Ověření schopnosti zobecňování neuronové sítě s radiální bází
Popis výsledku
Neuronové sítě s radiální bází prokázaly velmi dobrou schopnost predikce absolutních hodnot kompresních tlaků v jednotlivých válcích. Tyto sítě nabízejí možnost vyhnout se potížím při procesu trénování protože algoritmus učení sítí s radiální bází umožňuje překonat problémy, které se běžně vyskytují při trénování vícevrstvých sítí. Kvalita predikce navržené umělé neuronové sítě s radiální bází závisí hlavně na hustotě použité znalostní báze (trénovací množině) a na parametrech sítě s radiální bází, zejména na konstantě spread a počtu neuronů ve skryté vrstvě. Článek popisuje vliv těchto parametrů na chování sítě. Rovněž je diskutován vliv zašuměných vstupních vektorů na schopnost predikce navržené umělé neuronové sítě s radiální bází.
Klíčová slova
Identifikátory výsledku
Kód výsledku v IS VaVaI
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
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.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JT - Pohon, motory a paliva
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2006
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
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
—
Druh výsledku
D - Stať ve sborníku
CEP
JT - Pohon, motory a paliva
Rok uplatnění
2006