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 "Random Forest" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-10 z 10
    Tytuł:
    Vibroacoustic Real Time Fuel Classification in Diesel Engine
    Autorzy:
    Bąkowski, A.
    Kekez, M.
    Radziszewski, L.
    Sapietova, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/177686.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    fuel recognition
    classification trees
    particle swarm optimization (PSO)
    random forest
    Opis:
    Five models and methodology are discussed in this paper for constructing classifiers capable of recognizing in real time the type of fuel injected into a diesel engine cylinder to accuracy acceptable in practical technical applications. Experimental research was carried out on the dynamic engine test facility. The signal of in-cylinder and in-injection line pressure in an internal combustion engine powered by mineral fuel, biodiesel or blends of these two fuel types was evaluated using the vibro-acoustic method. Computational intelligence methods such as classification trees, particle swarm optimization and random forest were applied.
    Źródło:
    Archives of Acoustics; 2018, 43, 3; 385-395
    0137-5075
    Pojawia się w:
    Archives of Acoustics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Development of Data-mining Technique for Seismic Vulnerability Assessment
    Autorzy:
    Wojcik, Waldemar
    Karmenova, Markhaba
    Smailova, Saule
    Tlebaldinova, Aizhan
    Belbeubaev, Alisher
    Powiązania:
    https://bibliotekanauki.pl/articles/1844631.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    data analysis
    seismic assessment
    clustering
    h-means
    k-means
    random forest
    Opis:
    Assessment of seismic vulnerability of urban infrastructure is an actual problem, since the damage caused by earthquakes is quite significant. Despite the complexity of such tasks, today’s machine learning methods allow the use of “fast” methods for assessing seismic vulnerability. The article proposes a methodology for assessing the characteristics of typical urban objects that affect their seismic resistance; using classification and clustering methods. For the analysis, we use kmeans and hkmeans clustering methods, where the Euclidean distance is used as a measure of proximity. The optimal number of clusters is determined using the Elbow method. A decision-making model on the seismic resistance of an urban object is presented, also the most important variables that have the greatest impact on the seismic resistance of an urban object are identified. The study shows that the results of clustering coincide with expert estimates, and the characteristic of typical urban objects can be determined as a result of data modeling using clustering algorithms.
    Źródło:
    International Journal of Electronics and Telecommunications; 2021, 67, 2; 261-266
    2300-1933
    Pojawia się w:
    International Journal of Electronics and Telecommunications
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A Study on the Optimization of Metalloid Contents of Fe-Si-B-C Based Amorphous Soft Magnetic Materials Using Artificial Intelligence Method
    Autorzy:
    Choi, Young-Sin
    Kwon, Do-Hun
    Lee, Min_Woo
    Cha, Eun-Ji
    Jeon, Junhyub
    Lee, Seok-Jae
    Kim, Jongryoul
    Kim, Hwi-Jun
    Powiązania:
    https://bibliotekanauki.pl/articles/2174571.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    Fe-based amorphous
    soft magnetic properties
    artificial intelligence
    machine learning
    random forest regression
    Opis:
    The soft magnetic properties of Fe-based amorphous alloys can be controlled by their compositions through alloy design. Experimental data on these alloys show some discrepancy, however, with predicted values. For further improvement of the soft magnetic properties, machine learning processes such as random forest regression, k-nearest neighbors regression and support vector regression can be helpful to optimize the composition. In this study, the random forest regression method was used to find the optimum compositions of Fe-Si-B-C alloys. As a result, the lowest coercivity was observed in Fe80.5Si3.63B13.54C2.33 at.% and the highest saturation magnetization was obtained Fe81.83Si3.63B12.63C1.91at.% with R2 values of 0.74 and 0.878, respectively.
    Źródło:
    Archives of Metallurgy and Materials; 2022, 67, 4; 1459--1463
    1733-3490
    Pojawia się w:
    Archives of Metallurgy and Materials
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Mining Data of Noisy Signal Patterns in Recognition of Gasoline Bio-Based Additives using Electronic Nose
    Autorzy:
    Osowski, S.
    Siwek, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/220792.pdf
    Data publikacji:
    2017
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    data mining
    electronic nose
    gasoline blends
    random forest
    support vector machine
    wavelet denoising
    Opis:
    The paper analyses the distorted data of an electronic nose in recognizing the gasoline bio-based additives. Different tools of data mining, such as the methods of data clustering, principal component analysis, wavelet transformation, support vector machine and random forest of decision trees are applied. A special stress is put on the robustness of signal processing systems to the noise distorting the registered sensor signals. A special denoising procedure based on application of discrete wavelet transformation has been proposed. This procedure enables to reduce the error rate of recognition in a significant way. The numerical results of experiments devoted to the recognition of different blends of gasoline have shown the superiority of support vector machine in a noisy environment of measurement.
    Źródło:
    Metrology and Measurement Systems; 2017, 24, 1; 27-44
    0860-8229
    Pojawia się w:
    Metrology and Measurement Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Using a GEOBIA framework for integrating different data sources and classification methods in context of land use/land cover mapping
    Autorzy:
    Osmólska, A.
    Hawryło, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/145304.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    mapa użytkowanych gruntów
    mapa pokrycia terenu
    mapa leśna
    data fusion
    random forest
    supervised classification
    Sentinel-2
    Opis:
    Land use/land cover (LULC) maps are important datasets in various environmental projects. Our aim was to demonstrate how GEOBIA framework can be used for integrating different data sources and classification methods in context of LULC mapping.We presented multi-stage semi-automated GEOBIA classification workflow created for LULC mapping of Tuszyma Forestry Management area based on multi-source, multi-temporal and multi-resolution input data, such as 4 bands- aerial orthophoto, LiDAR-derived nDSM, Sentinel-2 multispectral satellite images and ancillary vector data. Various classification methods were applied, i.e. rule-based and Random Forest supervised classification. This approach allowed us to focus on classification of each class ‘individually’ by taking advantage from all useful information from various input data, expert knowledge, and advanced machine-learning tools. In the first step, twelve classes were assigned in two-steps rule-based classification approach either vector-based, ortho- and vector-based or orthoand Lidar-based. Then, supervised classification was performed with use of Random Forest algorithm. Three agriculture-related LULC classes with vegetation alternating conditions were assigned based on aerial orthophoto and Sentinel-2 information. For classification of 15 LULC classes we obtained 81.3% overall accuracy and kappa coefficient of 0.78. The visual evaluation and class coverage comparison showed that the generated LULC layer differs from the existing land cover maps especially in relative cover of agriculture-related classes. Generally, the created map can be considered as superior to the existing data in terms of the level of details and correspondence to actual environmental and vegetation conditions that can be observed in RS images.
    Źródło:
    Geodesy and Cartography; 2018, 67, 1; 99-116
    2080-6736
    2300-2581
    Pojawia się w:
    Geodesy and Cartography
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Space-Time-Frequency Machine Learning for Improved 4G/5G Energy Detection
    Autorzy:
    Wasilewska, Małgorzata
    Bogucka, Hanna
    Powiązania:
    https://bibliotekanauki.pl/articles/226216.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    spectrum sensing
    cognitive radio
    machine learning
    energy detection
    4G
    LTE
    5G
    k-nearest neighbors
    random forest
    Opis:
    In this paper, the future Fifth Generation (5G New Radio) radio communication system has been considered, coexisting and sharing the spectrum with the incumbent Fourth Generation (4G) Long-Term Evolution (LTE) system. The 4G signal presence is detected in order to allow for opportunistic and dynamic spectrum access of 5G users. This detection is based on known sensing methods, such as energy detection, however, it uses machine learning in the domains of space, time and frequency for sensing quality improvement. Simulation results for the considered methods: k-Nearest Neighbor sand Random Forest show that these methods significantly improves the detection probability.
    Źródło:
    International Journal of Electronics and Telecommunications; 2020, 66, 1; 217-223
    2300-1933
    Pojawia się w:
    International Journal of Electronics and Telecommunications
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The increase of the performance of ultrafine coal flotation by using emulsified kerosene and the prediction of the flotation parameters by random forest and genetic algorithm
    Poprawa efektywności flotacji węgla drobnoziarnistego przy wykorzystaniu emulsji naftowej oraz prognozowanie parametrów procesu flotacji przy użyciu metody lasów losowych oraz algorytmu genetycznego
    Autorzy:
    Oney, Ozcan
    Powiązania:
    https://bibliotekanauki.pl/articles/219716.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    flotacja węgla drobnoziarnistego
    emulsja naftowa
    metoda lasów losowych
    algorytm genetyczny
    ultrafine coal flotation
    emulsified kerosene
    random forest
    genetic algorithm
    Opis:
    In this study, emulsified kerosene was investigated to improve the flotation performance of ultrafine coal. For this purpose, NP-10 surfactant was used to form the emulsified kerosene. Results showed that the emulsified kerosene increased the recovery of ultrafine coal compared to kerosene. This study also revealed the effect of independent variables (emulsified collector dosage (ECD), frother dosage (FD) and impeller speed (IS)) on the responses (concentrate yield (γC %), concentrate ash content (%) and combustible matter recovery (ε %)) based on Random Forest (RF) model and Genetic Algorithm (GA). The proposed models for γC %, % and ε% showed satisfactory results with R2. The optimal values of three test variables were computed as ECD = 330.39 g/t, FD = 75.50 g/t and IS = 1644 rpm by using GA. Responses at these experimental optimal conditions were γC % = 58.51%, % = 21.7% and ε % = 82.83%. The results indicated that GA was a beneficial method to obtain the best values of the operating parameters. According to results obtained from optimal flotation conditions, kerosene consumption was reduced at the rate of about 20% with using the emulsified kerosene.
    W pracy zbadano możliwość wykorzystania emulsji naftowej do poprawy efektywności flotacji węgla drobnoziarnistego. W tym celu wykorzystano środek powierzchniowo czynny NP.-10 do utworzenia emulsji naftowej. Badania wykazały, że zastosowanie nafty w formie emulsji poprawiło wskaźniki odzysku węgla w porównaniu do procesów z wykorzystaniem nafty. W pracy badano także wpływ zmiennych zależnych (dozowanie emulsji w kolektorze ECD, dozowanie środka pianotwórczego FD, prędkość wirnika IS na wyniki procesu (uzysk koncentratu (γC %), zawartość popiołów (%) i stopień odzysku materii palnej (ε%), w oparciu o metodę lasów losowych i algorytm genetyczny. Proponowane modele pozwoliły na uzyskanie zadawalających wyników dla wskaźników γC %, %, ε %, w odniesieniu do współczynnika R2. Optymalne wartości badanych zmiennych ECD = 330.39 g/t, FD = 75.50 g/t and IS = 1644 obrotów na minutę obliczono przy wykorzystaniu algorytmu genetycznego. Wyniki procesu prowadzonego w wa-runkach optymalnych, określonych eksperymentalnie to γC % = 58.81 %; % = 21.7 %; ε % = 82.83 %. Uzyskane wyniki wskazują, że wykorzystanie algorytmu genetycznego jest metodą umożliwiającąotrzymanie najkorzystniejszych wartości parametrów pracy. Na podstawie wyników flotacji uzyskanych w najkorzystniejszych warunkach stwierdzono, że zużycie nafty obniżone zostało o ok. 20% dzięki zastosowaniu nafty w postaci emulsji.
    Źródło:
    Archives of Mining Sciences; 2019, 64, 1; 119-130
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Dimensionality Reduction for Probabilistic Neural Network in Medical Data Classification Problems
    Autorzy:
    Kusy, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/226697.pdf
    Data publikacji:
    2015
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    probabilistic neural network
    dimensionality reduction
    feature selection
    feature extraction
    single decision tree
    random forest
    principal component analysis
    prediction ability
    Opis:
    This article presents the study regarding the problem of dimensionality reduction in training data sets used for classification tasks performed by the probabilistic neural network (PNN). Two methods for this purpose are proposed. The first solution is based on the feature selection approach where a single decision tree and a random forest algorithm are adopted to select data features. The second solution relies on applying the feature extraction procedure which utilizes the principal component analysis algorithm. Depending on the form of the smoothing parameter, different types of PNN models are explored. The prediction ability of PNNs trained on original and reduced data sets is determined with the use of a 10-fold cross validation procedure.
    Źródło:
    International Journal of Electronics and Telecommunications; 2015, 61, 3; 289-300
    2300-1933
    Pojawia się w:
    International Journal of Electronics and Telecommunications
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Explicit and implicit description of the factors impact on the NO2 concentration in the traffic corridor
    Jawny i niejawny opis wpływu czynników na stężenie NO2 w kanionie komunikacyjnym
    Autorzy:
    Kamińska, Joanna Amelia
    Turek, Tomasz
    Powiązania:
    https://bibliotekanauki.pl/articles/204830.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    nitrogen dioxide
    traffic flow
    meteorological conditions
    random forest
    linear regression
    dwutlenek azotu
    ruch uliczny
    warunki meteorologiczne
    losowy las
    regresja liniowa
    Opis:
    High concentrations of nitrogen dioxide in the air, particularly in heavily urbanized areas, have an adverse effect on many aspects of residents’ health. A method is proposed for modelling daily average, minimal and maximal atmospheric NO2 concentrations in a conurbation, using two types of modelling: multiple linear regression (LR) an advanced data mining technique – Random Forest (RF). It was shown that Random Forest technique can be successfully applied to predict daily NO2 concentration based on data from 2015–2017 years and gives better fi t than linear models. The best results were obtained for predicting daily average NO2 values with R2=0.69 and RMSE=7.47 μg/m3. The cost of receiving an explicit, interpretable function is a much worse fit (R2 from 0.32 to 0.57). Verification of models on independent material from the first half of 2018 showed the correctness of the models with the mean average percentage error equal to 16.5% for RF and 28% for LR modelling daily average concentration. The most important factors were wind conditions and traffic flow. In prediction of maximal daily concentration, air temperature and air humidity take on greater importance. Prevailing westerly and south-westerly winds in Wrocław effectively implement the idea of ventilating the city within the studied intersection. Summarizing: when modeling natural phenomena, a compromise should be sought between the accuracy of the model and its interpretability.
    Celem pracy jest zbadanie możliwości prognozowania dziennego stężenia NO2 za pomocą metody losowego lasu – RF i porównanie wyników z wielowymiarową regresją liniową (LR) w oparciu o ten sam zestaw danych. Ponadto zbadano wpływ zwiększenia interpretowalności modelu na jego dokładność. W pracy przedstawiono dwie metody modelowania dziennych wartości minimalnych, średnich oraz maksymalnych stężeń NO2 w aglomeracji miejskiej: wielowymiarowa regresja liniowa (LR) oraz losowy las (RF). Wykazano, że metoda Lasu Losowego (Random Forest) może być skutecznie wykorzystywana do przewidywania dziennych wartości stężenia NO2. Największą dokładność otrzymano dla przewidywania średnich wartości dziennych stężenia z R2=0.69 oraz RMSE=7.47 μg/m3. Kosztem otrzymania jawnej postaci funkcji w modeli liniowym (LR) jest znacząco niższa dokładność przewidywania wartości stężenia (R2 od 0.32 do 0.57). Weryfikacja modeli na niezależnym materiale z pierwszej połowy 2018 roku potwierdziła poprawność modeli ze średnim błędem względnym dla średnich wartości dobowych stężeń równym 16.5% dla RF oraz 28% dla LR. Największy wpływ na stężenia NO2 w kanionie komunikacyjnym ma wiatr oraz natężenie ruchu. W modelowaniu maksymalnych wartości dobowych nabierają znaczenia temperatura powietrza oraz wilgotność względna powietrza. Przeważające zachodnie i północno-zachodnie wiatry we Wrocławiu skutecznie realizują koncepcję przewietrzania miasta w zakresie rozważanego skrzyżowania.
    Źródło:
    Archives of Environmental Protection; 2020, 46, 1; 93-99
    2083-4772
    2083-4810
    Pojawia się w:
    Archives of Environmental Protection
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Evaluation of the impact of explanatory variables on the accuracy of prediction of daily inflow to the sewage treatment plant by selected models nonlinear
    Ocena wpływu zmiennych objaśniających na dokładność predykcji dobowego dopływu do oczyszczalni ścieków wybranymi modelami nieliniowymi
    Autorzy:
    Szeląg, B.
    Bartkiewicz, L.
    Studziński, J.
    Barbusiński, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/205349.pdf
    Data publikacji:
    2017
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    wastewater treatment plant
    data mining
    random forest
    forecasting inflow
    k-nearest neighbour
    Kernel regression
    oczyszczalnia ścieków
    wydobywanie danych
    las losowy
    dopływ ścieków
    modelowanie
    k-najbliższy sąsiad
    regresja Kernela
    Opis:
    The aim of the study was to evaluate the possibility of applying different methods of data mining to model the inflow of sewage into the municipal sewage treatment plant. Prediction models were elaborated using methods of support vector machines (SVM), random forests (RF), k-nearest neighbour (k-NN) and of Kernel regression (K). Data consisted of the time series of daily rainfalls, water level measurements in the clarified sewage recipient and the wastewater inflow into the Rzeszow city plant. Results indicate that the best models with one input delayed by 1 day were obtained using the k-NN method while the worst with the K method. For the models with two input variables and one explanatory one the smallest errors were obtained if model inputs were sewage inflow and rainfall data delayed by 1 day and the best fit is provided using RF method while the worst with the K method. In the case of models with three inputs and two explanatory variables, the best results were reported for the SVM and the worst for the K method. In the most of the modelling runs the smallest prediction errors are obtained using the SVM method and the biggest ones with the K method. In the case of the simplest model with one input delayed by 1 day the best results are provided using k-NN method and by the models with two inputs in two modelling runs the RF method appeared as the best.
    Celem pracy jest ocena możliwości zastosowania różnych metod data mining do modelowania dopływu ścieków do komunalnej oczyszczalni ścieków. Do opracowania modeli statystycznych metodą wektorów nośnych, lasów losowych, k – najbliższego sąsiada i regresji Kernela wykorzystano szeregi pomiarowe dobowych wartości opadów deszczu, stanów wody w odbiorniku oraz dopływów do komunalnej oczyszczalni ścieków w Rzeszowie. Z obliczeń wykonanych metodami SVM, RF, k-NN i K wynika, że dla modeli z jedną zmienną objaśniającą opóźnioną o dobę w stosunku do wartości dopływu, najlepsze wyniki otrzymano modelem autoregresyjnym bazującym na metodzie k-NN a najgorsze regresją Kernela. W przypadku modeli z dwoma zmiennymi objaśniającymi najmniejsze wartości błędów uzyskano, dla modeli uwzględniających dopływ ścieków i całkowitą wysokość opadu deszczu z jednodobowym opóźnieniem; najlepsze wyniki uzyskano metodą RF a najgorsze regresji Kernela. Dla modeli z dwiema zmiennymi objaśniającymi, ale trzema sygnałami wejściowymi, najmniejsze błędy dopływu ścieków do OŚ uzyskano metodą SVM, a najgorsze regresji Kernela. Z wykonanych symulacji stwierdzono, że w większości przypadków najmniejsze wartości błędów dopływu ścieków do oczyszczalni otrzymano metodą SVM a największe metodą K. W przypadku najprostszego modelu z jednym sygnałem wejściowym opóźnionym o 1 dobę najlepsze wyniki obliczeń uzyskano metodą k-NN, a w dwóch przypadkach modeli, gdzie ujęto 2 sygnały wejściowe, najlepsza okazała się metoda RF.
    Źródło:
    Archives of Environmental Protection; 2017, 43, 3; 74-81
    2083-4772
    2083-4810
    Pojawia się w:
    Archives of Environmental Protection
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-10 z 10

      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