Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "multidimensional methods" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Application of multidimensional data visualization by means of self-organizing Kohonen maps to evaluate classification possibilities of various coal types
Zastosowanie wizualizacji wielowymiarowych danych za pomocą sieci Kohonena do oceny możliwości klasyfikacji różnych typów węgla
Autorzy:
Jamróz, D.
Niedoba, T.
Powiązania:
https://bibliotekanauki.pl/articles/220033.pdf
Data publikacji:
2015
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
Kohonen maps
grained material analysis
coal
multidimensional data
multidimensional visualization methods
sieci Kohonena
analiza materiału uziarnionego
dane wielowymiarowe
metody wizualizacji wielowymiarowej
Opis:
Multidimensional data visualization methods are a modern tool allowing to classify some analysed objects. In the case of grained materials e.g. coal, many characteristics have an influence on the material quality. The paper presents the possibility of applying visualization techniques for coal type identification and determination of significant differences between various types of coal. To achieve this purpose, the method of Kohonen maps was applied by means of which three types of coal – 31, 34.2 and 35 (according to Polish classification of coal types) were investigated. It was stated that the applied methodology allows to identify certain coal types efficiently and can be used as a qualitative criterion for grained materials.
Metody wizualizacji wielowymiarowych danych są nowoczesnym narzędziem umożliwiającym klasyfikację analizowanych obiektów, którymi mogą być różnego typu dane opisujące wybrane zjawisko lub materiał. W przypadku materiałów uziarnionych, jakim jest np. węgiel, wiele cech ma wpływ na jakość materiału, tj. np. gęstość, wielkość ziaren, ciepło spalania, zawartość popiołu, zawartość siarki itp. Na potrzeby artykułu przeprowadzono rozdział węgli z trzech wybranych kopalni węgla kamiennego, zlokalizowanych w Górnośląskim Okręgu Przemysłowym. Każda z tych kopalni pracuje na innego typu węglu. W tym przypadku były to węgle o typach 31, 34.2 oraz 35 (według polskiej klasyfikacji typów węgla). Najpierw, materiał został podzielony na klasy ziarnowe a następnie za pomocą rozdziale w cieczy ciężkiej (roztwór chlorku cynku) na frakcje gęstościowe. Dla tak przygotowanego materiału przeprowadzono następnie analizy chemiczne mające na celu określenie takich parametrów, jak zawartość siarki, zawartość popiołu, zawartość części lotnych, ciepło spalania oraz wilgotność analityczną. W ten sposób, dla każdej klaso-frakcji uzyskano bogate charakterystyki badanego materiału. Nasuwa się więc pytanie, czy możliwa jest identyfikacja typu węgla za pomocą dostępnych danych. W tym celu zastosowano wielowymiarową technikę wizualizacji statystycznej. Istnieje wiele metod takiej wizualizacji, z których kilka było już przedmiotem wcześniejszych publikacji autorów. W tym wypadku autorzy zdecydowali się zastosować metodę sieci Kohonena. Metoda ta została opisana w rozdziale 2 pracy, gdzie oprócz opisu teoretycznego podano również główne wzory stosowane podczas modelowania tą metodą (wzory (1)-(5)). Do zbadania postawionego problemu wykorzystano optymalną liczbę iteracji i optymalny czas uczenia sieci. Pewnym problemem pojawiającym się przy takiej wizualizacji jest konieczność doboru parametrów, w celu uzyskania widoku, który w sposób czytelny prezentuje poszukiwane przez nas informacje. Należy wspomnieć, że w trakcie prowadzonych eksperymentów uzyskiwano widoki przy użyciu sieci neuronowej o wielkości od 10 × 10 do 100 × 100 neuronów. Widoki były uzyskiwane przy wartości parametru MAX_DISTANCE od 1 do wielkości sieci oraz parametru ITER od 1 do 5000. Eksperymenty były prowadzone dla różnych wzorów określających modyfikację wag. Przedstawione w pracy wyniki stanowią najbardziej czytelne z uzyskanych. Wizualizacja wielowymiarowa przy użyciu sieci Kohonena pozwala stwierdzić, że informacje zawarte w analizowanych siedmiowymiarowych danych są wystarczające do prawidłowej klasyfikacji typów węgla 31, 34.2 oraz 35, przy czym nawet zobrazowanie 3 typów węgla na jednym rysunku pozwala stwierdzić, że neurony reprezentujące próbki węgla danego typu gromadzą się w skupiskach, które można od siebie odseparować. Z tego wynika, że dane zawierają informacje wystarczające do prawidłowej klasyfikacji węgla. Zauważyć jednak warto, że przedstawienie przy pomocy sieci Kohonena, danych reprezentujących różne typy węgla parami, pozwala uzyskać jeszcze bardziej czytelne wyniki. Najlepsze efekty osiągnięto dla sieci o 40 wierszach oraz 40 kolumnach neuronów, co łącznie dało liczbę 1600 neuronów, zaś czytelność wyników rośnie wraz z postępem uczenia sieci neuronowej (wzrostem parametru ITER). Przeprowadzone doświadczenia w pełni potwierdzają, że zastosowana metoda może być z powodzeniem wykorzystana w badaniach jakościowych związanych z różnego typu materiałami uziarnionymi, w tym również węglem. Badania w tym zakresie są kontynuowane.
Źródło:
Archives of Mining Sciences; 2015, 60, 1; 39-50
0860-7001
Pojawia się w:
Archives of Mining Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Application of multidimensional scaling to classification of various types of coal
Zastosowanie skalowania wielowymiarowego do klasyfikacji różnych typów węgli
Autorzy:
Jamróz, D.
Powiązania:
https://bibliotekanauki.pl/articles/219176.pdf
Data publikacji:
2014
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
skalowanie wielowymiarowe
MDS
wizualizacja danych wielowymiarowych
węgiel
identyfikacja danych
statystyczne metody graficzne
rozpoznawanie obrazów
multidimensional scaling
multidimensional data visualization
coal
identification of data
statistical graphics methods
pattern recognition
Opis:
Visualization of multidimensional data is a new way of statistical analysis of so-called statistical graphical methods. These methods allow to classify some analyzed objects, including their various features. Facing grained materials problems, like coal or ores many characteristics have an influence on the quality of product. In case of coal, many features must be taken into consideration to determine quality of the material. Apart from most obvious characteristics like particle size, particle density or ash contents there are many others which cause significant differences between considered types of material. In the paper the application of Multidimensional Scaling Method is presented which is one of the multidimensional data visualization techniques. To this purpose, sampling of three types of coal was performed, which were 31, 34.2 and 35 (according to Polish classification of coal types). First, the material was screened on sieves and then divided into density fractions. Next step was to analyze chemically the obtained particle and size fractions of researched coal. Then, the Multidimensional Scaling Method was applied to visualize the investigated set of data. It was proved that the applied methodology allows to identify certain coal types efficiently and can be used as a qualitative criterion for grained materials. However, it was impossible to achieve such identification comparing all three types of coal together. The Multidimensional Scaling Method is new technique of data analysis concerning widely understood mineral processing.
Surowce mineralne, które podlegają wzbogacaniu w celu ich lepszego wykorzystania mogą być charakteryzowane wieloma wskaźnikami opisującymi ich, interesujące przeróbkarza, cechy. Podstawowymi cechami są wielkość ziaren oraz ich gęstość, które decydują o przebiegu rozdziału zbiorów ziaren (nadaw) i efektach takiego rozdziału. Rozdział prowadzi się z reguły, w celu uzyskania produktów o zróżnicowanych wartościach średnich wybranej cechy, która zwykle charakteryzowana jest zawartością określonego składnika surowca wyznaczoną na drodze analiz chemicznych. Takie podejście do surowca mineralnego prowadzi do potraktowania go jako wielowymiarowego wektora X = [X1, …, Xn]. Zasadniczym problemem jest także wybór jednostki populacji generalnej (ziarno, jednostka objętości lub masy), co może decydować o określeniu charakteru wielowymiarowych powiązań cech wektora X. Takimi kierunkami charakteryzowania mogą być wielowymiarowe rozkłady wektora losowego X wraz ze wszystkimi konsekwencjami metody (Lyman, 1993; Niedoba, 2009; 2011; Olejnik et al., 2010; Niedoba i Surowiak, 2012), wielowymiarowe równania regresji wraz z analizą macierzy współczynników korelacji liniowej oraz korelacji cząstkowej (Niedoba, 2013c), analiza czynnikowa (Tumidajski i Saramak, 2009), czy metody wielowymiarowej wizualizacji danych, będące tematem niniejszego artykułu. Biorąc pod uwagę analizę korelacji pomiędzy badanymi cechami materiałów uziarnionych (węgli) można zidentyfikować jakie jego cechy są ze sobą istotnie powiązane. Jest to swoiste preludium do wytypowania, które cechy węgla powodują istotne różnice pomiędzy jego typami. W artykule poddano badaniu trzy typy węgla, według polskiej klasyfikacji - węgle 31, 34.2 oraz 35, pochodzące z trzech różnych kopalni Górnośląskiego Okręgu Przemysłowego. Można powiedzieć, że z punktu widzenia ich jakości były to węgle energetyczne, semi-koksujące oraz koksujące. Każdy z tych węgli został poddany podziałowi na klasy ziarnowe, przy zastosowaniu odpowiedniego zestawu sit. Następnie każdą z otrzymanych klas ziarnowych rozdzielono w cieczach ciężkich na frakcje densymetryczne. Tak otrzymane klaso-frakcje zostały dodatkowo poddane analizie chemicznej ze względu na szereg cech, tj. ciepło spalania, zawartość siarki, zawartość substancji lotnych, zawartość popiołu, miąższość. Wyniki analiz dla wybranej klasy ziarnowej przedstawiono w tabeli 1. Tym samym otrzymano siedmiowymiarowy zestaw danych, który postanowiono poddać wielowymiarowej wizualizacji za pomocą metody skalowania wielowymiarowego. Metoda skalowania wielowymiarowego (multidimensional scaling, MDS) jest jedną z nowoczesnych metod wizualizacji danych. Tego typu metody są wskazane zwłaszcza w sytuacji gdy ma się do czynienia z zestawem skomplikowanych i złożonych danych. Skalowanie wielowymiarowe jest odwzorowaniem przestrzeni n-wymiarowej w przestrzeń m-wymiarową. Oparte jest na obliczaniu odległości pomiędzy każdą parą n-wymiarowych punktów. Na podstawie tych odległości rozważana metoda ustala wzajemne położenie obrazów tych punktów w docelowej przestrzeni m-wymiarowej. Niech dij oznacza odległość pomiędzy n-wymiarowymi punktami nr i oraz j. Skalowanie wielowymiarowe polega na takim rozmieszczeniu punktów w przestrzeni m-wymiarowej, by odległość Dij liczona w tej przestrzeni pomiędzy odwzorowanymi punktami nr i oraz j była jak najbardziej zbliżona do dij. Rozdział 4 zawiera wyniki eksperymentów. Na rysunkach 1-4 widać, w jaki sposób wzrasta grupowanie punktów reprezentujących trzy różne klasy węgla (31, 34.2 oraz 35) wraz ze wzrostem parametru ITER. Widać, że punkty będące obrazami danych reprezentujących te same klasy węgla zaczynają zajmować osobne podobszary oraz zaczynają się grupować. Czytelność podziału przestrzeni rośnie wraz ze zwiększeniem parametru ITER, więc wraz z dokładniejszym dopasowaniem odległości obrazów punktów Dij w przestrzeni 2-wymiarowej do oryginalnych odległości dij pomiędzy punktami w przestrzeni n-wymiarowej. Na rysunku 4 pokazano najbardziej czytelny wynik, jaki udało się uzyskać dla danych zawierających trzy typy węgla 31, 34.2 oraz 35. Nastąpiło to przy parametrze ITER = 793. Widać wyraźnie, że obrazy punktów danych reprezentujących próbki węgla danego typu gromadzą się w skupiskach. Można zaobserwować, że na prawie całym obszarze rysunku, skupiska te można od siebie odseparować. Jednak w niektórych częściach przestrzeni obrazy punktów reprezentujących różne klasy węgla zachodzą na siebie. Przez to nie możemy na podstawie tego rysunku stwierdzić, że analizowane dane pozwalają na prawidłową klasyfikację typów węgla. Postanowiono więc przeanalizować dane reprezentujące różne typy węgla parami. Na rysunkach 5-7 przedstawiono parami węgle typu, odpowiednio, 34.2 i 35 (Rys. 5), 31 i 34.2 (Rys. 6) oraz 31 i 35 (Rys. 7). Na każdym z tych rysunków widać czytelnie, że obrazy punktów reprezentujących próbki różnych typów węgla gromadzą się w skupiskach, które łatwo można od siebie odseparować. Przeprowadzona wizualizacja wielowymiarowa przy użyciu skalowania wielowymiarowego pozwala więc stwierdzić, że informacje zawarte w analizowanych siedmiowymiarowych danych są wystarczające do prawidłowej klasyfikacji typów węgla 31, 34.2 oraz 35.
Źródło:
Archives of Mining Sciences; 2014, 59, 2; 413-425
0860-7001
Pojawia się w:
Archives of Mining Sciences
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