Wszystkie pola: Inteligencja sztuczna - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Wybrane metody sztucznej inteligencji w procesie diagnozowania wybranych ciągników rolniczych
Selected methods of artificial intelligence in the process of diagnosing of chosen agricultural tractors
Autorzy:: Boniecki, P.
Krysztofiak, A.
Czechlowski, M.
Przybylak, A.
Powiązania:: https://bibliotekanauki.pl/articles/335793.pdf
Data publikacji:: 2005
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: ciągnik rolniczy
sztuczna inteligencja
eksploatacja
diagnozowanie
agricultural tractor
diagnostic
exploitation
artificial intelligence
Opis:: Systemy ekspertowe jako jedne z elementów sztucznej inteligencji, bywają narzędziem stosowanym w wielu dziedzinach gospodarki, w tym również w rolnictwie [4]. Jednym z problemów wysoko towarowych gospodarstw rolniczych jest problem diagnozowania maszyn rolniczych. W produkcji rolniczej często wykorzystuje się ciągniki, których prawidłowa eksploatacja determinuje efektywność prac polowych. Celem pracy jest budowa systemu ekspertowego służącego do diagnostyki oraz prawidłowej obsługi ciągników typu MF, niezbędnej w procesie eksploatacji.
Expert systems as elements of artificial intelligence, are sometimes a practical tool in many spheres of economy, and also in agriculture [4]. One from the problems of large-scale production agricultural farms is problem of diagnosing of agricultural machines. In agricultural production often used tractors, correct exploitation of which determines efficiency of field works. Aim of this work is to build an expert system to diagnosing and correct services of MF type tractors, in process of their exploitation.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2005, 50, 2; 20-23
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Visual quality evaluation of malting barley with use of neural image analysis
Wizualna ocena jakości jęczmienia browarnego z wykorzystaniem neuronowej analizy obrazu
Autorzy:: Raba, B.
Nowakowski, K.
Boniecki, P.
Powiązania:: https://bibliotekanauki.pl/articles/337065.pdf
Data publikacji:: 2015
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: malting barley
image processing
artificial intelligence
jęczmień browarny
przetwarzanie obrazu
sztuczna inteligencja
Opis:: The quality evaluation is one of the most important stages of the production processes. The same as regards the beer production and its components: hop, yeast, malting barley and other ingredients. Presented project deals with the complex quality evaluation of malting barley used for malt production. Its main goal is to elaborate complete methodology for the identification of varieties, the level of contamination and other visual features of malting barley with the use of computer science technologies, such as neural image analysis.
Jednym z najważniejszych etapów w procesie produkcyjnym jest ocena jakości. Podobnie jest w produkcji piwa i jego składników: chmielu, drożdży, jęczmienia browarnego i innych. Przedstawiony projekt dotyczy kompleksowej oceny jakości jęcz-mienia browarnego używanego do produkcji słodu. Jego głównym celem jest opracowanie kompletnej metodyki identyfikacji odmian, poziom zanieczyszczenia i innych wizualnych cech jęczmienia browarnego z wykorzystaniem technologii informatycznych opartych na neuronowej analizy obrazu.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2015, 60, 1; 80-83
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Metodyka badawcza oraz przygotowanie zbiorów uczących dla sieci neuronowych identyfikujących jakość kompostu
Research methodology and preparation of learning datasets for neural networks identifying compost quality
Autorzy:: Jakubek, A.
Boniecki, P.
Dach, J.
Powiązania:: https://bibliotekanauki.pl/articles/286658.pdf
Data publikacji:: 2011
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: kompost
analiza obrazu
sieć neuronowa
sztuczna inteligencja
compost
image analysis
neural network
artificial intelligence
Opis:: Nie istnieje tania i szybka metoda określania stopnia dojrzałości kompostu, która mogłaby zostać przeprowadzona przez osobę nie posiadającą doświadczenia w tej dziedzinie. Podjęto zatem próbę jej estymacji wykorzystując jako narzędzie sztuczne sieci neuronowe. Opisana metodyka przestawia kolejne etapy prac badawczych przeprowadzonych w celu pozyskania reprezentatywnych danych do trenowania inteligentnych systemów klasyfikujących.
There is no cheap and quick method for determining the degree of compost maturity, which could be carried out by a person having no experience in this field. Therefore, there has been an attempt made to estimate it using artificial neural networks as a tool. Described methodology presents subsequent stages of research works carried out in order to acquire representative data for training intelligent classifying systems.
Źródło:: Inżynieria Rolnicza; 2011, R. 15, nr 1, 1; 85-90
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 4.

Tytuł:: System informatyczny "nStraw" wspomagający neuronową identyfikację stopnia dojrzałości kompostu
Computer system "nStraw" assisting a neural identification of compost maturity
Autorzy:: Boniecki, P.
Jakubek, A.
Kuzimska, T.
Pilarski, K.
Powiązania:: https://bibliotekanauki.pl/articles/336465.pdf
Data publikacji:: 2012
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: kompost
dojrzałość
analiza obrazu
sztuczna inteligencja
sieci neuronowe
compost
maturity
image analysis
artificial intelligence
neural networks
Opis:: Celem pracy była neuronowa identyfikacja stopnia rozkładu materiału organicznego (słomy) na podstawie informacji graficznej, uzyskanej przy użyciu metod analizy obrazu. W tym celu opracowano oryginalny system informatyczny "nStraw", umożliwiający edycję obrazów cyfrowych, akwizycję danych graficznych, ich analizę oraz konwersję do zbiorów uczących w postaci akceptowalnej przez symulator sztucznych sieci neuronowych.
The aim of this study was to describe a neural identification of the level of decomposition of organic material, based on graphic information, which is obtained by using image analysis. For this purpose, a neural network "nStraw" was generated for editing images, data retrieval and analysis.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2012, 57, 1; 21-25
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 5.

Tytuł:: Ocena efektywności neuronowego prognozowania w oparciu o wybrane metody na przykładzie dystrybucji produktów rolniczych
Assessment of effectiveness of the neural prediction based on selected methods exemplified by distribution of agricultural products
Autorzy:: Koszela, K.
Boniecki, P.
Weres, J.
Powiązania:: https://bibliotekanauki.pl/articles/287927.pdf
Data publikacji:: 2005
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: sztuczna inteligencja
sztuczne sieci neuronowe
prognozowanie
szeregi czasowe
artificial intelligence
artificial neural networks
prediction
time series
Opis:: Prognozowanie staje się bardzo ważnym etapem w każdej działalności. W przypadku dystrybucji produktów rolniczych mamy do czynienia z szeregiem złożonych bodźców, które przekładają się na wynik końcowy. Natomiast jakość tych prognoz ma ogromne znaczenie na kolejne etapy w łańcuchu produkcyjno-dystrybucyjnym. Sieci neuronowe są bardzo wysublimowaną techniką modelowania, zdolną odwzorować bardzo złożone funkcje. Modelowanie z wykorzystaniem sztucznych sieci neuronowych stosuje się wówczas, gdy nie jest znany dokładny opis matematyczny rozpatrywanego zjawiska, natomiast dobrze określone są jego wejścia i wyjścia. Sztuczna sieć neuronowa potrafi nauczyć się rozpoznawać analizowany problem, dając szybko odpowiedź na zmieniające się parametry wejściowe procesu. W pracy przedstawiono porównanie dwóch metod neuronowego modelowania sprzedaży wybranego produktu.
Prediction becomes a very important stage in many activities. In case of distributing agricultural products we deal with a number of stimuli which consequently transform into the end effect. It is clear that the quality of those predictions has a great influence on subsequent stages in the production and distribution chain. Neural networks are a sophisticated technique of modeling capable of reflecting very complex functions. Modeling using artificial neural networks is used when exact mathematical description of investigated phenomenon is not known but its inputs and outputs are well defined. Artificial neural network can learn to recognize the problem analyzed giving an answer to changing input parameters. In the paper two methods of neural modeling of a chosen agricultural product distribution were presented.
Źródło:: Inżynieria Rolnicza; 2005, R. 9, nr 2, 2; 69-76
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 6.

Tytuł:: Interaktywny system edukacyjny wprowadzający w zagadnienie sztucznych sieci neuronowych
Interactive educational system introducing into issue of artificial neural networks
Autorzy:: Olszewski, T.
Boniecki, P.
Weres, J.
Powiązania:: https://bibliotekanauki.pl/articles/287816.pdf
Data publikacji:: 2005
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: sztuczna sieć neuronowa
edukacyjny system informatyczny
modelowanie neuronowe
sztuczna inteligencja
artificial neural network
educational computer system
artificial intelligence
Opis:: Dziedzina sztucznych sieci neuronowych ma swoje źródło w badaniach dotyczących sztucznej inteligencji. Stanowią one próbę naśladowania najważniejszych cech charakteryzujących biologiczne systemy nerwowe. Nazwą „sztuczne sieci neuronowe” (SSN) określa się dziś najczęściej symulatory programowe, umożliwiające modelowanie sieci na komputerach klasy PC. Sztuczne sieci neuronowe pozwalają na modelowanie systemów empirycznych o nieokreślonych zależnościach, trudnych do opisania tradycyjnymi, deterministycznymi metodami. Mają również zdolność generalizacji i uogólniania. Dzięki swym cechom SSN znajdują zastosowanie w rozwiązywaniu różnych problemów w wielu, niepowiązanych z sobą dziedzinach, jak: finanse, medycyna czy inżynieria rolnicza. Celowe jest więc wykonanie informatycznego systemu edukacyjnego, który pozwoli w łatwy i przystępny sposób zapoznać użytkownika z tematyką modelowania neuronowego.
The domain of artificial neural networks has its own source in the research of artificial intelligence. Artificial neural networks (ANN) are trying to imitate the most important features which represent the biological nervous systems. Nowadays in most cases the name of “artificial neural networks” define as programming simulators which allows the modeling of networks on PC computers. ANN permits to modeling empirical systems which have indefinable relationships and are hard to present in a traditional deterministic methods. They have as well the ability to generalize. Owing to its features, ANN applies in resolving variety of problems in many totally different areas, like: finances, medicine or agricultural engineering. It is purposeful to prepare educational informatics system which allows a user to get closer to subjects of neural modeling in easy and accessible way.
Źródło:: Inżynieria Rolnicza; 2005, R. 9, nr 8, 8; 293-298
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 7.

Tytuł:: System informatyczny PiAO2 jako narzędzie wspomagające bezwzorcową neuronową klasyfikację pomidorów
Computer system PiAO2 as a tool for assist neural classification of tomatoes without supervision
Autorzy:: Boniecki, P.
Zaborowicz, M.
Przybył, K.
Pilarski, K.
Powiązania:: https://bibliotekanauki.pl/articles/336447.pdf
Data publikacji:: 2012
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: pomidory
analiza obrazu
sztuczna inteligencja
sieci neuronowe
systemy informatyczne
tomatoes
image analysis
artificial intelligence
neural networks
computer systems
Opis:: Analiza obrazów oraz pozyskiwanie danych zawartych w obrazach cyfrowych są istotnym elementem w procesie generowania zbiorów uczących, przeznaczonych do budowy modeli neuronowych. Wraz z rozwojem komputerowej analizy obrazu możliwe jest pozyskiwanie coraz większej ilości danych. Dlatego zasadne jest tworzenie nowych oraz modyfikowanie istniejących systemów informatycznych, wspierających neuronową analizę obrazów o nowe funkcje, zwiększające użyteczność tych aplikacji.
Image analysis and gathering data from digital images is an important element in process of generating learning sets for the construction of the neural models. With the development of computer image analysis it is possible to obtain more data. This is a reason to create and develop computer systems that support neural image analysis and increase usability of this software.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2012, 57, 1; 26-28
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 8.

Tytuł:: Neuronowa estymacja poziomu emisji biometanu z typowych substratów rolniczych
Neural estimation of methane emission level from typical agricultural substrates
Autorzy:: Pilarski, K.
Boniecki, P.
Dach, J.
Koszela, K.
Lewicki, A.
Zbytek, Z.
Powiązania:: https://bibliotekanauki.pl/articles/336379.pdf
Data publikacji:: 2012
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: kiszonka
biogaz
metan
procesy
ocena
sztuczna inteligencja
sieci neuronowe
modelowanie
badania
silage
biogas
methane
processes
evaluation
artificial intelligence
neural networks
modeling
experimentations
Opis:: Efektywnym podejściem do estymacji procesów zachodzących w złożonych systemach empirycznych inżynierii rolniczej jest wykorzystanie nowoczesnych metod, jakie reprezentują neuronowe techniki predykcyjne. Sztuczne sieci neuronowe stanowią intensywnie rozwijającą się dziedzinę wiedzy, coraz częściej stosowaną w wielu obszarach zarówno nauki, jak również praktyki. Podstawą działania sztucznych sieci neuronowych są algorytmy uczące, umożliwiające zaprojektowanie odpowiedniej topologii sieci oraz dobór parametrów tej struktury. W pracy zaproponowano wykorzystanie technik neuronowego modelowania do estymacji poziomu zawartości metanu w biogazie, emitowanego w trakcie procesu fermentacji metanowej kiszonki. Uzyskane wyniki badań potwierdzają hipotezę, że predykcyjny model neuronowy, opisujący produkcję metanu w trakcie procesu fermentacji kiszonki w biofermentorze, jest właściwym instrumentem dla dokonania oceny prognozowania poziomu tej emisji.
The usage of modern methods, which represent predictive neural techniques is an effective approach to the estimation of the processes occurring in the complex empirical systems of agricultural engineering. The artificial neural networks are a rapidly expanding field of knowledge used increasingly in many areas of science, as well as practice. The learning algorithms, enabling the design of appropriate network topology and selection of the parameters of this structure, matched to the problem to be solved are the basis of functioning of artificial neural networks. The paper proposes the use of neural modeling techniques to estimate the level of methane content in the biogas emitted over the methane fermentation process of silage. Obtained research results confirm the hypothesis that predictive neural model describing the methane production during the silage fermentation process in biofermentor is an appropriate tool to assess the forecasting of the level of this emission.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2012, 57, 1; 115-119
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 9.

Tytuł:: Neuronowe rozpoznanie ciąży na podstawie obrazów ultrasonograficznych macicy krowy z wykorzystaniem systemu informatycznego "USG Recognizer"
Neural identification of the embryo of calf based on ultrasound images of the cow s womb using computer system "USG Recognizer"
Autorzy:: Kuzimska, T.
Boniecki, P.
Jaśkowski, J. M.
Przybył, K.
Powiązania:: https://bibliotekanauki.pl/articles/336377.pdf
Data publikacji:: 2012
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: krowa
macica
ciąża
ultrasonografia
analiza obrazu
sztuczna inteligencja
sieci neuronowe
modelowanie neuronowe
systemy informatyczne
cow
womb
pregnancy
ultrasonography
image analysis
artificial intelligence
neural networks
neural modeling
computer systems
Opis:: W pracy zaprezentowano wytworzony, oryginalny system informatyczny "USG Recognizer", który zaopatrzony został w szereg funkcji wspomagających tworzenie adekwatnych zbiorów uczących, niezbędnych w procesie generowania modeli neuronowych. Dzięki tym funkcjonalnościom możliwa jest identyfikacja oraz ekstrakcja wiedzy zawartej w graficznych danych empirycznych, zakodowanej w postaci cyfrowych zdjęć ultrasonograficznych. W oparciu o zbudowaną aplikację wygenerowana została sztuczna sieć neuronowa, której celem było wspomaganie rozpoznania lub wykluczenia ciąży, dokonanego na podstawie ultrasonogramów macicy krowy. Zaproponowany system informatyczny "USG Recognizer" został zbudowany z wykorzystaniem środowisk: Visual Paradigm (UML 8.0) oraz Microsoft Visual Studio 2010 Professional Edition.
The software "USG Recognizer" that was described in this work is equipped with a binarization function with threshold. The application also fulfills some additional functions such as: contrast and closing. With this functionality it is possible to achieve empirical data from digital ultrasound photo of cow's womb. The artificial neural network was generated on the basis of created application. The main purpose of this network is to support an identification or exclusion of the gestation in user's ultrasound picture. "USG Recognizer" was created using Visual Paradigm (UML 8.0) and Microsoft Visual Studio 2010 Professional Edition environments.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2012, 57, 1; 96-100
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "Inteligencja sztuczna" wg kryterium: Wszystkie pola

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język