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/
n14http://linked.opendata.cz/resource/domain/vavai/vysledek/RIV%2F60460709%3A41330%2F10%3A47929%21RIV11-MZE-41330___/
n18http://localhost/temp/predkladatel/
n11http://linked.opendata.cz/resource/domain/vavai/riv/tvurce/
n6http://linked.opendata.cz/resource/domain/vavai/projekt/
n13http://linked.opendata.cz/ontology/domain/vavai/
shttp://schema.org/
skoshttp://www.w3.org/2004/02/skos/core#
n3http://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#
n8http://linked.opendata.cz/ontology/domain/vavai/riv/klicoveSlovo/
n17http://linked.opendata.cz/ontology/domain/vavai/riv/duvernostUdaju/
xsdhhttp://www.w3.org/2001/XMLSchema#
n15http://linked.opendata.cz/ontology/domain/vavai/riv/aktivita/
n4http://linked.opendata.cz/ontology/domain/vavai/riv/jazykVysledku/
n16http://linked.opendata.cz/ontology/domain/vavai/riv/druhVysledku/
n9http://linked.opendata.cz/ontology/domain/vavai/riv/obor/
n12http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:RIV%2F60460709%3A41330%2F10%3A47929%21RIV11-MZE-41330___
rdf:type
n13:Vysledek skos:Concept
dcterms:description
Příspěvek se zabývá problematikou optimalizace parametrů učení a architektury neuronových sítí pomocí evolučních algoritmů. Optimalizovaná síť byla testována při krátkodobé předpovědi průtoků (6 h) na povodí horního toku řeky Sázavy. Použitým typem neuronové sítě byl vícevrstevný perceptron s učením zpětnou propagací chyby. Po optimalizaci parametrů byly neuronové sítě natrénovány a byly provedeny simulace. Kvalita předpovědi byla hodnocena vybranými kritérii. Z výsledků vyplývá, že optimalizované neuronové sítě mají při krátkodobé předpovědi dobré výsledky. Optimalizace parametrů přispívá ke zlepšení kvality předpovědi a může být využita pro přesnější volbu hodnot parametrů ovlivňujících učení a simulace. The paper deals with artificial neural networks learning and architecture parameters optimization by evolutionary algorithms. Optimized network was tested by short-term runoff forecasts (6 h) on the Sázava upper river basin. Type of used neural network was the multilayer perceptron with back propagation learning algorithm. The learning and the simulations were performed after optimizing the parameters of the neural network. The efficiency of the predictions was evaluated by selected criteria. The results show that optimized neural networks provide good results for short-term forecast. Optimization of parameters helps to improve the efficiency of forecasts and may be used for more precise choice of parameter values that affect learning and simulation. Příspěvek se zabývá problematikou optimalizace parametrů učení a architektury neuronových sítí pomocí evolučních algoritmů. Optimalizovaná síť byla testována při krátkodobé předpovědi průtoků (6 h) na povodí horního toku řeky Sázavy. Použitým typem neuronové sítě byl vícevrstevný perceptron s učením zpětnou propagací chyby. Po optimalizaci parametrů byly neuronové sítě natrénovány a byly provedeny simulace. Kvalita předpovědi byla hodnocena vybranými kritérii. Z výsledků vyplývá, že optimalizované neuronové sítě mají při krátkodobé předpovědi dobré výsledky. Optimalizace parametrů přispívá ke zlepšení kvality předpovědi a může být využita pro přesnější volbu hodnot parametrů ovlivňujících učení a simulace.
dcterms:title
Optimalizace parametrů učení a architektury neuronových sítí pomocí evolučních algoritmů Optimalizace parametrů učení a architektury neuronových sítí pomocí evolučních algoritmů Artificial Neural Networks Learning and Architecture Parameters Optimization by Evolutionary Algorithms
skos:prefLabel
Optimalizace parametrů učení a architektury neuronových sítí pomocí evolučních algoritmů Artificial Neural Networks Learning and Architecture Parameters Optimization by Evolutionary Algorithms Optimalizace parametrů učení a architektury neuronových sítí pomocí evolučních algoritmů
skos:notation
RIV/60460709:41330/10:47929!RIV11-MZE-41330___
n3:aktivita
n15:P
n3:aktivity
P(QH91247)
n3:cisloPeriodika
I
n3:dodaniDat
n12:2011
n3:domaciTvurceVysledku
n11:5125561
n3:druhVysledku
n16:J
n3:duvernostUdaju
n17:S
n3:entitaPredkladatele
n14:predkladatel
n3:idSjednocenehoVysledku
277269
n3:idVysledku
RIV/60460709:41330/10:47929
n3:jazykVysledku
n4:cze
n3:klicovaSlova
neural networks, evolutionary algorithms, runoff forecast, optimization
n3:klicoveSlovo
n8:evolutionary%20algorithms n8:neural%20networks n8:optimization n8:runoff%20forecast
n3:kodStatuVydavatele
CZ - Česká republika
n3:kontrolniKodProRIV
[933442273606]
n3:nazevZdroje
Vodohospodářské technicko-ekonomické informace
n3:obor
n9:DA
n3:pocetDomacichTvurcuVysledku
1
n3:pocetTvurcuVysledku
1
n3:projekt
n6:QH91247
n3:rokUplatneniVysledku
n12:2010
n3:svazekPeriodika
52
n3:tvurceVysledku
Havlíček, Vojtěch
n3:wos
0
s:issn
0322-8916
s:numberOfPages
5
n18:organizacniJednotka
41330