Dopředné neuronové sítě v katalýze: nástroj pro aproximaci závislosti výtěžnosti na složení katalyzátorů, a pro extrakci znalostí
Popis výsledku
Umělé neuronové sítě jsou distribuované výpočetní systémy implementující část funkcionality charakterizující biologické neuronové sítě. Tento způsob počítání je docela úspěšný v praktických aplikacích, jako nástroj pro řešení několika úkolů tradičně stavěných před matematiku a analýzu dat, jako např. klasifikace, shlukování, aproximace a predikce. V tomto článku jsou načrtnuty hlavní principy použití vícevrstvých perceptronů pro aproximaci neznámých funkcí, a je nastíněno další možné využití vícevrstvých perceptronův kombinatorické katalýze - jejich využití pro extrakci znalostí ze vstupních a výstupních dat z katalytických experimentů. Aby byla vyvážena abstraktnost tématu, je tato metoda ilustrována pomocí aplikace vícevrstvých perceptronů na data osložení katalyzátorů a výsledcích katalýzy při oxidační dehydrogenaci propanu na propen.
Klíčová slova
artificial neural networksmultilayer perceptrondependencyapproximationnetwork trainingovertrainingknowledge extractionlogical rulesoxidative dehydrogenation of propane
Identifikátory výsledku
Kód výsledku v IS VaVaI
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Feedforward Neural Networks in Catalysis: A Tool for the Approximation of the Dependency of Yield on Catalyst Composition, and for Knowledge Extraction
Popis výsledku v původním jazyce
Artificial neural networks are distributed computing systems implementing the functionality characterizing biological neural networks. This way of computing has become quite successful in practical applications as a tool for solving several traditional mathematical and data-analysis tasks, such as classification, clustering, approximation and prediction. In this paper, main principles of employing multilayer perceptrons for the approximation of unknown functions are outlined, and another possible use ofmultilayer perceptrons in combinatorial catalysis is indicated - their use for the extraction of knowledge from experimental catalytic input and output data. To counterbalance the abstractness of the subject, the method is illustrated by applying multilayer perceptrons to data on catalyst composition and catalytic results in the oxidative dehydrogenation of propane to propene.
Název v anglickém jazyce
Feedforward Neural Networks in Catalysis: A Tool for the Approximation of the Dependency of Yield on Catalyst Composition, and for Knowledge Extraction
Popis výsledku anglicky
Artificial neural networks are distributed computing systems implementing the functionality characterizing biological neural networks. This way of computing has become quite successful in practical applications as a tool for solving several traditional mathematical and data-analysis tasks, such as classification, clustering, approximation and prediction. In this paper, main principles of employing multilayer perceptrons for the approximation of unknown functions are outlined, and another possible use ofmultilayer perceptrons in combinatorial catalysis is indicated - their use for the extraction of knowledge from experimental catalytic input and output data. To counterbalance the abstractness of the subject, the method is illustrated by applying multilayer perceptrons to data on catalyst composition and catalytic results in the oxidative dehydrogenation of propane to propene.
Klasifikace
Druh
Jx - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
BA - Obecná matematika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2003
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Catalysis Today
ISSN
0920-5861
e-ISSN
—
Svazek periodika
81
Číslo periodika v rámci svazku
-
Stát vydavatele periodika
DE - Spolková republika Německo
Počet stran výsledku
10
Strana od-do
485-494
Kód UT WoS článku
—
EID výsledku v databázi Scopus
—
Druh výsledku
Jx - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP
BA - Obecná matematika
Rok uplatnění
2003