Informacja

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

Wyszukujesz frazę "classification model" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Neural networks as performance improvement models in intelligent CAPP systems
Autorzy:
Rojek, I.
Powiązania:
https://bibliotekanauki.pl/articles/971020.pdf
Data publikacji:
2010
Wydawca:
Polska Akademia Nauk. Instytut Badań Systemowych PAN
Tematy:
classification model
neural network
tool
manufacturing operation
Opis:
The paper presents neural networks as performance improvement models in intelligent computer aided process planning systems (CAPP systems). For construction of these models three types of neural networks were used: linear network, multi-layer network with error backpropagation, and the Radial Basis Function network (RBF). The models were compared. Due to the comparison, we can say which type of neural network is the best for selection of tools for manufacturing operations. Tool selection for manufacturing operation is a classification problem. Hence, neural networks were built as classification models, meant to improve tool selection for manufacturing. The study was done for selected manufacturing operations: turning, milling and grinding. Models for the milling operation were presented in detail.
Źródło:
Control and Cybernetics; 2010, 39, 1; 54-68
0324-8569
Pojawia się w:
Control and Cybernetics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Methodology of rough-set-based classification and sorting with hierarchical structure of attributes and criteria
Metodyka klasyfikacji i sortowania z hierarchiczną strukturą atrybutów przy pomocy zbiorów przybliżonych
Autorzy:
Dembczyński, K.
Greco, S.
Słowiński, R.
Powiązania:
https://bibliotekanauki.pl/articles/205554.pdf
Data publikacji:
2002
Wydawca:
Polska Akademia Nauk. Instytut Badań Systemowych PAN
Tematy:
klasyfikacja
model reguł decyzyjnych preferencji
sortowanie
struktura hierarchiczna
zadanie wielokryterialnego podejmowania decyzji
zbiory przybliżone
classification
decision rule preference model
hierarchical structure
multicriteria decision problems
rough sets
sorting
Opis:
We consider a hierarchical classification problem involving sets of attributes and criteria. The problem of classification concerns an assignment of a set of objects to pre-defined classes. The classification to preference-ordered classes is called sorting. The objects are described by two sorts of attributes: criteria and regular attributes, depending on whether the attribute domain is preference-ordered or not. The hierarchical classification and sorting is made in finite number of steps due to hierarchical structure of regular attributes and criteria in the form of a tree. We propose a methodology based on the decision rule preference model. The model is constructed by inductive learning from examples of hierarchical decisions made by the Decision Maker on a reference set of objects. To deal with inconsistencies appearing in decision examples we adapt the rough set approach to the hierarchical classification and sorting problems. Due to inconsistency and their propagation from the bottom to the top of the hierarchy, the description of an object on a particular attribute may be not a simple value but either a subset of a regular attribute domain or an interval on a criterion scale. An example illustrates the methodology presented.
Rozpatrujemy problem klasyfikacji hierarchicznej ze zbiorami atrybutów i kryteriów. Zadanie klasyfikacji dotyczy przydziału zbioru obiektów do z góry zdefiniowanych klas. Klasyfikacja do klas uporządkowanych według relacji preferencji nazywana jest sortowaniem. Obiekty są opisane przez dwa rodzaje atrybutów: kryteria i właściwe atrybuty, w zależności od tego, czy dziedzina atrybutu jest uporządkowana względem preferencji, czy też nie. Hierarchiczna klasyfikacja i sortowanie wykonywane są w skończonej liczbie kroków dzięki hierarchicznej strukturze atrybutów właściwych i kryteriów, w postaci drzewa. Proponujemy metodyk(c) opartą na modelu reguł decyzyjnych co do preferencji. Model jest konstruowany poprzez uczenie indukcyjne na przykładach decyzji hierarchicznych podejmowanych przez decydenta w stosunku do zbioru odniesienia obiektów. Aby poradzić sobie z niespójnościami pojawiającymi się w przykładach decyzji zaadaptowaliśmy podejście zbiorów przybliżonych do zadania hierarchicznej klasyfikacji i sortowania. Wobec niespójności i ich propagacji od dołu do góry hierarchii, opis obiektu w ramach konkretnego atrybutu może nie być pojedynczą wartością, ale bądź to podzbiorem dziedziny atrybutu właściwego bądź to przedziałem na skali kryterium. Zaproponowaną metodykę zilustrowaliśmy przykładem.
Źródło:
Control and Cybernetics; 2002, 31, 4; 891-920
0324-8569
Pojawia się w:
Control and Cybernetics
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    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