This HTML5 document contains 42 embedded RDF statements represented using HTML+Microdata notation.

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

Namespace Prefixes

PrefixIRI
dctermshttp://purl.org/dc/terms/
n15http://purl.org/net/nknouf/ns/bibtex#
n10http://localhost/temp/predkladatel/
n8http://linked.opendata.cz/resource/domain/vavai/riv/tvurce/
n16http://linked.opendata.cz/ontology/domain/vavai/
n17http://linked.opendata.cz/resource/domain/vavai/zamer/
n5https://schema.org/
shttp://schema.org/
skoshttp://www.w3.org/2004/02/skos/core#
n3http://linked.opendata.cz/ontology/domain/vavai/riv/
n19http://linked.opendata.cz/resource/domain/vavai/vysledek/RIV%2F00216275%3A25530%2F08%3A00007217%21RIV09-MSM-25530___/
n2http://linked.opendata.cz/resource/domain/vavai/vysledek/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n4http://linked.opendata.cz/ontology/domain/vavai/riv/klicoveSlovo/
n12http://linked.opendata.cz/ontology/domain/vavai/riv/duvernostUdaju/
xsdhhttp://www.w3.org/2001/XMLSchema#
n18http://linked.opendata.cz/ontology/domain/vavai/riv/jazykVysledku/
n13http://linked.opendata.cz/ontology/domain/vavai/riv/aktivita/
n20http://linked.opendata.cz/ontology/domain/vavai/riv/druhVysledku/
n14http://linked.opendata.cz/ontology/domain/vavai/riv/obor/
n9http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:RIV%2F00216275%3A25530%2F08%3A00007217%21RIV09-MSM-25530___
rdf:type
skos:Concept n16:Vysledek
dcterms:description
This paper is concerned with huge nonlinear systems modelling by artificial neural networks techniques. There is studied short-circuited slotted line in order to neural model design. The neural model has two inputs (slot width and frequency) and one output (real or imaginary part of terminal line impedance). Artificial neural networks are trained here by Backpropagation Algorithm and its derivation, Levenberg-Marquardt Algorithm. All the simulations are computed in Neural Network Toolbox included in Matlab. Simulation results prove artificial neural networks to be successful in defined system modelling. Cílem uvedeného příspěvku je demonstrovat použití umělých neuronových sítí k řešení praktických úloh identifikace složitých nelineárních soustav. Bylo zkoumáno zkratované štěrbinové vedení za účelem vytvoření jeho modelu ve tvaru umělé neuronové sítě (UNS). Model představuje soustavu se dvěma vstupy, šířkou štěrbiny a frekvencí a jedním výstupem, reálnou nebo imaginarní složkou zakončovaní impedance vedení. K řešení úlohy byl použit Neural Network Toolbox výpočetního systému MATLAB/SIMULNK. Navržená neuronová síť byla trénována algoritmem Backpropagation a jeho modifikací, metodou Levenberg-Marquardta. Získané výsledky prokázaly úspěšnost použití UNS jako prostředku pro modelování zkoumaného systému. Cílem uvedeného příspěvku je demonstrovat použití umělých neuronových sítí k řešení praktických úloh identifikace složitých nelineárních soustav. Bylo zkoumáno zkratované štěrbinové vedení za účelem vytvoření jeho modelu ve tvaru umělé neuronové sítě (UNS). Model představuje soustavu se dvěma vstupy, šířkou štěrbiny a frekvencí a jedním výstupem, reálnou nebo imaginarní složkou zakončovaní impedance vedení. K řešení úlohy byl použit Neural Network Toolbox výpočetního systému MATLAB/SIMULNK. Navržená neuronová síť byla trénována algoritmem Backpropagation a jeho modifikací, metodou Levenberg-Marquardta. Získané výsledky prokázaly úspěšnost použití UNS jako prostředku pro modelování zkoumaného systému.
dcterms:title
Umělé neuronové sítě jako prostředek pro modelování zkratovaného štěrbinového vedení Umělé neuronové sítě jako prostředek pro modelování zkratovaného štěrbinového vedení Artificial Neural Networks used for Short-circuited Slotted Line modelling
skos:prefLabel
Umělé neuronové sítě jako prostředek pro modelování zkratovaného štěrbinového vedení Artificial Neural Networks used for Short-circuited Slotted Line modelling Umělé neuronové sítě jako prostředek pro modelování zkratovaného štěrbinového vedení
skos:notation
RIV/00216275:25530/08:00007217!RIV09-MSM-25530___
n3:aktivita
n13:Z
n3:aktivity
Z(MSM0021627505)
n3:dodaniDat
n9:2009
n3:domaciTvurceVysledku
n8:4699637 n8:3150119
n3:druhVysledku
n20:C
n3:duvernostUdaju
n12:S
n3:entitaPredkladatele
n19:predkladatel
n3:idSjednocenehoVysledku
401345
n3:idVysledku
RIV/00216275:25530/08:00007217
n3:jazykVysledku
n18:cze
n3:klicovaSlova
Short-circuited Slotted Line; Artificial Neural Networks; Static Neural Model
n3:klicoveSlovo
n4:Short-circuited%20Slotted%20Line n4:Artificial%20Neural%20Networks n4:Static%20Neural%20Model
n3:kontrolniKodProRIV
[E825339D4F65]
n3:mistoVydani
Brno
n3:nazevZdroje
Teorie dopravních systémů (soubor odborných statí)
n3:obor
n14:BC
n3:pocetDomacichTvurcuVysledku
2
n3:pocetStranKnihy
220
n3:pocetTvurcuVysledku
2
n3:rokUplatneniVysledku
n9:2008
n3:tvurceVysledku
Taufer, Ivan Seidl, Pavel
n3:zamer
n17:MSM0021627505
s:numberOfPages
10
n15:hasPublisher
Tribun EU
n5:isbn
978-80-7399-347-4
n10:organizacniJednotka
25530