Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Klasyfikacja sieci" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Wykorzystanie metody TOPSIS w procesie klasyfikacji dobowych obciążeń stacji transformatorowych
    Applications of TOPSIS method in clustering of 24-hour loads in electric power distribution substations
    Autorzy:
    Zalewski, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/398887.pdf
    Data publikacji:
    2013
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    klasyfikacja obciążeń
    elektroenergetyczne sieci rozdzielcze metoda TOPSIS
    load clustering
    power distribution systems
    TOPSIS method
    Opis:
    W artykule przedstawiono możliwość zastosowania metody TOPSIS do grupowania profili obciążeń w elektroenergetycznych sieciach rozdzielczych na podstawie parametrów opisujących krzywe obciążenia różnych odbiorców. Rozważania teoretyczne poparto analizą danych pomiarowych uzyskanych w wybranych stacjach transformatorowych SN/nn na terenie dawnego Zakładu Energetycznego Białystok Miasto.
    This paper presents an application of the TOPSIS method for classification of load profiles in electric power distribution systems. Verification of the proposed method of load clustering was based on the data from selected distribution substations in Bialystok Power Distribution Utility Co. Simulation studies have been performed to demonstrate the efficiency of the proposed method and an effect of different parameters on its accuracy on the basis of actual data obtained at distribution system substations.
    Źródło:
    Ekonomia i Zarządzanie; 2013, 5, 4; 101-110
    2080-9646
    Pojawia się w:
    Ekonomia i Zarządzanie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Empirical Evaluation of Methods of Filling the Missing Data in Learning Probabilistic Models
    Porównanie metod uzupełniania danych brakujących w uczeniu modeli probabilistycznych
    Autorzy:
    Falkowski, A. A.
    Łupińska-Dubicka, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/88374.pdf
    Data publikacji:
    2018
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    dane brakujące
    model probabilistyczny
    sieci Bayesa
    klasyfikacja
    missing data
    probabilistic models
    Bayesian networks
    classification
    Opis:
    Missing data is a common problem in statistical analysis and most practical databases contain missing values of some of their attributes. Missing data can appear for many reasons. However, regardless of the reason for the missing values, even a small percent of missing data can cause serious problems with analysis reducing the statistical power of a study and leading to draw wrong conclusions. In this paper the results of handling missing observations in learning probabilistic models were presented. Two data sets taken from UCI Machine Learning Repository were used to learn the quantitative part of the Bayesian networks. To provide the opportunity to compare selected data sets did not contain any missing values. For each model data sets with variety of levels of missing values were artificially generated. The main goal of this paper was to examine whether omitting observations has an influence on model’s reliability. The accuracy was defined as the percentage of correctly classified records and has been compared to the results obtained in the data set not containing missing values.
    Brakujące dane są częstym problemem w analizie statystycznej, a większość baz danych zawiera brakujące wartości niektórych z ich atrybutów. Brakujące dane mogą pojawiać się z wielu powodów. Jednak bez względu na przyczynę brakujących wartości nawet ich niewielki procent może spowodować poważne problemy z analizą, zmniejszając siłę statystyczną badania i prowadząc do wyciągnięcia błędnych wniosków. W artykule przedstawiono wyniki uzupełniania danych brakujących w uczeniu modeli probabilistycznych. Dwa zestawy danych pobrane z repozytorium uczenia maszynowego UCI posłużyły do wytrenowania ilościowej części sieci bayesowskich. Aby zapewnić możliwość porównania wybrane zbiory danych nie zawierały żadnych brakujących wartości. Dla każdego modelu zbiory danych z różnymi poziomami brakujących wartości zostały sztucznie wygenerowane. Głównym celem tego artykułu było zbadanie, czy braki w obserwacjach mają wpływ na niezawodność modelu. Dokładność została zdefiniowana jako procent poprawnie zaklasyfikowanych rekordów i została porównana z wynikami uzyskanymi w zbiorze danych niezawierającym brakujących wartości.
    Źródło:
    Advances in Computer Science Research; 2018, 14; 55-67
    2300-715X
    Pojawia się w:
    Advances in Computer Science Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Badania struktur sieci neuronowych typu mlp do oceny układu stref ciśnienia systemu dystrybucji wody
    Research of structures of mlp artificial neural networks to evaluate the pressure zones of water distribution system
    Autorzy:
    Dawidowicz, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/403185.pdf
    Data publikacji:
    2015
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    system dystrybucji wody
    sieci neuronowe
    strefa ciśnienia
    klasyfikacja
    water distribution system
    neural networks
    zone pressure
    classification
    Opis:
    W artykule opisano badania nad różnymi strukturami sztucznych sieci neuronowych typu perceptron wielowarstwowy MLP przeznaczonych do oceny układu systemu dystrybucji wody. Problem oceny układu systemu został potraktowany jako zadanie klasyfikacji. Zdefiniowano klasy opisujące problemy występujące w procesie obliczeń związane z wysokością ciśnienia i podziałem systemu na strefy. Sieć neuronowa na podstawie zmiennych wejściowych, opisujących warunki hydrauliczne i terenowe, dokonuje klasyfikacji wskazując występujący problem w danym węźle systemu dystrybucji wody. Zamieszczono zestawienia tabelaryczne struktur przebadanych sieci neuronowych, wartości błędu uczenia, trafność klasyfikowania oraz analizę wrażliwości zmiennych wejściowych. Uzyskana sieć neuronowa ma za zadanie uzupełnić podstawową metodykę obliczeń systemów dystrybucji wody o elementy oceny uzyskanych wyników obliczeń.
    Designing of water distribution systems is inherently associated with hydraulic simulations the purpose of which is to determine the flow rate in individual system sections, selection of pipe diameters, calculation of pressure losses and of the pressure head at nodes. In the water distribution system design and hydraulic calculations one should, inter alia, check a pressure head in different parts of the system. It is also important to establish whether the system should consist of one or more pressure zones. It is connected with the appropriate location of network pumping stations and pressure reducing stations. There are many methods of calculation of water distribution systems that allow you to solve tasks for various structures of pipeline. Computer programmes based on the above methods calculate the value required variables describing the individual elements of the system, but do not have procedures for assessing their accuracy. Currently, there are no, and probably there will be no programmes which would replace a designer in the aforementioned tasks. However, nowadays one tries to develop computer programmes featuring certain degree of creativity in order to facilitate user decision making. The article describes research on the various structures of multilayer perceptrons designed to evaluate the pressure zones the water distribution system. The task of evaluation system was defined as a classification. Problems in the calculation of water distribution systems related to the amount of pressure and the division of the system into zones described using classes. A neural network based on input variables that describe the hydraulic conditions and terrain, classifies the problem occurring in a given node water distribution system. The article contains a table with tested multilayer perceptrons, learning error values, classification results and a table with sensitivity analysis network input variables. The resulting neural network should complement the basic methodology for calculating the water distribution systems with elements of evaluate the results calculations.
    Źródło:
    Budownictwo i Inżynieria Środowiska; 2015, 6, 2; 53-60
    2081-3279
    Pojawia się w:
    Budownictwo i Inżynieria Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Empirical Comparison of Methods of Data Discretization in Learning Probabilistic Models
    Porównanie metod dyskretyzacji danych w uczeniu modeli probabilistycznych
    Autorzy:
    Wójciak, M.
    Łupińska-Dubicka, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/88392.pdf
    Data publikacji:
    2018
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    dyskretyzacja
    zmienne typu ciągłego
    modele probabilistyczne
    sieci Bayesa
    klasyfikacja
    discretization
    continuous feature
    probabilistic models
    Bayesian networks
    classification
    Opis:
    Very often statistical method or machine learning algorithms can handle discrete attributes only. And that is why discretization of numerical data is an important part of the pre–processing. This paper presents the results of the problem of data discretization in learning quantitative part of probabilistic models. Four data sets taken from UCI Machine Learning Repository were used to learn the quantitative part of the Bayesian networks. The continuous variables were discretized using two supervised and two unsupervised discretization methods. The main goal of this paper was to study whether method of data discretization in given data set has an influence on model’s reliability. The accuracy was defined as the percentage of correctly classified records.
    Bardzo często algorytmy uczenia maszynowego nie są przystosowane do korzystania ze zmiennych ciągłych. Z tego powodu dyskretyzacja danych jest istotną częścią wstępnego przetwarzania. W artykule przedstawiono wyniki prac nad problemem dyskretyzacji danych w uczeniu modeli probabilistycznych. Cztery zestawy danych pobrane z repozytorium uczenia maszynowego UCI zostały wykorzystane do nauczenia parametrów ilościowej części sieci bayesowskich. Występujące w wybranych zbiorach zmienne ciągłe były dyskretyzowane przy użyciu dwóch metod nadzorowanych i dwóch nienadzorowanych. Głównym celem tego artykułu było zbadanie, czy metoda dyskretyzacji danych w danym zbiorze ma wpływ na niezawodność modelu. Dokładność metod była definiowana jako odsetek poprawnie sklasyfikowanych rekordów.
    Źródło:
    Advances in Computer Science Research; 2018, 14; 177-192
    2300-715X
    Pojawia się w:
    Advances in Computer Science Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies