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”

Sledování kvantitativních a kvalitativních vlastností vody metodou neuronových sítí

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F44555601%3A13520%2F02%3A00001786" target="_blank" >RIV/44555601:13520/02:00001786 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    čeština

  • Název v původním jazyce

    Sledování kvantitativních a kvalitativních vlastností vody metodou neuronových sítí

  • Popis výsledku v původním jazyce

    Aplikace spočívá v kalibraci neuronového modelu a modelu Fourierových řad na povodí Ploučnice. Výhodou použitého přístupu je, že volba typu sítě není závislá na dalších parametrech úlohy. Jednotlivé sítě, případně jejich varianty (různý počet jednotek, různé počty skrytých vrstev) lze připojit jako black-box a testovat nezávisle. Při testování se použijí Stuttgartský neuronový simulátor SNNS a multiagentní hybridní systém Bang2 vyvíjený v Ústavu informatiky AV ČR. Byla vytvořena perceptronová síť, kterábyla učena metodou back propagation, vylepšenou o tzv. momentový člen. Síť je schopna věrné předpovědi hodnot průtoku následujícího dne na základě hodnot průtoku a srážek v den předchozí.

  • Název v anglickém jazyce

    To contemplate quantitative and qualitative water features by neural networks method

  • Popis výsledku anglicky

    An application deals with calibration of neural model and Fourier series model for Ploučnice catchment. This approach has an advantage, that the network choice is independent of other example's parameters. Each networks, and their variants (different units and hidden layer number) can be connected in as a black box and tested independently. A Stuttgart neural simulator SNNS and a multiagent hybrid system Bang2 developed in Institute of Computer Science, AS CR have been used for testing. A perceptron network has been constructed, which was trained by back propagation method improved with a momentum term. The network is capable of an accurate forecast of the next day runoff based on the runoff and rainfall values from previous day.

Klasifikace

  • Druh

    J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

  • CEP obor

    DA - Hydrologie a limnologie

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2002

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    Rostlinná výroba

  • ISSN

    0370-663X

  • e-ISSN

  • Svazek periodika

    48

  • Číslo periodika v rámci svazku

    7

  • Stát vydavatele periodika

    CZ - Česká republika

  • Počet stran výsledku

    5

  • Strana od-do

    322-326

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus