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”

?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