Experimental Design for Combinatorial and High Throughput Materials Development

0405205 - UIVT-O 330372 RIV US eng M - Část monografie knihy
Holeňa, Martin - Baerns, M.
Artificial Neural Networks in Catalyst Development. Chapter 10.
[Umělé neuronové sítě při vývoji katalyzátorů.]
Experimental Design for Combinatorial and High Throughput Materials Development. New Jersey: John Wiley and Sons, 2003 - (Cawse, J.), s. 163-202. ISBN 0-471-20343-2
Zdroj financování: V - jiné veřejné zdroje
Klíčová slova: artificial neural networks * multilayer perceptrons * nonlinear dependency * approximation * network training * knowledge extraction
Kód oboru RIV: IN - Informatika

In this paper, main principles of employing multilayer perceptrons for the approximation of unknown functions are outlined, and another possible use of multilayer perceptrons in combinatorial catalysis is indicated – their use for the extraction of knowledge from experimental catalytic input and output data. To counterbalance the abstractness of the subject, the method is illustrated by applying multilayer perceptrons to data on catalyst composition and catalytic results in the oxidative dehydrogenation of propane to propene.

V tomto článku jsou načrtnuty principy použití vícevrstvých perceptronů pro aproximaci neznámých funkcí a je naznačeno jejich další možné použití v kombinatorické katalýze – použití pro extrakci znalostí ze vstupních a výstupníchj dat z katalytických experimentů. Pro vyvážení abstraktnosti tématu je metoda ilustrována použitím vícevrstvých perceptronů na data o složení katalyzátorů a výsledcích katalýzy při oxidativní dehydrogenaci propanu na propen
Trvalý link: http://hdl.handle.net/11104/0125398