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”

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

Identifikátory výsledku

  • 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>

Alternativní jazyky

  • 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.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10102 - Applied mathematics

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • 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