Ověření schopnosti zobecňování neuronové sítě s radiální bází

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60162694%3AG43__%2F06%3A%230000155" target="_blank" >RIV/60162694:G43__/06:#0000155 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Generalization Ability Verification of RBF Neural Network

Popis výsledku v původním jazyce

Radial basis function (RBF) network proved a very good predictive performance of absolute compression pressures inside individual cylinders based on the crankshaft angular velocity. RBF networks offer a means of avoiding difficulties with training process because the learning algorithms for RBF networks can overcome the problem of training that normally occurs in multilayer networks. The prediction quality of the designed RBF artificial neural network depends predominantly on the density of the appliedknowledge base (training set) and on RBF network parameters particularly on the spread constant and on the number of neurons in the hidden layer. Submitted article presents the way how this parameter influences the behaviour of the network. Impact of noisy input vectors on designed RBF ANN prediction ability is discussed as well.

Název v anglickém jazyce

Generalization Ability Verification of RBF Neural Network

Popis výsledku anglicky

Radial basis function (RBF) network proved a very good predictive performance of absolute compression pressures inside individual cylinders based on the crankshaft angular velocity. RBF networks offer a means of avoiding difficulties with training process because the learning algorithms for RBF networks can overcome the problem of training that normally occurs in multilayer networks. The prediction quality of the designed RBF artificial neural network depends predominantly on the density of the appliedknowledge base (training set) and on RBF network parameters particularly on the spread constant and on the number of neurons in the hidden layer. Submitted article presents the way how this parameter influences the behaviour of the network. Impact of noisy input vectors on designed RBF ANN prediction ability is discussed as well.

Druh

D - Stať ve sborníku

CEP obor

JT - Pohon, motory a paliva

OECD FORD obor

—

Projekt

—

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2006

Kód důvěrnosti údajů

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

Název statě ve sborníku

Armament and Technics of Land Forces 2006

ISBN

80-8040-309-0

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

149-154

Název nakladatele

Akadémia ozbrojených síl generála M. R. Štefánika

Místo vydání

Liptovský Mikuláš

Místo konání akce

Liptovský Mikuláš

Datum konání akce

1. 1. 2006

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—