Aplikace umělých neuronových sítí na modelování hydrologické bilance v povodí Ploučnice, v severních Čechách (Česká republika)

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F44555601%3A13520%2F07%3A00003729" target="_blank" >RIV/44555601:13520/07:00003729 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Application of artificial neural networks in modelling the hydrological balance of the Ploučnice River valley, Northern Bohemia (Czech Republic)

Popis výsledku v původním jazyce

We have shown that multilayer perceptron neural networks can be successfully used for creating small rainfall-runoff models. These models can be built from historical time series data only. In general, one layer networks fit the "one day history" model better, while two layer networks are more succesful for the "two days' history" nodels. The designed three layers network yielded better forecast on the "one day history" data. We believe this is because bigger neural networks function better for large data sets. On the other hand, networks with more parameters tend to be over-trained and thus they achieve a smaller training error, but a larger testing error.

Název v anglickém jazyce

Application of artificial neural networks in modelling the hydrological balance of the Ploučnice River valley, Northern Bohemia (Czech Republic)

Popis výsledku anglicky

We have shown that multilayer perceptron neural networks can be successfully used for creating small rainfall-runoff models. These models can be built from historical time series data only. In general, one layer networks fit the "one day history" model better, while two layer networks are more succesful for the "two days' history" nodels. The designed three layers network yielded better forecast on the "one day history" data. We believe this is because bigger neural networks function better for large data sets. On the other hand, networks with more parameters tend to be over-trained and thus they achieve a smaller training error, but a larger testing error.

Druh

D - Stať ve sborníku

CEP obor

DO - Ochrana krajinných území

OECD FORD obor

—

Projekt

<a href="/cs/project/GA526%2F03%2FZ042" target="_blank" >GA526/03/Z042: Modelování srážko-odtokových vztahů metodami umělé inteligence</a><br>

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2007

Kód důvěrnosti údajů

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

Název statě ve sborníku

Sandstone Landscapes

ISBN

978-80-200-1577-8

ISSN

—

e-ISSN

—

Počet stran výsledku

3

Strana od-do

90-92

Název nakladatele

Academia

Místo vydání

Praha

Místo konání akce

Doubice

Datum konání akce

1. 1. 2002

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—