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
—