0103296 - UIVT-O 20040037 RIV DE eng J - Journal Article
Holeňa, Martin - Baerns, M.
Feedforward Neural Networks in Catalysis: A Tool for the Approximation of the Dependency of Yield on Catalyst Composition, and for Knowledge Extraction.
[Dopředné neuronové sítě v katalýze: nástroj pro aproximaci závislosti výtěžnosti na složení katalyzátorů, a pro extrakci znalostí.]
Catalysis Today. Roč. 81, - (2003), s. 485-494. ISSN 0920-5861. E-ISSN 1873-4308
Grant - others:BMBF(DE) FKZ 03C3013
Institutional research plan: CEZ:AV0Z1030915
Keywords : artificial neural networks * multilayer perceptron * dependency * approximation * network training * overtraining * knowledge extraction * logical rules * oxidative dehydrogenation of propane
Subject RIV: BA - General Mathematics
Impact factor: 2.627, year: 2003

Artificial neural networks are distributed computing systems implementing the functionality characterizing biological neural networks. This way of computing has become quite successful in practical applications as a tool for solving several traditional mathematical and data-analysis tasks, such as classification, clustering, approximation and prediction. 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.

Umělé neuronové sítě jsou distribuované výpočetní systémy implementující část funkcionality charakterizující biologické neuronové sítě. Tento způsob počítání je docela úspěšný v praktických aplikacích, jako nástroj pro řešení několika úkolů tradičně stavěných před matematiku a analýzu dat, jako např. klasifikace, shlukování, aproximace a predikce. V tomto článku jsou načrtnuty hlavní principy použití vícevrstvých perceptronů pro aproximaci neznámých funkcí, a je nastíněno další možné využití vícevrstvých perceptronův kombinatorické katalýze - jejich využití pro extrakci znalostí ze vstupních a výstupních dat z katalytických experimentů. Aby byla vyvážena abstraktnost tématu, je tato metoda ilustrována pomocí aplikace vícevrstvých perceptronů na data o složení katalyzátorů a výsledcích katalýzy při oxidační dehydrogenaci propanu na propen.
Permanent Link: http://hdl.handle.net/11104/0010608