Optimalizace parametrů učení a architektury neuronových sítí pomocí evolučních algoritmů
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60460709%3A41330%2F10%3A47929" target="_blank" >RIV/60460709:41330/10:47929 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
čeština
Název v původním jazyce
Optimalizace parametrů učení a architektury neuronových sítí pomocí evolučních algoritmů
Popis výsledku v původním jazyce
Příspěvek se zabývá problematikou optimalizace parametrů učení a architektury neuronových sítí pomocí evolučních algoritmů. Optimalizovaná síť byla testována při krátkodobé předpovědi průtoků (6 h) na povodí horního toku řeky Sázavy. Použitým typem neuronové sítě byl vícevrstevný perceptron s učením zpětnou propagací chyby. Po optimalizaci parametrů byly neuronové sítě natrénovány a byly provedeny simulace. Kvalita předpovědi byla hodnocena vybranými kritérii. Z výsledků vyplývá, že optimalizované neuronové sítě mají při krátkodobé předpovědi dobré výsledky. Optimalizace parametrů přispívá ke zlepšení kvality předpovědi a může být využita pro přesnější volbu hodnot parametrů ovlivňujících učení a simulace.
Název v anglickém jazyce
Artificial Neural Networks Learning and Architecture Parameters Optimization by Evolutionary Algorithms
Popis výsledku anglicky
The paper deals with artificial neural networks learning and architecture parameters optimization by evolutionary algorithms. Optimized network was tested by short-term runoff forecasts (6 h) on the Sázava upper river basin. Type of used neural network was the multilayer perceptron with back propagation learning algorithm. The learning and the simulations were performed after optimizing the parameters of the neural network. The efficiency of the predictions was evaluated by selected criteria. The results show that optimized neural networks provide good results for short-term forecast. Optimization of parameters helps to improve the efficiency of forecasts and may be used for more precise choice of parameter values that affect learning and simulation.
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
<a href="/cs/project/QH91247" target="_blank" >QH91247: Možnosti zmírnění současných důsledků klimatické změny zlepšením akumulační schopnosti v povodí Rakovnického potoka (pilotní projekt)</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2010
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Vodohospodářské technicko-ekonomické informace
ISSN
0322-8916
e-ISSN
—
Svazek periodika
52
Číslo periodika v rámci svazku
I
Stát vydavatele periodika
CZ - Česká republika
Počet stran výsledku
5
Strana od-do
—
Kód UT WoS článku
—
EID výsledku v databázi Scopus
—