Národní úložiště šedé literatury Nalezeno 2 záznamů.  Hledání trvalo 0.00 vteřin. 
Srovnání účinnosti simulačních metod při učení umělých neuronových sítí a inverzní analýze
Nezval, Michal ; Novák, Drahomír (oponent) ; Lehký, David (vedoucí práce)
Předkládaná práce se zabývá inverzní analýzou založenou na kombinaci umělých neuronových sítí a stochastických metod. Cílem je porovnat účinnost nové simulační metody Hierarchical Subset Latin Hypercube Sampling s klasickou metodou Monte Carlo a standardní metodou Latin Hypecube Sampling při učení neuronových sítí. Účinnost je porovnána pro různě složité neuronové sítě. Inverzní analýza je aplikována při identifikaci parametrů inženýrských úloh, což je demonstrováno na funkci poruchy rámu šikmé střechy a určení materiálových charakteristik u tříbodového ohybu. Na závěr práce je diskutována otázka, zda je metoda Hierarchical Subset Latin Hypercube alespoň stejně výkonná jako další dvě stochastické metody.
Srovnání účinnosti simulačních metod při učení umělých neuronových sítí a inverzní analýze
Nezval, Michal ; Novák, Drahomír (oponent) ; Lehký, David (vedoucí práce)
Předkládaná práce se zabývá inverzní analýzou založenou na kombinaci umělých neuronových sítí a stochastických metod. Cílem je porovnat účinnost nové simulační metody Hierarchical Subset Latin Hypercube Sampling s klasickou metodou Monte Carlo a standardní metodou Latin Hypecube Sampling při učení neuronových sítí. Účinnost je porovnána pro různě složité neuronové sítě. Inverzní analýza je aplikována při identifikaci parametrů inženýrských úloh, což je demonstrováno na funkci poruchy rámu šikmé střechy a určení materiálových charakteristik u tříbodového ohybu. Na závěr práce je diskutována otázka, zda je metoda Hierarchical Subset Latin Hypercube alespoň stejně výkonná jako další dvě stochastické metody.

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.