An MLP Neural Network for Approximation of a Functional Dependence with Noise

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21220%2F23%3A00373655" target="_blank" >RIV/68407700:21220/23:00373655 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1007/978-981-19-9379-4_32" target="_blank" >https://doi.org/10.1007/978-981-19-9379-4_32</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-981-19-9379-4_32" target="_blank" >10.1007/978-981-19-9379-4_32</a>

Jazyk výsledku

angličtina

Název v původním jazyce

An MLP Neural Network for Approximation of a Functional Dependence with Noise

Popis výsledku v původním jazyce

Multilayer perceptron (MLP) neural networks used for approximation of the functional dependency are capable of generalization and thus to a limited noise removal, for example from measured data. The following text shows the effect of noise on the results obtained when data is interpolated by a neural network on several functions of two and one function of three variables. The function values obtained from the trained neural network showed on average ten times lower deviations from the correct value than the data on which the network was trained, especially for higher noise levels. The obtained results confirm the suitability of using a neural network for an interpolation of unknown functional dependencies from measured data, even when the noise load cannot be removed.

Název v anglickém jazyce

An MLP Neural Network for Approximation of a Functional Dependence with Noise

Popis výsledku anglicky

Multilayer perceptron (MLP) neural networks used for approximation of the functional dependency are capable of generalization and thus to a limited noise removal, for example from measured data. The following text shows the effect of noise on the results obtained when data is interpolated by a neural network on several functions of two and one function of three variables. The function values obtained from the trained neural network showed on average ten times lower deviations from the correct value than the data on which the network was trained, especially for higher noise levels. The obtained results confirm the suitability of using a neural network for an interpolation of unknown functional dependencies from measured data, even when the noise load cannot be removed.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2023

Kód důvěrnosti údajů

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

Název statě ve sborníku

Third Congress on Intelligent Systems

ISBN

978-981-19-9378-7

ISSN

2367-3370

e-ISSN

—

Počet stran výsledku

12

Strana od-do

443-454

Název nakladatele

Springer Nature Singapore Pte Ltd.

Místo vydání

—

Místo konání akce

Bengaluru

Datum konání akce

5. 9. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—