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 "artificial network" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-14 z 14
    Tytuł:
    Model development of the external friction of granular vegetable materials on the basis of artificial neural networks
    Autorzy:
    Francik, S.
    Fraczek, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/25205.pdf
    Data publikacji:
    2001
    Wydawca:
    Polska Akademia Nauk. Instytut Agrofizyki PAN
    Tematy:
    granular vegetable material
    artificial neural network
    external friction
    vegetable
    Źródło:
    International Agrophysics; 2001, 15, 4
    0236-8722
    Pojawia się w:
    International Agrophysics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Metoda oceny nowoczesności techniczno-konstrukcyjnej ciągników rolniczych wykorzystująca Sztuczne Sieci Neuronowe. Cz. III: Przykłady zastosowania metody
    Method allowing to assess technical and constructional modernity of farm tractors with the use of Artificial Neural Networks. Part III: Method application examples
    Autorzy:
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/288949.pdf
    Data publikacji:
    2010
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    ciągnik rolniczy
    sztuczna sieć neuronowa
    farm tractor
    artificial neural network
    Opis:
    W pracy przedstawiono wykorzystanie zbudowanych modeli neuronowych do oceny nowoczesności techniczno-konstrukcyjnej (NTK) przykładowych modeli ciągników rolniczych. Ocenie poddano 35 modeli ciągników Case, John Deere, Massey Ferguson i New Holland wprowadzonych do produkcji w latach 1999 do 2007. Ocenione zostały grupy cech charakteryzujące ciągnik rolniczy, a następnie przeprowadzona została ocena końcowa całego ciągnika. Błąd średniokwadratowy oceny końcowej wyniósł zaledwie 0,83 roku, a ocen poszczególnych grup zmieniał się w zakresie od 1,12 roku do 2,38 roku.
    The work presents application of developed neural models in order to assess technical and constructional modernity (TCM) of sample farm tractor models. The assessment was carried out for 35 models of Case, John Deere, Massey Ferguson and New Holland tractors launched into production between 1999 and 2007. Groups of properties characteristic for farm tractor were assessed, followed by final evaluation of the whole tractor. Mean square error for final evaluation was only 0.83 years, and in case of assessments for individual groups it ranged from 1.12 to 2.38 years.
    Źródło:
    Inżynieria Rolnicza; 2010, R. 14, nr 3, 3; 37-44
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Metoda oceny nowoczesności techniczno-konstrukcyjnej ciągników rolniczych wykorzystująca sztuczne sieci neuronowe. Cz. I: Założenia metody
    An artificial neural networks-based method for assessing technical and constructional modernity of farm tractors. Part I: Method guidelines
    Autorzy:
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/287916.pdf
    Data publikacji:
    2009
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    nowoczesność
    ciągnik rolniczy
    sztuczna sieć neuronowa
    modernity
    farm tractor
    artificial neural network
    Opis:
    Celem pracy było opracowanie koncepcji autorskiej metody oceny nowoczesności techniczno-konstrukcyjnej ciągników rolniczych. Przedstawiono założenia przyjęte do sformułowania modelu oceny nowoczesności. Zgodnie z założeniami metoda będzie wykorzystywała do oceny sztuczne sieci neuronowe, oraz będzie uwzględniała zmienność w czasie wzorca nowoczesnego ciągnika.
    The purpose of the work was to develop an author's method for assessing technical and constructional modernity of farm tractors. The paper presents theoretical model used to assess modernity. According to the guidelines, the method uses in the assessment artificial neural networks, and takes into account variability in time for a modern tractor model.
    Źródło:
    Inżynieria Rolnicza; 2009, R. 13, nr 9, 9; 41-47
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Metoda oceny nowoczesności techniczno-konstrukcyjnej ciągników rolniczych wykorzystująca Sztuczne Sieci Neuronowe. Cz. II: Modele neuronowe do oceny nowoczesności ciągników rolniczych
    Method allowing to assess technical and constructional modernity of farm tractors with the use of Artificial Neural Networks. Part II: Neural models for farm tractor modernity assessment
    Autorzy:
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/288947.pdf
    Data publikacji:
    2010
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    ciągnik rolniczy
    sztuczna sieć neuronowa
    nowoczesność
    farm tractor
    artificial neural network
    modernity
    Opis:
    Celem pracy było zbudowanie sztucznych sieci neuronowych przeznaczonych do oceny nowoczesności techniczno-konstrukcyjnej różnych modeli ciągników rolniczych. Te modele neuronowe (wielowarstwowe Perceptrony) pozwalają na ocenę grup cech charakteryzujących: silnik, WOM, uciąg, napęd, wielkość ciągnika, trójpunktowy układ zawieszenia, inne cechy, a następnie ocenę całego ciągnika. Sieci te wykazują małe wartości błędów średniokwadratowych (od 1,05 do 2,50 roku dla oceny grup cech, oraz 0,38 i 0,96 roku dla oceny całego ciągnika).
    The purpose of the work was to build artificial neural networks designed to assess technical and constructional modernity of various farm tractor models. These neural models (multiplayer Perceptrons) allow to evaluate groups of properties that characterise: a motor, power take-off shaft, draw-bar pull, drive, tractor size, three-point suspension system, other properties, and finally - the whole tractor. These networks show low mean square error values (from 1.05 to 2.50 years when assessing groups of properties, and 0.38 and 0.96 years in case of the whole tractor).
    Źródło:
    Inżynieria Rolnicza; 2010, R. 14, nr 3, 3; 29-36
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Metoda prognozowania szeregów czasowych przy użyciu sztucznych sieci neuronowych
    The method used to predict time series using artificial neural networks
    Autorzy:
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/291511.pdf
    Data publikacji:
    2009
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    prognozowanie
    szereg czasowy
    sztuczna sieć neuronowa
    predicting
    time series
    artificial neural network
    Opis:
    Celem pracy było opracowanie metodyki prognozowania szeregów czasowych przy użyciu sztucznych sieci neuronowych. Prognozy wykonano zakładając klasyczny model tendencji rozwojowej. Opracowano ogólny algorytm opracowywania prognostycznego modelu neuronowego. Przedstawiono przykład zastosowania tego algorytmu do opracowania 9 modeli neuronowych dla zmiennych prognostycznych charakteryzujących wybrane maszyny rolnicze: kombajny zbożowe, pługi oraz siewniki rzędowe. Przeprowadzono analizę wrażliwości dla opracowanych modeli prognostycznych.
    The purpose of the work was to develop methods for predicting time series using the artificial neural networks. The predictions were made assuming the classical development tendency model. The general algorithm for construction of prognostic neural model has been developed. The paper presents an example for using this algorithm to create 9 neural models for prognostic variables characterising selected farm machines: combine harvesters, ploughs and drill seeders. A sensitivity analysis was made for created prognostic models.
    Źródło:
    Inżynieria Rolnicza; 2009, R. 13, nr 6, 6; 53-59
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie SSN do wyznaczania twardości ziarna pszenicy
    Utilization of ANN to determine wheat grain hardness
    Autorzy:
    Hebda, T.
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/287734.pdf
    Data publikacji:
    2006
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    sztuczna sieć neuronowa
    ziarno
    twardość
    zawartość białka
    artificial neural network
    grain
    hardness
    protein content
    Opis:
    W pracy opracowano modele wykorzystujące sztuczne sieci neuronowe do wyznaczania twardości ziarna pszenicy (odmiany Mewa, Korweta, Sakwa, Symfonia, Zyta i Elena). Po przebadaniu 100 sieci wybrano jako model sieć typu perceptron trójwarstwowy. Jako dane wejściowe istotne okazały się: grubości i szerokości ziarna oraz zawartości białka. Wybrana sieć neuronowa zachowała zdolność generalizacji - średni błąd względny dla danych testujących (nie wykorzystywanych w procesie uczenia) były nieznacznie większy niż dla danych walidacyjnych.
    The paper presents developed models using artificial neural networks (ANN) to determine wheat grain hardness (Mewa, Korweta, Sakwa, Symfonia, Zyta and Elena varieties). A three-layer perceptron-type network was selected as a model after having tested 100 networks. Grain thickness and width and protein content turned out to be important as input data. Selected neural network maintained its ability to generalize - average relative error for testing data (not being used in learning process) was slightly higher than for validation data.
    Źródło:
    Inżynieria Rolnicza; 2006, R. 10, nr 12(87), 12(87); 181-188
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie autorskiej metody wyznaczania wartości parametrów nowoczesnych systemów technicznych do pługów i opryskiwaczy polowych
    Employing an authors method for determining values of parameters for modern technical systems in ploughs and field spraying machines
    Autorzy:
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/287923.pdf
    Data publikacji:
    2009
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    nowoczesność
    prognozowanie
    maszyna rolnicza
    sztuczna sieć neuronowa
    modernity
    predicting
    farm machine
    artificial neural network
    Opis:
    Celem pracy było zastosowanie autorskiej metody, wykorzystującej sztuczne sieci neuronowe, do prognozowania wartości parametrów technicznych nowoczesnych maszyn rolniczych do pługów zawieszanych i opryskiwaczy polowych. Opracowano schematy kolejności wyznaczania poszczególnych parametrów charakteryzujących nowoczesne maszyny objęte badaniami. Jako początkowe zmienne wejściowe przyjęto rok wprowadzenia modelu maszyny rolniczej na rynek oraz jej zapotrzebowanie na moc. Następnie opracowano 10 modeli neuronowych - po 5 dla każdego typu maszyny. Modelami tymi były wielowarstwowe perceptrony oraz sieci o radialnych funkcjach bazowych.
    The purpose of the work was to employ an author's method using artificial neural networks to predict values of technical parameters for modern farm machines used in suspended ploughs and field spraying machines. The researchers developed sequence schemes for determining individual parameters characterising modern machines subject to tests. Year of launching a farm machine model into the market and its power demand were taken as initial input variables. Then, 10 neural models were developed - 5 for each machine type. The models were multi-layer perceptrons and networks with radial basic functions.
    Źródło:
    Inżynieria Rolnicza; 2009, R. 13, nr 9, 9; 49-55
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza twardości selera w czasie suszenia
    Analysis of celery hardness during drying process
    Autorzy:
    Łapczyńska-Kordon, B.
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/289364.pdf
    Data publikacji:
    2006
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    twardość
    sztuczna sieć neuronowa
    model SSN
    seler
    hardness
    SSN model
    artificial neural network
    celery
    Opis:
    W pracy przedstawiono próbę zastosowania modelu sformułowanego na bazie sztucznych sieci neuronowych do opisu zmian twardości selera w czasie konwekcyjnego suszenia w warunkach wymuszonego przepływu powietrza. Model opracowano na podstawie badań. Próbki selera w kształcie cylindrów o wymiarach 10x10 mm poddano suszeniu konwekcyjnemu w temperaturach: 60 i 70°C. Podczas suszenia w równych odstępach czasowych określano twardość materiału metodą Vickersa za pomocą mikrotwardościomierza PMT-3. Do opisu zmian twardości w zależności od zawartości wody, temperatury suszenia i rodzaju obróbki przed suszeniem zastosowano model opracowany za pomocą sztucznych sieci neuronowych SSN. Do budowy modelu zastosowano wielowarstwową jednokierunkową sztuczną sieć neuronową, wykorzystując do uczenia zmodyfikowany algorytm wstecznej propagacji błędu. Analizowano sieci o różnej architekturze w celu zoptymalizowania działania modelu sieciowego. Stwierdzono, że sieć o 3 neuronach w warstwie 1, 3 neuronach w warstwie 2 i 1 neuronie w warstwie wyjściowej jest optymalna. Błąd względny globalny pomiędzy wartościami otrzymanymi z doświadczeń i z obliczeń wyniósł 28,7%.
    The paper presents an attempt of using a model created based on artificial neural networks for description of changes in celery hardness during convection drying under forced air circulation conditions. The model was developed based on the tests. Celery samples in a form of cylinders in size of 10x10 mm were put to convection drying at temperatures: 60 and 70°C. During the drying process material hardness was determined at equal time intervals based on the Vickers method using microhardness tester PMT-3. For description of hardness changes as a function of water content, drying temperature and type of treatment before drying a model developed based on artificial neural networks SSN was used. For creating the model a multilayer unidirectional neural network was employed, using a modified algorithm of backward error propagation for learning process. Networks with different architecture were analyzed in order to optimize actions of the network model. The analysis showed that the optimal network was the one with 3 neurons in layer 1, 3 neurons in layer 2 and 1 neuron in output layer. The global relative error between the values obtained from the experiments and from calculations was 28,7%.
    Źródło:
    Inżynieria Rolnicza; 2006, R. 10, nr 13(88), 13(88); 295-302
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of artificial neural networks in modelling the contact area of grain seeds
    Wykorzystanie sztucznych sieci neuronowych w modelowaniu powierzchni kontaktu ziarna zbóż
    Autorzy:
    Frączek, J.
    Francik, S.
    Ślipek, Z.
    Knapczyk, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/93661.pdf
    Data publikacji:
    2016
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    contact area
    seed material
    artificial neural network
    powierzchnia kontaktu
    materiał ziarnisty
    sztuczna sieć neuronowa
    Opis:
    The objective of the research was to create a model which defines the relation between a fundamental contact area of a seed and the pressure force, water content in a seed and its geometrical dimensions with application of artificial neural networks (SSN). Computer program Statistica Neural Networks v. 6.0. was used for formation of a neural model. Tests were carried out on Roma wheat seed and Dańkowskie Złote rye with six various water contents: 0.11 0.15 0.19 0.23 0.28 0.33 (kg⋅kg-1 dry mass). Caryopses were loaded with eight values of compression force - from 41 N to 230 N. Multiplicity of iterations was 5. Seed material was moistened to obtain a specific water content. Each seed was loaded with compression force with respectively growing values: 41N, 68N, 95N, 122N, 149N, 176N, 203N and 230N. A four-layer network of Perceptron type with 10 neurons in the first and 8 neurons in the second hidden layer was selected as a model which the best defines the contact area of grain seeds loaded with axial force at various moisture levels. This network has 4 inputs (water content, pressure force, thickness and length of caryopses) and one output (elementary contact area of rye and wheat seeds). Comparison of the neural model with empirical formulas obtained from nonlinear estimation proved a considerable higher precision of the first one.
    Celem badań było utworzenie modelu określającego zależności między elementarną powierzchnią kontaktu ziarna, a siłą nacisku, zawartością wody w ziarnie oraz jego wymiarami geometrycznymi, przy wykorzystaniu sztucznych sieci neuronowych (SSN). Do tworzenie modelu neuronowego wykorzystano program komputerowy Statistica Sieci Neuronowe v. 6.0. Badania przeprowadzono na ziarnie pszenicy Roma oraz żyta Dańkowskie Złote, przy sześciu różnych zawartościach wody: 0,11 0,15 0,19 0,23 0,28 0,33 (kg⋅kg-1 s.m.). Ziarniaki obciążano ośmioma wartościami siły ściskającej – od 41N do 230N. Krotność powtórzeń wynosiła 5. Materiał ziarnisty nawilżano aby uzyskać określoną zawartość wody. Każde ziarno obciążano siłą ściskającą o kolejno rosnących wartościach: 41N, 68N, 95N, 122N, 149N, 176N, 203N i 230N. Jako model najlepiej określający powierzchnię styku ziarna zbóż obciążanego siłą osiową, przy różnej wilgotności wybrano czterowarstwową sieć typu Perceptron o 10 neuronach w pierwszej i 8 neuronach w drugiej warstwie ukrytej. Sieć ta posiada 4 wejścia (zawartość wody, siła nacisku, grubość i długość ziarniaka), i jedno wyjście (elementarna powierzchnia kontaktu ziarna żyta i pszenicy). Porównanie modelu neuronowego z formułami empirycznymi uzyskanymi z estymacji nieliniowej wykazało zdecydowanie większą dokładność pierwszego z nich.
    Źródło:
    Agricultural Engineering; 2016, 20, 4; 27-37
    2083-1587
    Pojawia się w:
    Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wyznaczanie gęstości nasion jęczmienia jarego przy wykorzystaniu sztucznych sieci neuronowych
    Spring barley seeds density determination using artificial neuron networks
    Autorzy:
    Francik, S.
    Hebda, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/290414.pdf
    Data publikacji:
    2005
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    sztuczna sieć neuronowa
    jęczmień jary
    ziarno
    gęstość
    artificial neuron network
    spring barley
    seed
    density
    Opis:
    W pracy opracowano modele wykorzystujące sztuczne sieci neuronowe do wyznaczenia gęstości nasion jęczmienia jarego (odmiany Stratus i Rodos). Po przebadaniu 200 sieci wybrano jako modele dwie sieci typu perceptron trójwarstwowy. Jako dane wejściowe istotne okazały się mass ziarna, długości i jeden z wymiarów poprzecznych (grubość albo szerokość). Wybrane sieci neuronowe zachowały zdolność generalizacji - średnie błędy względne dla danych testujących (nie wykorzystywanych w procesie uczenia) były nieznacznie większe niż dla danych walidacyjnych.
    The study involved development of models using artificial neuron networks to determine spring barley seeds density (Stratus and Rodos varieties). After having tested 200 networks, two three-layer perception-type networks were selected for models. Important input data were: seed weight, seed length, and one of crosswise dimensions (thickness or width). Selected neuron networks maintained their generalization ability - mean relative errors for testing data (not used in learning process) were slightly higher than for validation data.
    Źródło:
    Inżynieria Rolnicza; 2005, R. 9, nr 10, 10; 83-90
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Próba zastosowania sztucznych sieci neuronowych do oceny nowoczesności maszyn rolniczych
    An attempt to application of artificial neural network to evaluating technological advancement of agricultural machines
    Autorzy:
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/291206.pdf
    Data publikacji:
    2005
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    sztuczna sieć neuronowa
    nowoczesność
    maszyna rolnicza
    ciągnik rolniczy
    artificial neural network
    technological advancement
    agricultural tractor
    Opis:
    Zastosowano jednokierunkowe, dwuwarstwowe sztuczne sieci neuronowe (SSN) do oceny nowoczesności ciągników rolniczych. Opracowano zespół sieci neuronowych pozwalających na dokonanie oceny poszczególnych zespołów ciągnika oraz oceny ogólnej. Oceniano oddzielnie silnik, skrzynię biegów, hydraulikę, komfort, a następnie na tej podstawie, uwzględniając masę i moc ciągnika, dokonywano oceny ogólnej. Jako przykłady wykorzystywane do opracowania modeli SSN (uczenie i testowanie) użyto testów 31 ciągników czołowych producentów. Nowoczesność ciągników oceniał niezależny zespół ekspertów. Działanie opracowanych SSN zostało pozytywnie zweryfikowane na przykładzie ciągników Ursus.
    One-directional, two-layer artificial neural networks were applied to evaluating the technological modernity of agricultural tractors. A set of neural networks was de-veloped which enabled evaluating of particular tractors assemblies in details as well as a general evaluation of the whole machine. The engine, gear box, hydraulic system, ergonomic features were assessed separately, next on such a basis and considering the tractor weight and power, general evaluation was completed. Tests of 31 brand-named tractors were used as the examples to developing the ANN models (teaching and testing). The tractors’ technological progression was evaluated by a team if independent experts. Functioning of developed ANN’s has been positively verified on an example of the Ursus tractors.
    Źródło:
    Inżynieria Rolnicza; 2005, R. 9, nr 8, 8; 63-70
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Present trends in research on application of artificial neural networks in agricultural engineering
    Aktualne kierunki badań dotyczących zastosowań sztucznych sieci neuronowych w inżynierii rolniczej
    Autorzy:
    Francik, S.
    Ślipek, Z.
    Frączek, J.
    Knapczyk, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/93849.pdf
    Data publikacji:
    2016
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    agricultural engineering
    artificial neural network
    bibliometric analysis
    dynamics of publishing
    inżynieria rolnicza
    sztuczna sieć neuronowa
    analiza bibliometryczna
    dynamika publikowania
    Opis:
    The objective of the paper was to carry out a bibliometric quantitative analysis of publications concerning the application of artificial neural networks in the research area - agriculture and a bibliometric quantitative analysis and subject analysis with regard to agricultural engineering. A number of scientific publications devoted to the ANN found in the data base of the Web of Science - in documents published to 2015 was a basis for the quantitative analysis. Research on the use of artificial neural networks in the research area – agriculture is extending systematically. Moreover, a rapidly growing number of citations prove a continuous increase in the scientists' interest in possibilities of the ANN applications. The quantitative analysis of scientific publications in 5 selected scientific journals and thematically related to agricultural engineering (indexed in the Web of Science) allowed a statement that 236 scientific articles from 1996-2015 were related to the ANN application. The biggest number of publications was reported in Computers and Electronics in Agriculture - 118 articles. In 2011-2015 there was a growing trend in dynamics of publishing of scientific papers devoted to the ANN application to agricultural engineering. Thus, we may assume that the research related to application of the artificial neural networks to agricultural engineering will be continued and their scope and number will be still growing. The thematic analysis of the most often quoted publications from 2011-2015 in the journal Computers and Electronics in Agriculture, proved that they concern both the issues related to the classification problem as well as to modelling processes and systems. We should suppose that the subjects related to modelling of drying processes and application of neural networks for image analysis will grow dynamically in the following years.
    Celem pracy było przeprowadzenie bibliometrycznej analizy ilościowej publikacji dotyczących wykorzystania sztucznych sieci neuronowych (ANN) w obszarze badawczym rolnictwo oraz bibliometrycznej analizy ilościowej i tematycznej w dyscyplinie inżynieria rolnicza. Podstawą dla wykonania analiz ilościowych była liczba publikacji naukowych poświęconych ANN znaleziona w bazie Web of Science - dokumenty opublikowane do roku 2015. Badania nad zastosowaniami sztucznych sieci neuronowych w obszarze badawczym rolnictwo rozszerzają się systematycznie. O ciągłym wzroście zainteresowania naukowców możliwościami wykorzystania ANN świadczy również gwałtownie wzrastająca liczba cytowań. Analiza ilościowa publikacji naukowych w 5 wybranych czasopismach naukowych tematycznie związanych z inżynierią rolniczą (indeksowanych w bazie Web of Science) pozwoliła stwierdzić, że 236 artykułów naukowych z lat 1996-2015 było powiązane tematycznie z zastosowaniem ANN. Najwięcej publikacji odnotowano w czasopiśmie Computers and Electronics in Agriculture - 118 artykułów. W latach 2011-2015 występuje tendencja wzrostowa dynamiki publikowania prac naukowych poświęconych zastosowaniom ANN w inżynierii rolniczej. Można zatem wnioskować, że badania związane z zastosowaniem sztucznych sieci neuronowych w dyscyplinie inżynieria rolnicza będą kontynuowane, a ich zakres i liczba będzie się w dalszym ciągu zwiększać. Analiza tematyki najczęściej cytowanych publikacji z lat 2011-2015 w czasopiśmie Computers and Electronics in Agriculture wykazała, że dotyczą one zarówno zagadnień związanych z problemem klasyfikacji, jak i modelowania procesów i systemów. Należy przypuszczać, że tematyka związana z modelowaniem procesów suszarniczych oraz wykorzystaniem sieci neuronowych do analizy obrazu będzie się w kolejnych latach gwałtownie rozwijać.
    Źródło:
    Agricultural Engineering; 2016, 20, 4; 15-25
    2083-1587
    Pojawia się w:
    Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Model twardości ziarniaków pszenicy wykorzystujący sztuczne sieci neuronowe
    Hardness model for wheat caryopsises using artificial neural networks
    Autorzy:
    Hebda, T.
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/289422.pdf
    Data publikacji:
    2006
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    sztuczna sieć neuronowa
    ziarno
    twardość
    grubość
    okrywa owocowo-nasienna
    artificial neural network
    grain
    hardness
    thickness
    fruit and seed coat
    Opis:
    W pracy opracowano modele wykorzystujące sztuczne sieci neuronowe do wyznaczania twardości ziarna pszenicy (odmiany Mewa, Korweta, Sakwa, Symfonia, Zyta i Elena) na podstawie wymiarów geometrycznych, masy ziarniaka, grubości jego okrywy owocowo-nasiennej oraz odmiany. Po przebadaniu 150 sieci wybrano jako model sieć typu perceptron trójwarstwowy o siedmiu neuronach w warstwie ukrytej. Jako dane wejściowe istotne okazały się wszystkie przyjęte do badań zmienne.
    The work presents models using Artificial Neural Networks for setting out hardness of wheat grain (variation Mewa, Korweta, Sakwa, Symfonia, Zyta and Elena) based on geometric dimensions, caryopsis weight, thickness of its fruit and seed coat and variation. After examining 150 networks as a model perceptron tri-layer type network with seven neurons in hidden layer was selected. As input data all the variables taken for tests turned out to be relevant.
    Źródło:
    Inżynieria Rolnicza; 2006, R. 10, nr 13(88), 13(88); 139-146
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Metoda prognozowania wartości parametrów technicznych nowoczesnych maszyn rolniczych. Cz. I. Metodyka prognozowania parametrów ciągników rolniczych
    Method of Forecasting technical parameter values of state-of-the-art farm machines. Part I. Forecasting technique for farm tractor parameters
    Autorzy:
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/289627.pdf
    Data publikacji:
    2006
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    parametry techniczne
    ciągnik rolniczy
    sztuczna sieć neuronowa
    nowoczesność
    maszyna rolnicza
    technical parameters
    farm tractors
    artificial neural network
    farm machine
    advancement
    Opis:
    W pracy zaproponowano metodę prognozowania wartości parametrów technicznych dla nowoczesnych ciągników rolniczych. W metodzie tej wykorzystano sztuczne sieci neuronowe. Opracowany został algorytm wyznaczania wartości poszczególnych parametrów.
    The paper proposes a method of forecasting technical parameter values for state-of-the-art farm tractors. The method uses artificial neural networks. An algorithm for setting out values of individual parameters was developed.
    Źródło:
    Inżynieria Rolnicza; 2006, R. 10, nr 11(86), 11(86); 101-108
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-14 z 14

      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