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 "support vector machine" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Computational intelligence methods in the problem of modelling technical wear of buildings in mining areas
    Metody inteligencji obliczeniowej w problemie modelowania stopnia zużycia technicznego budynków na terenach górniczych
    Autorzy:
    Rusek, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/385956.pdf
    Data publikacji:
    2012
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    technical wear
    neural networks
    support vector machine (SVM)
    fuzzy systems
    szkody górnicze
    zużycie techniczne
    sieci neuronowe
    systemy rozmyte
    Opis:
    In the work presented approach with a view to building the model of degree of technical wear of buildings in the mining areas, as well as an indication that the contribution of the consumption on technical factors interact mining and civil construction origin. Set out criteria for the selection and research methodology effects are synthetically summarised existing work in this field. Justified choice of the ϵ-SVR method confronting its advantages to the characteristics of typical neural network.
    W artykule zaprezentowano podejście mające na celu budowę modelu przebiegu stopnia zużycia technicznego budynków na terenach górniczych, jak również analizowano, w jakim stopniu na zużycie techniczne oddziałują czynniki górnicze oraz ogólnobudowlane. Przedstawiono kryteria doboru metodyki badań oraz podsumowano efekty dotychczasowych prac w tej dziedzinie. Uzasadniono wybór metody &vepsilon;-SVR, konfrontując jej zalety z własnościami typowych, jednokierunkowych sieci neuronowych. Opisano sposób optymalnego doboru parametrów charakteryzujących złożoność modelu ϵ-SVR oraz wskazano możliwość zastosowania tak utworzonego modelu w systemach ekspertowych.
    Źródło:
    Geomatics and Environmental Engineering; 2012, 6, 3; 83-91
    1898-1135
    Pojawia się w:
    Geomatics and Environmental Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of Support Vector Machine in the analysis of the technical state of development in the LGOM mining area
    Zastosowanie metody Support Vector Machine w analizie stanu technicznego za budowy terenu górniczego LGOM
    Autorzy:
    Rusek, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/1365604.pdf
    Data publikacji:
    2017
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    Support Vector Machine
    influence of mining
    structure resistance
    technical wear
    technical condition
    wpływy górnicze
    odporność budynku
    zużycie techniczne
    stan techniczny
    Opis:
    The paper presents the results of the analysis of technical wear of buildings located within impact of mining plant in the Legnica - Głogów Copper District ( LGOM ). The study used method related to neural networks, support vector (Support Vector Machine) in regression approach ε-SVR (Support Vector Regression). The aim of the study was to assess the impact of variables describing the structural protection and renovations on the course modeled phenomenon. The basis for the analysis was created model of technical wear of buildings in the form of a network ε-SVR. In addition to the variables determining the level of structural protection and renovations in the model included variables describing: terrain deformation, mining intensity tremors and the age of the buildings. The choice of model parameters were performed using, as gradientlessness optimization method, genetic algorithm. Based on the established model ε-SVR two types of sensitivity analysis were applied. Assessing the impact of the structural protections have been studying by the analysis of variability of the gradient vector for the modeled hypersurface. The analysis of the impact of renovations on the course modeled process was carried out based on the comparator simulation results of ε-SVR model. The results confirmed the usefulness of the methodology of research and allowed to draw important conclusions on the impact of analyzed factors on the technical wear traditional buildings LGOM.
    W pracy przedstawiono wyniki analizy zużycia technicznego budynków zlokalizowanych w zasięgu wpływów eksploatacji górniczej na terenie Legnicko-Głogowskiego Okręgu Miedziowego (LGOM). W badaniach zastosowano pokrewną sieciom neuronowym metodę wektorów podpierających (Support Vector Machine) w podejściu regresyjnym ε-SVR (Support Vector Regression). Celem badań było uzyskanie oceny wpływu zmiennych opisujących zabezpieczenia konstrukcyjne i remonty na przebieg modelowanego zjawiska. Podstawą do analiz był utworzony model zużycia technicznego budynków w postaci sieci ε-SVR. Oprócz zmiennych określających poziom zabezpieczeń konstrukcyjnych i remontów, w modelu uwzględniono zmienne opisujące: deformacje terenu pochodzenia górniczego, intensywność wstrząsów oraz wiek budynków. Dobór parametrów modelu przeprowadzono z wykorzystaniem, jako bezgradientowej metody optymalizacyjnej, algorytmu genetycznego. Bazując na utworzonym modelu ε-SVR przeprowadzono dwurodzajową analizę wrażliwości. Oceny wpływu zabezpieczeń konstrukcyjnych dokonano badając zmienność wektora gradientu modelowanej hiperpowierzchni. Natomiast analiza wpływu remontów na przebieg modelowanego procesu została przeprowadzona na bazie komparacji wyników symulacji modeluε-SVR. Wyniki badań potwierdziły przydatność przyjętej metodyki badań oraz pozwoliły na sformułowanie istotnych wniosków dotyczących wpływu analizowanych czynników na zużycie techniczne tradycyjnej zabudowy LGOM.
    Źródło:
    Eksploatacja i Niezawodność; 2017, 19, 1; 54-61
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Machine-Learning Methods for Assessing Dynamic Resistance of Existing Bridge Structures Subjected to Mining Tremors
    Metody uczenia maszynowego w ocenie odporności dynamicznej istniejących obiektów mostowych poddanych wstrząsom górniczym
    Autorzy:
    Rusek, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/385657.pdf
    Data publikacji:
    2018
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    dynamika budowli
    uczenie maszynowe
    sztuczne sieci neuronowe
    SVM
    wstrząsy górnicze
    odporność dynamiczna
    mosty
    dynamics of structures
    machine learning
    Artificial Neural Networks
    SVM Support Vector Machine
    mining tremors
    dynamic resistance
    bridges
    Opis:
    W pracy przedstawiono wyniki badań, których celem było utworzenie modelu pozwalającego na określenie odporności istniejących obiektów mostowych na wpływy wstrząsów górniczych. Podstawą do analiz była utworzona przez autora baza danych o odporności dynamicznej żelbetowych obiektów mostowych poddanych wymuszeniu sejsmicznemu charakterystycznemu dla terenu Legnicko-Głogowskiego Okręgu Miedziowego (LGOM). Odporność dynamiczna każdego obiektu w bazie danych została wyrażona w postaci granicznych wartości przyspieszeń drgań gruntu, jakie dana konstrukcja może przejąć bez zagrożenia bezpieczeństwa. Badania przeprowadzono, wykorzystując metodę Support Vector Machine (SVM) w ujęciu regresyjnym (SVR – Support Vector Regression) oraz sztuczne sieci neuronowe (ANN – Artificial Neural Network). Utworzone w ten sposób modele porównano w aspekcie jakości predykcji oraz uogólniania nabytej wiedzy. Pozwoliło to na wytypowanie metody najbardziej efektywnej pod względem oceny odporności dynamicznej istniejących obiektów mostów.
    This paper demonstrates the results of research studies aimed at creating a model that allows to determine the resistance of existing bridge structures to the impact of mining tremors. A database (created by the author of this article) of the dynamic resistance of reinforced concrete bridge structures subjected to seismic excitations commonly occurring in the Legnica-Głogów Copper District (LGOM) formed the basis for the analysis. The dynamic resistance of each structure contained in the database was expressed as the limit values of the acceleration of ground vibrations that may be carried by a given structure without compromising its safety. The study was carried out using the Support Vector Machine (SVM) method in a Support Vector Regression (SVR) approach as well as an Artificial Neural Network (ANN). The models were compared in terms of the quality of the predictions and generalization of the acquired knowledge. This allows to select the most-effective method in evaluating the dynamic resistance of existing bridge structures.
    Źródło:
    Geomatics and Environmental Engineering; 2018, 12, 1; 109-120
    1898-1135
    Pojawia się w:
    Geomatics and Environmental Engineering
    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