Artificial Neural Network as Universal Approximation of Nonlinear Relations

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21110%2F10%3A00169598" target="_blank" >RIV/68407700:21110/10:00169598 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Artificial Neural Network as Universal Approximation of Nonlinear Relations

Popis výsledku v původním jazyce

The layered neural networks are still considered as very general tools for approximation and they became popular especially for their simple implementation. The practical usage is, however, nontrivial in the choice of an appropriate architecture. The presented contribution is concerned with the development of a simple neural network with the selfadaptive architecture, which can enable easier neural network applications in engineering problems. Its approximation abilities are tested on several mathematical problems and two different modes of material parameters' identification problem. In the first one, the neural network is used to approximate the numerical model predicting the response for a given set of material parameters and loading. The second mode employs the neural network for constructing an inverse model, where material parameters are directly predicted for a given (measured) response.

Název v anglickém jazyce

Artificial Neural Network as Universal Approximation of Nonlinear Relations

Popis výsledku anglicky

The layered neural networks are still considered as very general tools for approximation and they became popular especially for their simple implementation. The practical usage is, however, nontrivial in the choice of an appropriate architecture. The presented contribution is concerned with the development of a simple neural network with the selfadaptive architecture, which can enable easier neural network applications in engineering problems. Its approximation abilities are tested on several mathematical problems and two different modes of material parameters' identification problem. In the first one, the neural network is used to approximate the numerical model predicting the response for a given set of material parameters and loading. The second mode employs the neural network for constructing an inverse model, where material parameters are directly predicted for a given (measured) response.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/FT-TA4%2F100" target="_blank" >FT-TA4/100: Optimalizace jako nástroj udržitelného rozvoje a zvýšení konkurenceschopnosti českého stavebnictví.</a><br>

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2010

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of International Conference on Modelling and Simulation 2010 in Prague

ISBN

978-80-01-04574-9

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

—

Název nakladatele

České vysoké učení technické v Praze

Místo vydání

Praha

Místo konání akce

Praha

Datum konání akce

22. 6. 2010

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—