítě ve formě dynamicky linkované knihovny nad vstupními daty včetně možnosti zadání uživatelem volených spouštěcích parametrů adaptace sítě (rychlost, setrvačnost a zrychlení) resp. architektury sítě (počty vrstev a počty neuronů ve vrstvách). Výstupem aplikace je obecně odhad výstupních proměnných závislých na nezávislých vstupních proměnných dle závislosti naučené na trénovacích datech, tj. konkrétně např. odhad zbytkové životnosti zařízení na základě naměřených parametrů zařízení. Jako programovací jazyk algoritmizace výpočtů byl užit Intel Fortran s QuickWin uživatelským rozhraním.

Ekonomické parametry

Úspory docílené včasnou diagnostikou stavu zařízení vzniklé předejitím následných ztrát.

IČO vlastníka výsledku

00216305

Název vlastníka

Vysoké učení technické v Brně