Temat: neural model - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Neuronowy model do identyfikacji makrouszkodzeń ziarniaków
Neural model for identification of damages of corn kernels
Autorzy:: Nowakowski, K.
Boniecki, P.
Powiązania:: https://bibliotekanauki.pl/articles/336815.pdf
Data publikacji:: 2008
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: model neuronowy
makrouszkodzenie
ziarniak
identyfikacja
neural model
damage
corn kernel
identification
Opis:: Realizacja projektu obejmowała zbudowanie i wytrenowanie neuronowego modelu do identyfikacji makrouszkodzeń ziarniaków. Rozpoznawania uszkodzeń dokonywano na podstawie cyfrowych fotografii skonwertowanych przez wytworzony system informatyczny do postaci zbiorów uczących dedykowanych dla sztucznej sieci neuronowej. Do uczenia sieci wybrano zestaw reprezentatywnych cech. W zbiorze tym zawarto informacje o barwie (zakodowanej do postaci liczbowej), polu powierzchni, obwodzie i wybranych współczynnikach kształtu. Pojedynczy przypadek uczący zawierał 1031 zmiennych, z czego 1024 to zmienne zawierające informacje o barwie. Identyfikacji makrouszkodzeń dokonano na ziarniakach kukurydzy odmiany Clarica FAO 280.
The realization of project enclosed construction and training neuronal model to identification of damages of corn kernels. Recognizing the damages was made on basis of digital photos converted by produced computer system to learning files dedicated for artificial neural network. The network was learned on chosen representative tags. The taught model marks abilities of identification approximate quality to human. Neural model can in real time identify larger number of kernels than man. The number of kernels is only limited by method of images acquisition and the computational power of applied equipment to implementation of model. Big advantage is also the lack of natural man limitations which for example are: fatigue and subjective opinion.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2008, 53, 2; 79-81
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: The neural analysis of quarters healthiness of high yield cows in selected cowshed
Neuronowa analiza zdrowotności wymion krów wysokowydajnych w wybranej oborze mlecznej
Autorzy:: Jędruś, A.
Boniecki, P.
Powiązania:: https://bibliotekanauki.pl/articles/337371.pdf
Data publikacji:: 2013
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: neural model
cows
somatic cell count
model neuronowy
krowy
liczba komórek somatycznych
Opis:: Commonly recognized predictive abilities represented by selected ANN (Artificial Neural Networks) topologies are widely used in practice. They often support the decision-making processes that occur in agri-alimentary processing, such as milk production. The aim of the study was to use ANN as a predictive tool in the estimation process of the influence of selected zootechnical characteristics of cows on the milk quality, which is determined by the standards defining the requirements compliance concerning the level of somatic cell counts in the obtained milk. The work resulted in creation of the optimum predictive model which is a neural topology of the MLP-6:17:1 (MultiLayer Perceptron). The performed analysis of the generated neural model’s sensitivity to the individual input variables showed the impact of some of the zootechnical characteristics on somatic cell counts in the obtained milk.
Uznane zdolności predykcyjne, jakie reprezentują wybrane topologie SNN (Sztuczne Sieci Neuronowe), wykorzystywane są powszechnie również w szeroko rozumianej praktyce, np. wspomagają procesy decyzyjne zachodzące w przetwórstwie rolno-spożywczym, np. w branży mleczarskiej. Celem pracy było wykorzystanie SNN jako narzędzia predykcyjnego w procesie oceny wpływu wybranych cech zootechnicznych krów na jakość mleka krów, która określana jest przez normy definiujące spełnienie wymogów odnośnie poziomu zawartości komórek somatycznych w pozyskiwanym mleku. W pracy wytworzono optymalny model predykcyjny będący neuronową topologią typu MLP: 6-17-1 (MultiLayer Perceptron). Przeprowadzona analiza wrażliwości wygenerowanego modelu neuronowego na poszczególne zmienne wejściowe wykazała istotny wpływ wybranych cech zootechnicznych na liczbę komórek somatycznych w pozyskanym mleku.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2013, 58, 2; 55-57
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Prognozowanie plonów wybranych płodów rolnych z wykorzystaniem modeli neuronowych w postaci szeregów czasowych
Expectation crops of chosen agricultural fetuses with the help of neural model by time series
Autorzy:: Boniecki, P.
Mueller, W.
Powiązania:: https://bibliotekanauki.pl/articles/337153.pdf
Data publikacji:: 2006
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: sieć neuronowa
prognozowanie
płody rolne
plon
model neuronowy
szereg czasowy
neural network
prognose
neural model
time series
agricultural fetuses
yield
Opis:: Jednym z ważnych etapów badania oraz analizy systemów empirycznych jest proces prognozowania, mający praktyczne zastosowanie w szerokim zakresie działalności ludzkiej. W przypadku przewidywania wielkości płodów rolnych mamy do czynienia z szeregiem złożonych bodźców, które w efekcie przekładają się na wynik końcowy, jakim jest plon. Jakość tych prognoz ma ogromne znaczenie dla kolejnych etapów w łańcuchu produkcyjno-dystrybucyjnym płodów rolnych. Sieci neuronowe w postaci szeregów czasowych są wysublimowaną techniką modelowania, zdolną odwzorować bardzo złożone funkcje. Celem analizy szeregów czasowych jest ustalenie prognozy przyszłych wartości pewnej zmiennej, której wartości zmieniają się w czasie. Najczęściej dąży się do obliczenia prognozy korzystając z wcześniejszych wartości tej samej zmiennej, której wartość ma być przewidywana. Zbiór uczący, wykorzystywany przy neuronowej analizie szeregów czasowych, budowany jest zwykle w oparciu o pojedynczą zmienną, której typ określony jest jako "Wejściowo-Wyjściowy". Oznacza to, że jest ona wykorzystywana zarówno jako wejście sieci neuronowej, jak i jako jej wyjście.
Prediction becomes a very important stage in many activities. In case of expectation crops of chosen agricultural foetuses we deal with a number of stimuli which consequently transform into the end effect. It is clear that the quality of those predictions has a great influence on subsequent stages in the production and distribution chain of agricultural foetuses. Neural networks by time series are a sophisticated technique of modeling capable of reflecting very complex functions. In time series problems, the objective is to predict ahead the value of a variable which varies in time, using previous values of that and/or other variables. The time series training data set therefore typically has a single variable, and this has type input/output (i.e., it is used both for network input and network output).
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2006, 51, 4; 40-43
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 4.

Tytuł:: Sieci neuronowe typu MLP oraz RBF jako narzędzia klasyfikacyjne w analizie obrazu
The neural network type the MLP and RBF as classifying tools in picture analysis
Autorzy:: Boniecki, P.
Powiązania:: https://bibliotekanauki.pl/articles/337163.pdf
Data publikacji:: 2006
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: sieć neuronowa
sieć neuronowa MLP
sieć neuronowa RBF
analiza obrazu
identyfikacja neuronowa
model neuronowy
neural network
MLP neural network
RBF neural network
picture analysis
neuronal identification
neuronal model
Opis:: Neuronowa identyfikacja danych obrazowych, ze szczególnym naciskiem na analizę ilościową oraz jakościową, coraz częściej wykorzystywana jest do pozyskiwania oraz zgłębiania wiedzy zawartej w danych empirycznych. Ekstrakcja, a następnie klasyfikacja wybranych cech obrazu, pozawala na wytworzenie informatycznych narzędzi do identyfikacji wybranych obiektów, prezentowanych np. w postaci obrazu cyfrowego. W związku z tym, celowym wydaje się być poszukiwanie nowoczesnych metod wspomagających proces edukacyjny w zakresie konstrukcji oraz eksploatacji modeli neuronowych w kontekście ich wykorzystania w procesie analizy obrazu. Dodatkowym celem pracy było porównanie jakości sieci MLP oraz RBF mające na względzie wskazanie optymalnego instrumentu klasyfikacyjnego.
The neuronal identification of pictorial data, with special emphasis on both quantitative & qualitative analysis, is more frequently utilized to gain & deepen the empirical data knowledge. Extraction & then classification of selected picture features, enables one to create computer tools in order to identify these objects presented as, for example, digital pictures. In relationship from this, it seems to be purposeful the search of the modern methods helping educational process in the range of construction as well as exploitation of neuronal models in context of their utilization in picture analysis process. The additional aim of the work was the comparison of neural network of the type MLP and RBF for indication of the optimum classification tool.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2006, 51, 4; 34-39
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 5.

Tytuł:: System informatyczny piao jako narzędzie do przetwarzania obrazów cyfrowych wspomagające proces generowania zbiorów uczących przeznaczonych do budowy modeli neuronowych
Computer system piao as a tool for processing and gathering digital images in a process of generating learning sets used for construction of models of artificial neural networks
Autorzy:: Zaborowicz, M.
Boniecki, P.
Świerczyński, K.
Powiązania:: https://bibliotekanauki.pl/articles/337395.pdf
Data publikacji:: 2010
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: system informatyczny PIAO
obraz cyfrowy
przetwarzanie
model neuronowy
computer system PIAO
neural network
digital images
Opis:: Pozyskiwanie oraz przetwarzanie danych empirycznych występujących w formie graficznej jest istotnym elementem w procesie generowania zbiorów uczących, przeznaczonych do budowy identyfikacyjnych modeli neuronowych. Właściwa analiza oraz konwersja obrazów cyfrowych są fundamentalnym procesem, determinującym dalsze etapy modelowania neuronowego. Powszechnie dostępne metody edycji oraz pozyskiwania danych z obrazów nie zawsze pozwalają na właściwe i efektywne wytworzenie zbioru uczącego. Często zachodzi potrzeba użycia kilku rodzajów komercyjnego oprogramowania, aby w efekcie można było pozyskać zbiór danych empirycznych zapisanych w pożądanej formie. Dlatego wydaje się być zasadnym wytwarzanie od podstaw kompleksowego systemu informatycznego dedykowanego dla wsparcia procesu generowania zbiorów uczących.
Gathering data is an essential element of the process of generating learning sets, intended for the construction of artificial neural networks. A proper analysis and processing of the images are the basis for the next stages of the neural simulation. Commonly available methods of the edition and gaining data from images do not always allow to create a learning set in a right way. Often, there is a need to use several different software in order to gain one eligible set of data. This is a reason, why making a complex software for the process of generating the learning sets, is so important.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2010, 55, 2; 128-133
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "neural model" wg kryterium: Temat

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język