This HTML5 document contains 45 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/
n20http://localhost/temp/predkladatel/
n19http://linked.opendata.cz/resource/domain/vavai/riv/tvurce/
n17http://linked.opendata.cz/resource/domain/vavai/projekt/
n11http://linked.opendata.cz/resource/domain/vavai/subjekt/
n10http://linked.opendata.cz/ontology/domain/vavai/
skoshttp://www.w3.org/2004/02/skos/core#
rdfshttp://www.w3.org/2000/01/rdf-schema#
n3http://linked.opendata.cz/ontology/domain/vavai/riv/
n15http://linked.opendata.cz/ontology/domain/vavai/riv/licencniPoplatek/
n2http://linked.opendata.cz/resource/domain/vavai/vysledek/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n9http://linked.opendata.cz/ontology/domain/vavai/riv/klicoveSlovo/
n6http://linked.opendata.cz/ontology/domain/vavai/riv/vyuzitiJinymSubjektem/
n21http://linked.opendata.cz/ontology/domain/vavai/riv/duvernostUdaju/
xsdhhttp://www.w3.org/2001/XMLSchema#
n14http://linked.opendata.cz/resource/domain/vavai/vysledek/RIV%2F68407700%3A21220%2F11%3A00192337%21RIV13-MPO-21220___/
n18http://linked.opendata.cz/ontology/domain/vavai/riv/aktivita/
n7http://linked.opendata.cz/ontology/domain/vavai/riv/jazykVysledku/
n16http://linked.opendata.cz/ontology/domain/vavai/riv/druhVysledku/
n8http://linked.opendata.cz/ontology/domain/vavai/riv/obor/
n5http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:RIV%2F68407700%3A21220%2F11%3A00192337%21RIV13-MPO-21220___
rdf:type
skos:Concept n10:Vysledek
rdfs:seeAlso
http://users.fs.cvut.cz/ivo.bukovsky/Research_and_Applications/projects/FRTI1538/indexSW1.htm
dcterms:description
Nonconventional dynamic neural network for measurement validation and real-time prediction of NOx emissions of pulverized firing boiler at the coal powder powerplant Mělník 1. As a preprocessing module of input data to the network, the program includes also signal preprocessing modules including a correlation analysis module, mutual information module, input variable reselection and grouping modules, and dimensionality reduction by principal component analysis module for input reconfigurations. The particular design of the programmed network and the signal preprocessing techniques avoids the need for computationally heavy optimization techniques (training), that would not be suitable for real time retraining otherwise. The implemented training algorithm is a modification of the back-propagation through time that is suitable for real time retraining to handle nonstationarity of the burning process as well as individual failures of measured variables. The designed neural network uses nonconventional higher-order neural units (options for linear, quadratic, or cubic neural units). The programmed neural network does not use measured O2 as an input parameter, which was required and it is a unique solution worldwide to our best knowledge. The program is implemented in Matlab, and the resulting codes are Matlab codes and converted executables. Byla naprogramována nekonvenčí dynamická neuronová síť pro validaci a predikci emisí NOX práškového kotle vysokého výkonu pro elektrárnu Mělník 1. Jako vstupní modul je naprogramován korelační modul vstupních dat, modul výpočtu vzájemné informace, výběrový modul vstupů a seskupovací modul, a modul pro redukci počtu vstupů metodou %22principal component analysis%22 a pro jejich rekonfiguraci. Konkrétně vyvinutý a naprogramovaný návrh sítě včetně předzpracování dat umožňuje efektivní přetrénovávání v reálném čase bez potřeby časově náročných optimalizačních algoritmů které by nebyli pro reálně časovou aplikaci vhodné. Naprogramovaný algoritmus učení je varianta metody %22back-propagation through time%22 které je pro danou neuronovou síť efektivní pro přetrénovávání za účelem zvládnutí nestacionarity reálného systému a častým výpadkům údajů měřených veličin. Navržená síť využívá nekonvenční neuronové jednotky (QNU a CNU). Pro predikci NOx, síť nepotřebuje na svém vstupu kyslík ve spalinách což bylo požadavkem a jedná se o světově ojedinělé řešení podle všech našich poznatků. Síť byla naprogramována v prostředí Matlab a byly vygenerovány i binární kódy pro demo verzi. Program byl testován na reálných datech elektrárny Mělník 1 s dobrými výsledky predikce NOx a předpokládá se jeho využití jako součást komplexího balíku řešení dle požadavku zákazníka I. & C. Energo. Byla naprogramována nekonvenčí dynamická neuronová síť pro validaci a predikci emisí NOX práškového kotle vysokého výkonu pro elektrárnu Mělník 1. Jako vstupní modul je naprogramován korelační modul vstupních dat, modul výpočtu vzájemné informace, výběrový modul vstupů a seskupovací modul, a modul pro redukci počtu vstupů metodou %22principal component analysis%22 a pro jejich rekonfiguraci. Konkrétně vyvinutý a naprogramovaný návrh sítě včetně předzpracování dat umožňuje efektivní přetrénovávání v reálném čase bez potřeby časově náročných optimalizačních algoritmů které by nebyli pro reálně časovou aplikaci vhodné. Naprogramovaný algoritmus učení je varianta metody %22back-propagation through time%22 které je pro danou neuronovou síť efektivní pro přetrénovávání za účelem zvládnutí nestacionarity reálného systému a častým výpadkům údajů měřených veličin. Navržená síť využívá nekonvenční neuronové jednotky (QNU a CNU). Pro predikci NOx, síť nepotřebuje na svém vstupu kyslík ve spalinách což bylo požadavkem a jedná se o světově ojedinělé řešení podle všech našich poznatků. Síť byla naprogramována v prostředí Matlab a byly vygenerovány i binární kódy pro demo verzi. Program byl testován na reálných datech elektrárny Mělník 1 s dobrými výsledky predikce NOx a předpokládá se jeho využití jako součást komplexího balíku řešení dle požadavku zákazníka I. & C. Energo.
dcterms:title
Rekurentní neuronová síť s modulem zpracování dat a s kvadratickým a kubickým neuronem Rekurentní neuronová síť s modulem zpracování dat a s kvadratickým a kubickým neuronem Recurrent neural network with data processing modul and quadratic and cubic neural unit
skos:prefLabel
Rekurentní neuronová síť s modulem zpracování dat a s kvadratickým a kubickým neuronem Rekurentní neuronová síť s modulem zpracování dat a s kvadratickým a kubickým neuronem Recurrent neural network with data processing modul and quadratic and cubic neural unit
skos:notation
RIV/68407700:21220/11:00192337!RIV13-MPO-21220___
n10:predkladatel
n11:orjk%3A21220
n3:aktivita
n18:P
n3:aktivity
P(FR-TI1/538)
n3:dodaniDat
n5:2013
n3:domaciTvurceVysledku
n19:2559102 n19:8200599
n3:druhVysledku
n16:R
n3:duvernostUdaju
n21:S
n3:ekonomickeParametry
Program je uvažován jako součást komplexní dodávky řešení v celkové ceně překračující 1 000 000 Kč,- . Odhad dílčí ceny programu je 300 000,- Kč. Spoluvlastníkem SW je I. & C. Energo a.s., Třebíč;
n3:entitaPredkladatele
n14:predkladatel
n3:idSjednocenehoVysledku
226363
n3:idVysledku
RIV/68407700:21220/11:00192337
n3:interniIdentifikace
TptRNN2011
n3:jazykVysledku
n7:cze
n3:klicovaSlova
NOx prediction; data validation; neural network
n3:klicoveSlovo
n9:data%20validation n9:NOx%20prediction n9:neural%20network
n3:kontrolniKodProRIV
[D1622E2A4BA0]
n3:licencniPoplatek
n15:A
n3:obor
n8:JB
n3:pocetDomacichTvurcuVysledku
2
n3:pocetTvurcuVysledku
3
n3:projekt
n17:FR-TI1%2F538
n3:rokUplatneniVysledku
n5:2011
n3:technickeParametry
Ing. Jiří Pliska,I & C Energo a.s. ; Ředitel technického rozvoje ; Pražská 684/49, 674 01 Třebíč tel.: +420 568 893 111 fax: +420 568 893 999, tel.: +420 568 893 300, email: jpliska@ic-energo.eu
n3:tvurceVysledku
Kolovratník, Michal Bukovský, Ivo Křehlík, K.
n3:vlastnik
n14:vlastnikVysledku
n3:vyuzitiJinymSubjektem
n6:A
n20:organizacniJednotka
21220