This HTML5 document contains 36 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
n8http://linked.opendata.cz/ontology/domain/vavai/cep/typPojektu/
n18http://linked.opendata.cz/ontology/domain/vavai/cep/zivotniCyklusProjektu/
n7http://linked.opendata.cz/ontology/domain/vavai/cep/druhSouteze/
dctermshttp://purl.org/dc/terms/
n9http://linked.opendata.cz/ontology/domain/vavai/cep/hodnoceniProjektu/
n2http://linked.opendata.cz/resource/domain/vavai/projekt/
n19http://linked.opendata.cz/resource/domain/vavai/cep/prideleniPodpory/
n16http://linked.opendata.cz/resource/domain/vavai/subjekt/
n14http://linked.opendata.cz/ontology/domain/vavai/
n6http://linked.opendata.cz/ontology/domain/vavai/cep/kategorie/
n11http://linked.opendata.cz/ontology/domain/vavai/cep/duvernostUdaju/
rdfshttp://www.w3.org/2000/01/rdf-schema#
skoshttp://www.w3.org/2004/02/skos/core#
n17http://linked.opendata.cz/ontology/domain/vavai/cep/fazeProjektu/
n13http://linked.opendata.cz/ontology/domain/vavai/cep/obor/
n15http://linked.opendata.cz/resource/domain/vavai/soutez/
n20http://linked.opendata.cz/ontology/domain/vavai/cep/statusZobrazovaneFaze/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n5http://linked.opendata.cz/resource/domain/vavai/projekt/GAP103%2F10%2F0783/
xsdhhttp://www.w3.org/2001/XMLSchema#
n3http://linked.opendata.cz/ontology/domain/vavai/cep/
n12http://reference.data.gov.uk/id/gregorian-year/
n4http://linked.opendata.cz/resource/domain/vavai/aktivita/

Statements

Subject Item
n2:GAP103%2F10%2F0783
rdf:type
n14:Projekt
rdfs:seeAlso
http://www.isvav.cz/projectDetail.do?rowId=GAP103/10/0783
dcterms:description
Current trends in information technology show the necessity to develop much more efficient methods for structural data analysis and data mining. At the same time, these directions open new perspectives for further developments in computer science. There we see the opportunity to capitalize on the experience of the team in the field of neural networks and restarting automata. Several types of problems from the area of structural pattern recognition and data mining are namely of a similar character and the principles of learning from examples using neural networks or restarting automata can be used to approach their solution. Our goals are:Design new methods for efficient knowledge extraction. Extend these methods to extract also the information concerning the (hierarchical) structure of the data (using self-organization and sensitivity analysis in BP-networks).Extend the original 1D model of restarting automata to work also on 2D-inputs, e.g. pictures. Analyze theoretical properties of 2D-restarting automata, and 2D-grammars, respectively.Implement the developed methods and test them with the aim to assess their limits in practical applications. Use the developed software modules in two pilot studies – for knowledge extraction (e.g. from economic or multimedia data) and in structural recognition of mathematical formulae. Současný trend ve vývoji informačních technologií vyžaduje návrh mnohem efektivnějších metod pro strukturální analýzu dat a dobývání znalostí. Tyto směry zároveň otevírají nové perspektivy pro další rozvoj počítačových věd. Zde vidíme příležitost využít zkušeností týmu v oboru neuronových sítí a restartovacích automatů. Některé typy úloh z oblasti rozpoznávání anebo dobývání znalostí totiž mají podobný charakter a při jejich řešení zřejmě lze aplikovat principy učení z příkladů s využitím neuronových sítí, resp. restartovacích automatů. Cílem je:Navrhnout nové metody pro efektivní extrakci znalostí. Rozšířit tyto metody pro extrakci informací o (hierarchické) struktuře dat (s využitím samoorganizace a citlivostní analýzy v BP-sítích).Rozšířit základní 1D model restartovacích automatů i pro práci nad 2D-vstupy, např. obrázky. Provést teoretickou analýzu vlastností 2D restartovacích automatů, resp. 2D gramatik.Vyvinuté metody implementovat a otestovat s cílem poznat meze jejich praktické použitelnosti. Softwarové moduly budou využity ve dvou pilotních studiích – při dobývání znalostí (např. z ekonomických anebo multimediálních dat) a při rozpoznávání obrazů matematických vzorců.
dcterms:title
Structure and its impact for recognition Struktura a její využití při rozpoznávání
skos:notation
GAP103/10/0783
n3:aktivita
n4:GA
n3:celkovaStatniPodpora
n5:celkovaStatniPodpora
n3:celkoveNaklady
n5:celkoveNaklady
n3:datumDodatniDoRIV
2015-05-22+02:00
n3:druhSouteze
n7:VS
n3:duvernostUdaju
n11:S
n3:fazeProjektu
n17:100897700
n3:hlavniObor
n13:BD
n3:hodnoceniProjektu
n9:U
n3:kategorie
n6:ZV
n3:klicovaSlova
recognition neural networks restarting automata
n3:partnetrHlavni
n16:orjk%3A11320
n3:pocetKoordinujicichPrijemcu
0
n3:pocetPrijemcu
1
n3:pocetSpoluPrijemcu
1
n3:pocetVysledkuRIV
58
n3:pocetZverejnenychVysledkuVRIV
58
n3:posledniUvolneniVMinulemRoce
2014-05-02+02:00
n3:prideleniPodpory
n19:P103-10-0783
n3:sberDatUcastniciPoslednihoRoku
n12:2014
n3:sberDatUdajeProjZameru
n12:2015
n3:soutez
n15:SGA02010GA-ST
n3:statusZobrazovaneFaze
n20:DUU
n3:typPojektu
n8:P
n3:ukonceniReseni
2014-12-31+01:00
n3:zahajeniReseni
2010-01-01+01:00
n3:zhodnoceni+vysledku+projektu+dodavatelem
Projekt se zabýval základním výzkumem metod pro data s bohatou strukturou, zejména pokročilých metod strukturálního rozpoznávání vzorů, umělých neuronových sítí a automatů. Dosažené výsledky jsou použitelné v počítačovém vidění, zpracování přirozeného jazyka a dobývání znalostí. Výsledky byly publikovány v knize a více než 50 odborných článcích, včetně 7 článků v impaktovaných časopisech. The project performed basic research into methods for data with rich structure, in particular advanced methods of structural pattern recognition, artificial neural networks and automata. The obtained results can be used in computer vision, natural language processing, and data mining. They were published in a book and more than 50 research papers, including 7 in journals with impact factor.
n3:zivotniCyklusProjektu
n18:ZBBBKU