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”

Predikce splývavosti tkanin z mechanických vlastností s využitím regresní analýzy a neuronových sítí

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24410%2F04%3A00000123" target="_blank" >RIV/46747885:24410/04:00000123 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Drape prediction from mechanical properties of woven fabrics by means regression analysis and neural networks

  • Popis výsledku v původním jazyce

    Fabric drape is very important characteristic connected with aesthetical product appearance. This paper deals with possibilities of drape prediction (DC) of woven fabrics from their mechanical properties, which are measured by means of KES.Multiple linear regression and neural networks in connection with PCA - analysis principal components was used as prediction tools. From 16 basic properties were chosen five mechanical parameters (2HB, 2HG5, MIU, T0, W) and on their base were created tworegression models. These variables were used as input to the neural networks utilizing rational basis functions (RBF networks) Correlation between predicate DC and real DC is very good, nevertheless prediction with help RBF is better, about 0,97.

  • Název v anglickém jazyce

    Drape prediction from mechanical properties of woven fabrics by means regression analysis and neural networks

  • Popis výsledku anglicky

    Fabric drape is very important characteristic connected with aesthetical product appearance. This paper deals with possibilities of drape prediction (DC) of woven fabrics from their mechanical properties, which are measured by means of KES.Multiple linear regression and neural networks in connection with PCA - analysis principal components was used as prediction tools. From 16 basic properties were chosen five mechanical parameters (2HB, 2HG5, MIU, T0, W) and on their base were created tworegression models. These variables were used as input to the neural networks utilizing rational basis functions (RBF networks) Correlation between predicate DC and real DC is very good, nevertheless prediction with help RBF is better, about 0,97.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    JJ - Ostatní materiály

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)

Ostatní

  • Rok uplatnění

    2004

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    STRUTEX 2004

  • ISBN

    80-7083-891-4

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    321-326

  • Název nakladatele

    Technická univerzita v Liberci

  • Místo vydání

    Liberec

  • Místo konání akce

    Liberec

  • Datum konání akce

    1. 1. 2004

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku