?Aladin? weather model local revisions using the differential polynomial neural network
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27740%2F14%3A86090322" target="_blank" >RIV/61989100:27740/14:86090322 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.14311/NNW.2014.24.009" target="_blank" >http://dx.doi.org/10.14311/NNW.2014.24.009</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.14311/NNW.2014.24.009" target="_blank" >10.14311/NNW.2014.24.009</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
?Aladin? weather model local revisions using the differential polynomial neural network
Popis výsledku v původním jazyce
The 48-hour ?Aladin? forecast model can predict significant meteorological quantities in a middle scale area. Neural networks could try to replace some statistical techniques designed to adapt a global meteorological numerical forecast model for local conditions, described with real data surface observations. They succeed commonly a cut above problem solutions with a predefined testing data set, which provides bearing inputs for a trained model. Time-series predictions of the very complex and dynamic weather system are sophisticated and not any time faithful using simple neural network models entered only some few variables of their own next-time step estimations. Predicted values of a global meteorological forecast might instead enter a neural networklocally trained model, for refine it. Differential polynomial neural network is a new neural network type developed by the author; it constructs and substitutes for an unknown general sum partial differential equation of a system descrip
Název v anglickém jazyce
?Aladin? weather model local revisions using the differential polynomial neural network
Popis výsledku anglicky
The 48-hour ?Aladin? forecast model can predict significant meteorological quantities in a middle scale area. Neural networks could try to replace some statistical techniques designed to adapt a global meteorological numerical forecast model for local conditions, described with real data surface observations. They succeed commonly a cut above problem solutions with a predefined testing data set, which provides bearing inputs for a trained model. Time-series predictions of the very complex and dynamic weather system are sophisticated and not any time faithful using simple neural network models entered only some few variables of their own next-time step estimations. Predicted values of a global meteorological forecast might instead enter a neural networklocally trained model, for refine it. Differential polynomial neural network is a new neural network type developed by the author; it constructs and substitutes for an unknown general sum partial differential equation of a system descrip
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2014
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Neural Network World
ISSN
1210-0552
e-ISSN
—
Svazek periodika
Vol.24
Číslo periodika v rámci svazku
No.2/2014
Stát vydavatele periodika
CZ - Česká republika
Počet stran výsledku
14
Strana od-do
143-156
Kód UT WoS článku
—
EID výsledku v databázi Scopus
—