Aproksymacja danych doświadczalnych z badań trójosiowego ściskania gruntu przy użyciu perceptronu wielowarstwowego

Odszumianie surowych danych z badań trójosiowych (filtracja, skracanie, wygładzanie danych). Aproksymacja danych z zastosowaniem perceptronu wielowarstwowego z pakietu Matlab. Tworzenie sztucznej sieci neuronowej fitnet, konfiguracja, trening i walidacja sieci. Zmiana struktury sieci. Wartość błędu średniokwadratowego (MSE – mean squared error) jako ocena dopasowania danych. Wpływ zmiany struktury sieci neuronowej na jakość dopasowania danych. Ocena przydatności SSN fitnet do aproksymacji danych z badań trójosiowego ściskania gruntów.

---

Denoising of raw data from triaxial tests (filtering, shortening, smoothing data). Data approximating using Matlab multilayer perceptron. Setting of fitnet – feed-forward neural network of Matlab, configuration, training and validation of network. Value of mean squared error (MSE) as estimation of quality of data approximation. Quality of data approximation versus neural network structure changing. Estimation of usefulness of Matlab fitnet network for triaxial tests results data approximation.