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/
n18http://localhost/temp/predkladatel/
n17http://linked.opendata.cz/resource/domain/vavai/vysledek/RIV%2F00216275%3A25530%2F08%3A00007218%21RIV09-MSM-25530___/
n7http://linked.opendata.cz/resource/domain/vavai/riv/tvurce/
n11http://linked.opendata.cz/ontology/domain/vavai/
n16http://linked.opendata.cz/resource/domain/vavai/zamer/
shttp://schema.org/
skoshttp://www.w3.org/2004/02/skos/core#
n4http://linked.opendata.cz/ontology/domain/vavai/riv/
n2http://linked.opendata.cz/resource/domain/vavai/vysledek/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n12http://linked.opendata.cz/ontology/domain/vavai/riv/klicoveSlovo/
n5http://linked.opendata.cz/ontology/domain/vavai/riv/duvernostUdaju/
xsdhhttp://www.w3.org/2001/XMLSchema#
n15http://linked.opendata.cz/ontology/domain/vavai/riv/jazykVysledku/
n8http://linked.opendata.cz/ontology/domain/vavai/riv/aktivita/
n13http://linked.opendata.cz/ontology/domain/vavai/riv/druhVysledku/
n10http://linked.opendata.cz/ontology/domain/vavai/riv/obor/
n6http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:RIV%2F00216275%3A25530%2F08%3A00007218%21RIV09-MSM-25530___
rdf:type
n11:Vysledek skos:Concept
dcterms:description
The aim of the paper is to demonstrate using of artificial neural networks for the solution of practical problems of the identification of the complex non-linear systems' dynamic behavior. The mathematical model of the hydraulic-pneumatic system was investigated in order to build an alternative of this model, namely in the form of the artificial neural network (ANN). The model presents generally nonlinear multi-dimensional system with two inputs and two outputs. Input variables are flows through controlled pumps and output variables are water levels in the bottom tanks of the system. Both inputs and outputs of the system are represented as unified voltage signals. Solution of the problem consisted in the description of selected single dependences between particular input and output variables by means of ANN. For the problem solution Neural Network Toolbox was used a toolbox of the computing system MATLAB/SIMULINK. Cílem uvedeného příspěvku je demonstrovat použití umělých neuronových sítí k řešení praktických úloh identifikace dynamického chování složitých nelineárních soustav. Byl zkoumán matematicko-fyzikální model hydraulicko-pneumatické soustavy za účelem vytvoření alternativy tohoto modelu, a to ve tvaru umělé neuronové sítě (UNS). Model představuje obecně nelineární vícerozměrnou soustavu se dvěma vstupy a dvěma výstupy. Přičemž vstupními veličinami jsou průtoky čerpadly a výstupními veličinami jsou výšky hladin v dolních nádržích soustavy. Vstupy i výstupy soustavy jsou reprezentovány unifikovanými napěťovými signály. Řešení úlohy spočívalo v popisu jednotlivých závislostí mezi konkrétními vstupními a výstupními veličinami pomocí UNS. K řešení úlohy byl použit Neural Network Toolbox výpočetního systému MATLAB/SIMULINK. Cílem uvedeného příspěvku je demonstrovat použití umělých neuronových sítí k řešení praktických úloh identifikace dynamického chování složitých nelineárních soustav. Byl zkoumán matematicko-fyzikální model hydraulicko-pneumatické soustavy za účelem vytvoření alternativy tohoto modelu, a to ve tvaru umělé neuronové sítě (UNS). Model představuje obecně nelineární vícerozměrnou soustavu se dvěma vstupy a dvěma výstupy. Přičemž vstupními veličinami jsou průtoky čerpadly a výstupními veličinami jsou výšky hladin v dolních nádržích soustavy. Vstupy i výstupy soustavy jsou reprezentovány unifikovanými napěťovými signály. Řešení úlohy spočívalo v popisu jednotlivých závislostí mezi konkrétními vstupními a výstupními veličinami pomocí UNS. K řešení úlohy byl použit Neural Network Toolbox výpočetního systému MATLAB/SIMULINK.
dcterms:title
Umělé neuronové sítě jako prostředek pro modelování dynamického chování hydraulicko-pneumatické soustavy Umělé neuronové sítě jako prostředek pro modelování dynamického chování hydraulicko-pneumatické soustavy USING OF ARTIFICIAL NEURAL NETWORK FOR THE IDENTIFICATION OF DYNAMIC PROPERTIES OF HYDRAULIC-PNEUMATIC SYSTEM
skos:prefLabel
Umělé neuronové sítě jako prostředek pro modelování dynamického chování hydraulicko-pneumatické soustavy USING OF ARTIFICIAL NEURAL NETWORK FOR THE IDENTIFICATION OF DYNAMIC PROPERTIES OF HYDRAULIC-PNEUMATIC SYSTEM Umělé neuronové sítě jako prostředek pro modelování dynamického chování hydraulicko-pneumatické soustavy
skos:notation
RIV/00216275:25530/08:00007218!RIV09-MSM-25530___
n4:aktivita
n8:Z
n4:aktivity
Z(MSM0021627505)
n4:cisloPeriodika
5
n4:dodaniDat
n6:2009
n4:domaciTvurceVysledku
n7:3150119 n7:4699637
n4:druhVysledku
n13:J
n4:duvernostUdaju
n5:S
n4:entitaPredkladatele
n17:predkladatel
n4:idSjednocenehoVysledku
401344
n4:idVysledku
RIV/00216275:25530/08:00007218
n4:jazykVysledku
n15:cze
n4:klicovaSlova
Artificial Neural Networks; Continual Bioreactor; Internal Model Control
n4:klicoveSlovo
n12:Continual%20Bioreactor n12:Internal%20Model%20Control n12:Artificial%20Neural%20Networks
n4:kodStatuVydavatele
CZ - Česká republika
n4:kontrolniKodProRIV
[F12DC9DB5EFF]
n4:nazevZdroje
Perner´s Contacts
n4:obor
n10:BC
n4:pocetDomacichTvurcuVysledku
2
n4:pocetTvurcuVysledku
2
n4:rokUplatneniVysledku
n6:2008
n4:svazekPeriodika
3
n4:tvurceVysledku
Seidl, Pavel Taufer, Ivan
n4:zamer
n16:MSM0021627505
s:issn
1801-674X
s:numberOfPages
10
n18:organizacniJednotka
25530