Deep Neural Network

Deep Neural Network

Software

Hluboká neuronová síť je určena k aproximaci silně nelineárních závislostí, jako závislostí stavu zařízení na vybraných měřených parametrech zařízení. Pro odhad parametrů hluboké neuronové sítě (trénování) byl užit algoritmus zpětného šíření chyby. Trénování probíhá ve dvou fázích, tj. nejprve předučení sítě dopředným směrem pomocí autokodérů (učení bez učitele) a poté doučení sítě zpětným směrem (učení s učitelem), eliminuje se tak tlumení zpětného šíření chyby. Autokodér je vícevrstvý perceptron se shodným počtem vstupních a výstupních neuronů o lichém počtu vrstev, kde střední vrstva je označována jako dělící. Autokodér se na sadě vstupních vzorů učí autoasociativní funkci, tj. vzor předložený na vstup reprodukovat na výstupu.

The deep neural network is designed to approximate strongly nonlinear dependencies, such as the dependencies of the device state on selected measured device parameters. A back propagation error algorithm was used to estimate the parameters of the deep neural network (training). The training is performed in two phases, i.e, first training the network in the forward direction using autoencoders (unsupervised learning) and then training the network in the backward direction (supervised learning), thus eliminating the damping of backpropagation error. An autoencoder is a multilayer perceptron with an equal number of input and output neurons with an odd number of layers, where the middle layer is referred to as the splitting layer. The autoencoder learns an autoassociative function on a set of input patterns, i.e. the pattern presented to the input is reproduced at the output.

Deep Neural Network; Autoencoder; Back Propagation Algorithm

Deep Neural Network; Autoencoder; Back Propagation Algorithm

Ústav elektroenergetiky, FEKT, VUT v Brně, Technická 12, Brno 61600

In order to use the result by another entity, it is always necessary to acquire a license

https://www.ueen.fekt.vut.cz/deep-neural-network-0