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 "heuristic modelling" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Rotor dynamics - four open questions
    Autorzy:
    Kiciński, Jan
    Powiązania:
    https://bibliotekanauki.pl/articles/2090686.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    rotor dynamics
    non-linear models
    prehistory
    heuristic modelling
    dynamika wirnika
    dynamika nieliniowa
    prehistoria
    modelowanie heurystyczne
    Opis:
    Despite many years of development in the field of rotor dynamics, many issues still need to be resolved. This is due to the fact that turbomachines, even those with low output power, have a very complex design. The author of this article would like to signal these issues in the form of several questions, to which there are no precise answers. The questions are as follows: How can we build a coherent dynamic model of a turbomachine whose some subsystems have non-linear characteristics? How can we consider the so-called prehistory in our analysis, namely, the relation between future dynamic states and previous ones? Is heuristic modelling the future of rotor dynamics? What phenomena may occur when the stability limit of the system is exceeded? The attempt to find answers to these questions constitutes the subject of this article. There are obviously more similar questions, which encourage researchers from all over the world to further their research.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 6; e139791, 1--10
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Heuristic modeling of objects and processes using dynamic neural networks
    Heurystyczne modelowanie obiektów i procesów przy pomocy dynamicznych sieci neuronowych
    Autorzy:
    Przystałka, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/327816.pdf
    Data publikacji:
    2006
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    sztuczna sieć neuronowa
    lokalnie rekurencyjna sieć neuronowa
    systemy dynamiczne
    metoda quasi-Newtonowska
    modelowanie heurystyczne
    artificial neural network
    locally recurrent neural network
    dynamic systems
    quasi-Newton methods
    heuristic modelling
    Opis:
    The methodology of heuristic modeling is one of the subjects included in the activities developed by the Department of Fundamentals of Machinery Design [4, 6]. Among all the approaches of heuristic modeling some of the most common are artificial neural networks. There are many papers and books devoted to applications of neural networks for modeling dynamic systems [1, 2, 4, 5, 6, 7]. In this paper, known approach basing on dynamic neuron model is presented (dynamic neuron with IIR filter in the activation block [2]) but some developments are introduced. Locally recurrent networks which are composed of dynamic neural units described in [2, 5, 7] are able to model behavior of complex dynamic systems. Nevertheless, they have one major disadvantage, that is, neural networks composed of these neurons are not able to represent stochastic behaviors of some objects [4,6]. By introducing the ARMAX (or ARX) system into dynamic neuron model author has received dynamic neuron unit that never behaves in the same way (it brings an artificial neuron closer and closer to the biological model). In this paper the author presents formal description of dynamic neuron unit with ARMAX system in the feedback block. There are also described a general structure of dynamic neural network composed of these neurons, two known training methods and some commonly used quality measures. At the end of the paper three examples of applications are given.
    Metodologia heurystycznego modelowania obiektów i procesów jest jednym z kierunków badań rozwijanym prze Katedrę Podstaw Konstrukcji Maszyn [4, 6]. Spośród wielu metod modelowania heurystycznego duże znaczenie odgrywają metody bazujące na sztucznych sieciach neuronowych. Można wyróżnić wiele ciekawych prac badawczych prowadzonych w kierunku modelowania systemów dynamicznych z zastosowaniem tego typu narzędzia [1, 2, 4, 5, 6, 7]. W artykule zaprezentowano znane podejście bazujące na dynamicznych neuronach (dynamiczny neuron z filtrem IIR w bloku aktywacyjnym [2]) z pewnymi modyfikacjami. Lokalnie rekurencyjne sieci neuronowe złożone z dynamicznych neuronów opisane w [2, 5, 7] nadają się do modelowania zachowania złożonych systemów dynamicznych. Jednakże, posiadają one jedną główną wadę tzn. nie są zdolne do reprezentowania zachowania losowego niektórych obiektów [4, 6]. Poprzez wprowadzenie systemu typu ARMAX (ARX) do modeli dynamicznych neuronów autor otrzymał dynamiczny model neuronu, który nigdy nie zachowują się w ten sam sposób (przybliża to model sztucznego neuronu do jego biologicznego wzoru). W artykule autor prezentuje formalny opis dynamicznego neuronu z systemem typu ARMAX w bloku sprzężenie zwrotnego. Opisuje również ogólną strukturę dynamicznej sieci neuronowej złożonej z tych neuronów, dwa znane algorytmy trenujące oraz powszechnie stosowane miary jakości. Przykładowe zastosowania opisywanych sieci zaprezentowane są w końcowym fragmencie opracowania.
    Źródło:
    Diagnostyka; 2006, 2(38); 31-36
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Optimization of structure of neural models using distributed computing environment
    Optymalizacja struktury modeli neuronowych z zastosowaniem rozproszonego środowiska obliczeniowego
    Autorzy:
    Tomanek, A.
    Przystałka, P.
    Adamczyk, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/327638.pdf
    Data publikacji:
    2006
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    rozproszone obliczenia
    klastery typu ad-hoc
    sztuczna sieć neuronowa
    modelowanie heurystyczne
    optymalizacja struktury sieci neuronowej
    distributed computing
    ad-hoc computing clusters
    artificial neural network
    heuristic modelling
    optimizing neural network architecture
    Opis:
    The main aim of this paper was to identify the optimal structures of considered neural models using the distributed computing environment. In this paper distributed optimizing of feed-forward neural network architectures for given problems is presented. The computing environment is composed of a few important packages and modules and has been created by the authors in order to aid developing some soft computing methods [4], where a lot of calculations are needed. At the beginning the authors decided to adapt a simple systematic-search algorithm that searches through every possible combination of network structures. Since this class of algorithms requires large amount of computation the distributed computing system was employed.
    Głównym celem przeprowadzonych badań było zidentyfikowania optymalnej struktury rozpatrywanych modeli neuronowych z zastosowaniem środowiska do obliczeń rozproszonych. W artykule zaprezentowano zastosowanie systemu do rozproszonej optymalizacji struktury sztucznej sieci neuronowej typu perceptron wielowarstwowy dla zadanego problemu. Prezentowane środowisko obliczeniowe jest złożone z kilku pakietów oraz modułów i zostało utworzone przez autorów w celu wspomagania rozwoju metodologii modelowania heurystycznego [4], gdzie niezbędnych jest wiele obliczeń. W początkowym stadium rozwoju oprogramowania autorzy zastosowali prosty algorytm przeszukiwania systematycznego każdej możliwej kombinacji struktury sieci. Ponieważ tego typu algorytmy z reguły wymagają dużych mocy obliczeniowych, postanowiono wykorzystać system omawiany w niniejszym artykule.
    Źródło:
    Diagnostyka; 2006, 4(40); 15-18
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      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