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 "radialne funkcje bazowe" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Support vector machines and neural networks for forecasting of failure rate of water pipes
    Metoda wektorów nośnych i sieci neuronowe do przewidywania wskaźnika awaryjności przewodów wodociągowych
    Autorzy:
    Kutyłowska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/126281.pdf
    Data publikacji:
    2016
    Wydawca:
    Towarzystwo Chemii i Inżynierii Ekologicznej
    Tematy:
    pipelines
    prediction
    radial basis functions
    rurociągi
    przewidywanie
    radialne funkcje bazowe
    Opis:
    The failure rate of water pipes was predicted using support vector machines (SVMs) and artificial neural networks (ANNs). Both algorithms are regression methods of so called machine learning. Operational data from the time span 2001-2012 were used for forecasting purposes. The length, diameter and year of construction of the distribution pipes and the house connections were treated as the independent variables. The computations were carried out using the Statistica 12.0 software.
    Wskaźnik awaryjności przewodów wodociągowych przewidywano za pomocą metody wektorów nośnych (SVM) i sztucznych sieci neuronowych (SSN). Oba algorytmy należą do metod regresyjnych, nazywanych metodami uczenia maszyn. Dane eksploatacyjne z lat 2001-2012 zostały wykorzystane w celach predykcji. Długość, średnica i rok budowy przewodów rozdzielczych i przyłączy były zmiennymi niezależnymi. Obliczenia przeprowadzono w programie Statistica 12.0.
    Źródło:
    Proceedings of ECOpole; 2016, 10, 1; 41-46
    1898-617X
    2084-4557
    Pojawia się w:
    Proceedings of ECOpole
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of Water Conduits Failure Rate – Comparison of Support Vector Machine and Neural Network
    Przewidywanie wskaźnika awaryjnooeci przewodów wodociągowych – wektory nooene oraz sieci neuronowe
    Autorzy:
    Kutyłowska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/388695.pdf
    Data publikacji:
    2016
    Wydawca:
    Towarzystwo Chemii i Inżynierii Ekologicznej
    Tematy:
    regression methods
    pipelines
    modelling
    radial basis functions
    metody regresyjne
    rurociągi
    modelowanie
    radialne funkcje bazowe
    Opis:
    This paper presents the possibility of applying support vector machines (SVMs) and artificial neural networks (ANNs), based on radial basis functions to predict the failure rate of water conduits. The SVM method is an algorithm for carrying out regression and classification, taking into account a nonlinear decision space. This hyperplane divides the whole area in such a way that objects of different affiliation are separated from one another. In the case of ANNs, each of the neurons models a Gaussian response surface. The information from the inputs is transmitted to a basis function and each neuron calculates the Euclidean distance between the input, reference and output vectors. The failure rate of distribution pipes and house connections was predicted on the basis of operational data for the years 2001–2012. In both the methods the independent variables were: the length, diameter and year of construction of the distribution pipes and the house connections. The computations were carried out using the Statistica 12.0 software. The SVM-RBF model for the house connections and the distribution pipes had respectively 14 SVMs (including 7 localized SVMs) and 56 SVMs (including 46 localized SVMs). The ANN-RBF model contained 8 and 27 hidden neurons for respectively the distribution pipes and the house connections.
    W pracy przedstawiono możliwość zastosowania metody wektorów nośnych (SVM) oraz sztucznych sieci neuronowych (SSN) opartych na radialnych funkcjach bazowych do przewidywania wskaźnika intensywności uszkodzeń przewodów wodociągowych. Metoda wektorów nośnych jest algorytmem, za pomocą którego dokonuje się regresji i klasyfikacji z uwzględnieniem nieliniowej przestrzeni decyzyjnej. Ta hiperpłaszczyzna dzieli cały obszar w taki sposób, że obiekty o różnej przynależności są od siebie oddzielone. Natomiast w przypadku sieci neuronowych każdy z neuronów modeluje tzw. gaussowską powierzchnię odpowiedzi. Informacje z wejść przekazywane są funkcji bazowej, a każdy neuron oblicza odległość euklidesową między wektorami wejściowymi, wzorcowymi i wyjściowymi. Przewidywanie wskaźnika intensywności uszkodzeń przewodów rozdzielczych i przyłączy wykonano na podstawie danych eksploatacyjnych z lat 2001–2012. W przypadku obydwu metod zmiennymi niezależnymi były: długość, średnica oraz rok budowy przewodów rozdzielczych i przyłączy. Obliczenia przeprowadzono w programie Statistica 12.0. Model SVM dla przyłączy i przewodów rozdzielczych posiadał odpowiednio 14 wektorów nośnych, w tym 7 związanych oraz 56 w tym 46 związanych. Model SSN zawierał 8 i 27 neuronów ukrytych odpowiednio w odniesieniu do przewodów rozdzielczych i przyłączy.
    Źródło:
    Ecological Chemistry and Engineering. A; 2016, 23, 2; 147-160
    1898-6188
    2084-4530
    Pojawia się w:
    Ecological Chemistry and Engineering. A
    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