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 "Osowski, S." wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Computerised system for fault diagnosis of the rotor bars of squirrel-cage induction motor
    Komputerowy system diagnostyczny uszkodzeń prętów klatki maszyny indukcyjnej
    Autorzy:
    Osowski, S.
    Kurek, J.
    Siwek, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/257946.pdf
    Data publikacji:
    2010
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Technologii Eksploatacji - Państwowy Instytut Badawczy
    Tematy:
    klatkowa maszyna indukcyjna
    wykrywanie uszkodzeń
    pręt
    maszyna wektorów nośnych
    przetwarzanie sygnału
    squirrel-cage induction motor
    bar fault detection
    support vector machine (SVM)
    signal processing
    Opis:
    The paper presents the computerised system for the diagnosis of the rotor bars of an induction electrical motor. The solution relies on the processing of the measured stator current and application of the Support Vector Machine as the classifier. The important point is the generation of the diagnostic features on the basis of which the SVM classifier undertakes its decision whether or not the bars are faulty. The most important problem is concerned with the generation of the diagnostic features, on the basis of which the recognition of the state of the rotor bars is done. In our approach, we use the spectral information of the stator current, limited to a strictly specified region. The selected features form the input vector applied to the single class Support Vector Machine, responsible for recognition of the fault. The results of the numerical experiments are presented and discussed in the paper.
    Praca przedstawia skomputeryzowany automatyczny system diagnostyczny do wykrywania uszkodzeń prętów maszyny indukcyjnej. Rozwiązanie jest typu bezinwazyjnego i może być zastosowane do maszyny w ruchu. Sygnały diagnostyczne generowane są na podstawie zarejestrowanych sygnałów prądu statora. W aplikacji wykorzystano jednoklasową sieć SVM (ang. Support Vector Machine) pracującą jako klasyfikator. Jednym z najistotniejszych problemów rozwiązanych w tym zadaniu jest generacja i selekcja odpowiednich cech diagnostycznych, na podstawie których klasyfikator dokonuje rozpoznania stanu prętów. Zaproponowano cechy bazujące na charakterystyce spektralnej prądu statora, ograniczonej do wybranego zakresu częstotliwości związanego z poślizgiem maszyny. System zbudowany w ramach projektu jest w pełni zautomatyzowany, poczynając od akwizycji sygnałów, poprzez ich przetwarzanie wstępne, aż po końcowy werdykt (pręty uszkodzone bądź nieuszkodzone).
    Źródło:
    Problemy Eksploatacji; 2010, 4; 135-151
    1232-9312
    Pojawia się w:
    Problemy Eksploatacji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Deep learning versus classical neural approach to mammogram recognition
    Autorzy:
    Kurek, J.
    Świderski, B.
    Osowski, S.
    Kruk, M.
    Barhoumi, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/200919.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    convolutional neural networks
    breast cancer diagnosis
    mammogram recognition
    diagnostic features
    splotowe sieci neuronowe
    diagnostyka raka piersi
    rozpoznawanie
    mammografia
    cechy diagnostyczne
    Opis:
    Automatic recognition of mammographic images in breast cancer is a complex issue due to the confusing appearance of some perfectly normal tissues which look like masses. The existing computer-aided systems suffer from non-satisfactory accuracy of cancer detection. This paper addresses this problem and proposes two alternative techniques of mammogram recognition: the application of a variety of methods for definition of numerical image descriptors in combination with an efficient SVM classifier (so-called classical approach) and application of deep learning in the form of convolutional neural networks, enhanced with additional transformations of input mammographic images. The key point of the first approach is defining the proper numerical image descriptors and selecting the set which is the most class discriminative. To achieve better performance of the classifier, many image descriptors were defined by means of applying different characterization of the images: Hilbert curve representation, Kolmogorov-Smirnov statistics, the maximum subregion principle, percolation theory, fractal texture descriptors as well as application of wavelet and wavelet packets. Thanks to them, better description of the basic image properties has been obtained. In the case of deep learning, the features are automatically extracted as part of convolutional neural network learning. To get better quality of results, additional representations of mammograms, in the form of nonnegative matrix factorization and the self-similarity principle, have been proposed. The methods applied were evaluated based on a large database composed of 10,168 regions of interest in mammographic images taken from the DDSM database. Experimental results prove the advantage of deep learning over traditional approach to image recognition. Our best average accuracy in recognizing abnormal cases (malignant plus benign versus healthy) was 85.83%, with sensitivity of 82.82%, specificity of 86.59% and AUC = 0.919. These results are among the best for this massive database.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 6; 831-840
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Developing automatic recognition system of drill wear in standard laminated chipboard drilling process
    Autorzy:
    Kurek, J.
    Kruk, M.
    Osowski, S.
    Hoser, P.
    Wieczorek, G.
    Jegorowa, A.
    Górski, J.
    Wilkowski, J.
    Śmietańska, K.
    Kossakowska, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/200766.pdf
    Data publikacji:
    2016
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    diagnostic expert systems
    neural networks
    wavelet packets
    wear monitoring
    diagnostyczny system ekspercki
    sieci neuronowe
    pakiety falkowe
    monitorowanie zużycia
    Opis:
    The paper presents an automatic approach to recognition of the drill condition in a standard laminated chipboard drilling process. The state of the drill is classified into two classes: “useful” (sharp enough) and “useless” (worn out). The case “useless” indicates symptoms of excessive drill wear, unsatisfactory from the point of view of furniture processing quality. On the other hand the “useful” state identifies tools which are still able to drill holes acceptable due to the required processing quality. The main problem in this task is to choose an appropriate set of diagnostic features (variables), based on which the recognition of drill state (“useful” versus “useless”) can be made. The features have been generated based on 5 registered signals: feed force, cutting torque, noise, vibration and acoustic emission. Different statistical parameters describing these signals and also their Fourier and wavelet representations have been used for defining the features. Sequential feature selection is applied to detect the most class discriminative set of features. The final step of recognition is done by using three types of classifiers, including support vector machine, ensemble of decision trees and random forest. Six standard drills of 12 mm diameter with tungsten carbide tips were used in experiments. The results have confirmed good quality of the proposed diagnostic system.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2016, 64, 3; 633-640
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    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