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 "Radial-Basis Function Network" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Soft computing-based technique as a predictive tool to estimate blast-induced ground vibration
    Autorzy:
    Arthur, Clement Kweku
    Temeng, Victor Amoako
    Ziggah, Yao Yevenyo
    Powiązania:
    https://bibliotekanauki.pl/articles/1839011.pdf
    Data publikacji:
    2019
    Wydawca:
    Główny Instytut Górnictwa
    Tematy:
    radial basis function neural network
    back propagation neural network
    generalized regression neural network
    wavelet neural network
    group method of data handling
    ground vibration
    radialna funkcja bazowa
    sieć neuronowa
    GRNN
    sieć falkowo-neuronowa
    grupowa metoda przetwarzania danych
    drgania gruntu
    Opis:
    The safety of workers, the environment and the communities surrounding a mine are primary concerns for the mining industry. Therefore, implementing a blast-induced ground vibration monitoring system to monitor the vibrations emitted due to blasting operations is a logical approach that addresses these concerns. Empirical and soft computing models have been proposed to estimate blast-induced ground vibrations. This paper tests the efficiency of the Wavelet Neural Network (WNN). The motive is to ascertain whether the WNN can be used as an alternative to other widely used techniques. For the purpose of comparison, four empirical techniques (the Indian Standard, the United State Bureau of Mines, Ambrasey-Hendron, and Langefors and Kilhstrom) and four standard artificial neural networks of backpropagation (BPNN), radial basis (RBFNN), generalised regression (GRNN) and the group method of data handling (GMDH) were employed. According to the results obtained from the testing dataset, the WNN with a single hidden layer and three wavelons produced highly satisfactory and comparable results to the benchmark methods of BPNN and RBFNN. This was revealed in the statistical results where the tested WNN had minor deviations of approximately 0.0024 mm/s, 0.0035 mm/s, 0.0043 mm/s, 0.0099 and 0.0168 from the best performing model of BPNN when statistical indicators of Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Relative Root Mean Square Error (RRMSE), Correlation Coefficient (R) and Coefficient of determination (R2) were considered.
    Źródło:
    Journal of Sustainable Mining; 2019, 18, 4; 287-296
    2300-1364
    2300-3960
    Pojawia się w:
    Journal of Sustainable Mining
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    ANN-based failure modeling of classes of aircraft engine components using radial basis functions
    Modelowanie uszkodzeń elementów silnika samolotowego w oparciu o sztuczne sieci neuronowe o radialnych funkcjach bazowych
    Autorzy:
    Al-Garni, Ahmed
    Abdelrahman, Wael
    Abdallah, Ayman
    Powiązania:
    https://bibliotekanauki.pl/articles/301913.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    neural network
    radial basis function
    Reliability
    engine components
    sieć neuronowa
    radialna funkcja bazowa
    niezawodność
    elementy silnika
    Opis:
    The objective of this research is to present a model to predict failure of two categories of critical aircraft engine components; nonrotating components such as valves and gearboxes, and rotating components such as engine turbines. The work utilizes Weibull regression and artificial neural networks employing Back Propagation (BP) as well as Radial Basis Functions (RBF). The model utilizes training failure data collected from operators of turboprop aircraft working in harsh desert conditions, where sand erosion is a detrimental factor in reducing turbine life. Accordingly, the model is more suited for accurate prediction of life of critical components of such engines. The algorithm, which uses Radial Basis Function (RBF) NN, uses a closest point specifier. The activation is based on the deviation of the earlier prototype from the input vector. Two earlier models are used for comparison purposes; namely Weibull regression modeling and Feed-Forward BP network. Comparison results show that the failure times represented by RBF are in better compromise with actual failure data than both earlier modeling methods. Moreover, the technique has comparatively higher efficiency as the neuron’s number in each layer of ANN is reduced, to decrease computation time, with minimum effect on the accuracy of results.
    Celem pracy jest przedstawienie modelu służącego do predykcji uszkodzeń dwóch kategorii krytycznych elementów silnika samolotowego: elementów nieobrotowych, takich jak zawory i skrzynie biegów oraz elementów obrotowych, takich jak turbiny silnika. W pracy wykorzystano regresję Weibulla i sztuczne sieci neuronowe oparte na propagacji wstecznej oraz radialnych funkcjach bazowych (RBF). Model wykorzystuje dane o błędach zebrane od operatorów samolotów turbośmigłowych pracujących w trudnych warunkach pustynnych, gdzie erozja powodowana przez piasek stanowi szkodliwy czynnik ograniczający żywotność turbin. Prezentowany model jest więc szczególnie przydatny do trafnego prognozowania żywotności krytycznych elementów takich silników. Algorytm, który wykorzystuje sieci neuronowe o radialnych funkcjach bazowych, używa specyfikatora najbliższego punktu. Aktywacja bazuje na odchyleniu wcześniejszego prototypu od wektora wejściowego. Dwa wcześniejsze modele oparte na regresji Weibulla (Weibull regression modeling) oraz sieciach typu Feed-Forward Backpropagation wykorzystano do badań porównawczych. Wyniki porównania pokazują, że czasy uszkodzeń odwzorowane przez RBF pozostają w większej zgodzie z rzeczywistymi danymi o uszkodzeniach niż w przypadku obu wcześniejszych metod modelowania. Co więcej, technika ta ma porównywalnie większą efektywność, ponieważ liczba neuronów w każdej warstwie sieci neuronowej została zredukowana tak aby zmniejszyć czas obliczeń, przy minimalnym wpływie na dokładność wyników.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 2; 311-317
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Integrated fault-tolerant control of a quadcopter UAV with incipient actuator faults
    Autorzy:
    Kantue, Paulin
    Pedro, Jimoh O.
    Powiązania:
    https://bibliotekanauki.pl/articles/2172129.pdf
    Data publikacji:
    2022
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    fault tolerant control
    quadrocopter
    incipient actuator fault
    radial basis function
    neural network
    sterowanie tolerujące uszkodzenia
    kwadrokopter
    radialna funkcja bazowa
    sieć neuronowa
    Opis:
    An integrated approach to the fault-tolerant control (FTC) of a quadcopter unmanned aerial vehicle (UAV) with incipient actuator faults is presented. The framework is comprised of a radial basis function neural network (RBFNN) fault detection and diagnosis (FDD) module and a reconfigurable flight controller (RFC) based on the extremum seeking control approach. The dynamics of a quadcopter subject to incipient actuator faults are estimated using a nonlinear identification method comprising a continuous forward algorithm (CFA) and a modified golden section search (GSS) one. A time-difference-of-arrival (TDOA) method and the post-fault system estimates are used within the FDD module to compute the fault location and fault magnitude. The impact of bi-directional uncertainty and FDD detection time on the overall FTC performance and system recovery is assessed by simulating a quadcopter UAV during a trajectory tracking mission and is found to be robust against incipient actuator faults during straight and level flight and tight turns.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2022, 32, 4; 601--617
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    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