| Attributes | Values |
|---|
| rdf:type
| |
| Description
| - Některé metalurgické systémy jsou zatím prakticky nepopsané (tzv. černá skřínka), další popsané pouze částečně (tzv. šedá skřínka), zatímco jen velice málo z nich je popsaných téměř úplně (tzv. bílá skřínka). Při identifikaci systémů pomocí metod statistické analýzy je určitá šance dopátrat se jejich vhodné vnitřní struktury (tj. přejít od černé skřínky k šedé, či od šedé k bílé), i když tento přístup je velice náročný na znalosti a čas. Identifikace pomocí umělých neuronových sítí umožňuje spíše vnější popis systémů (tj. vytvoření modelů černých skřínek), kdy dostáváme přijatelnou shodu mezi skutečnými a modelovanými výstupy, čili tzv. estimaci (odhad, predikci) výstupu. Tento přístup je tedy vhodnější spíše k řízení než k samotné identifikaci. Příspěvek se zabývá možnostmi predikce teploty po chemickém příhřevu oceli na zařízení integrovaného systému sekundární metalurgie pomocí regresní analýzy i umělých neuronových sítí a porovnáním obou těchto přístupů.
- Některé metalurgické systémy jsou zatím prakticky nepopsané (tzv. černá skřínka), další popsané pouze částečně (tzv. šedá skřínka), zatímco jen velice málo z nich je popsaných téměř úplně (tzv. bílá skřínka). Při identifikaci systémů pomocí metod statistické analýzy je určitá šance dopátrat se jejich vhodné vnitřní struktury (tj. přejít od černé skřínky k šedé, či od šedé k bílé), i když tento přístup je velice náročný na znalosti a čas. Identifikace pomocí umělých neuronových sítí umožňuje spíše vnější popis systémů (tj. vytvoření modelů černých skřínek), kdy dostáváme přijatelnou shodu mezi skutečnými a modelovanými výstupy, čili tzv. estimaci (odhad, predikci) výstupu. Tento přístup je tedy vhodnější spíše k řízení než k samotné identifikaci. Příspěvek se zabývá možnostmi predikce teploty po chemickém příhřevu oceli na zařízení integrovaného systému sekundární metalurgie pomocí regresní analýzy i umělých neuronových sítí a porovnáním obou těchto přístupů. (cs)
- Before realization of these systems control requested by practice it is necessary to execute their structural and parametric identification. As these processes are very complex, all exact relations for their mathematical description are not known so far. Some metallurgical systems are practically non-described so far (black box), further described only partially (grey box), while only a little of them are described almost fully (white box). Identification by means of artificial neural networks enables rather external system description (i.e. black box models creation), when we get an acceptable accordance between real and modeled outputs, i.e. so called output estimation (prediction). This approach is thus more suitable for control than for identification itself. Contribution deals with a possibility of prediction of a temperature after a steel chemical heating on device of integrated system of secondary metallurgy by means of regression analysis and artificial neural networks and with a compariso (en)
|
| Title
| - Analýza chemického přísevu oceli prostřednictvím regrese a umělých neuronových sítí.
- Analysis of Chemical Reheating of Steel by Means of Regression and Artificial Neural Networks (en)
- Analýza chemického přísevu oceli prostřednictvím regrese a umělých neuronových sítí. (cs)
|
| skos:prefLabel
| - Analýza chemického přísevu oceli prostřednictvím regrese a umělých neuronových sítí.
- Analysis of Chemical Reheating of Steel by Means of Regression and Artificial Neural Networks (en)
- Analýza chemického přísevu oceli prostřednictvím regrese a umělých neuronových sítí. (cs)
|
| skos:notation
| - RIV/61989100:27360/09:00022103!RIV10-MSM-27360___
|
| http://linked.open...avai/riv/aktivita
| |
| http://linked.open...avai/riv/aktivity
| |
| http://linked.open...vai/riv/dodaniDat
| |
| http://linked.open...aciTvurceVysledku
| |
| http://linked.open.../riv/druhVysledku
| |
| http://linked.open...iv/duvernostUdaju
| |
| http://linked.open...titaPredkladatele
| |
| http://linked.open...dnocenehoVysledku
| |
| http://linked.open...ai/riv/idVysledku
| - RIV/61989100:27360/09:00022103
|
| http://linked.open...riv/jazykVysledku
| |
| http://linked.open.../riv/klicovaSlova
| - neural networks; regression analysis; prediction; model; metallurgy (en)
|
| http://linked.open.../riv/klicoveSlovo
| |
| http://linked.open...ontrolniKodProRIV
| |
| http://linked.open...v/mistoKonaniAkce
| |
| http://linked.open...i/riv/mistoVydani
| |
| http://linked.open...i/riv/nazevZdroje
| |
| http://linked.open...in/vavai/riv/obor
| |
| http://linked.open...ichTvurcuVysledku
| |
| http://linked.open...cetTvurcuVysledku
| |
| http://linked.open...UplatneniVysledku
| |
| http://linked.open...iv/tvurceVysledku
| - Jančíková, Zora
- Zimný, Ondřej
- Morávka, J.
|
| http://linked.open...vavai/riv/typAkce
| |
| http://linked.open.../riv/zahajeniAkce
| |
| number of pages
| |
| http://purl.org/ne...btex#hasPublisher
| |
| https://schema.org/isbn
| |
| http://localhost/t...ganizacniJednotka
| |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)