Informacja

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

Wyszukujesz frazę "multi-layer neural network" wg kryterium: Temat


Wyświetlanie 1-7 z 7
Tytuł:
Fuzzy method and neural network model parallel implementation of multi-layer neural network based on cloud computing for real time data transmission in large offshore platform
Autorzy:
Zhang, H..
Qin, W.
Powiązania:
https://bibliotekanauki.pl/articles/259083.pdf
Data publikacji:
2017
Wydawca:
Politechnika Gdańska. Wydział Inżynierii Mechanicznej i Okrętownictwa
Tematy:
parallel implementation
multi-layer neural network
cloud computing
Opis:
With the rapid development of electronic technology, network technology and cloud computing technology, the current data is increasing in the way of mass, has entered the era of big data. Based on cloud computing clusters, this paper proposes a novel method of parallel implementation of multilayered neural networks based on Map-Reduce. Namely in order to meet the requirements of big data processing, this paper presents an efficient mapping scheme for a fully connected multi-layered neural network, which is trained by using error back propagation (BP) algorithm based on Map-Reduce on cloud computing clusters (MRBP). The batch-training (or epoch-training) regimes are used by effective segmentation of samples on the clusters, and are adopted in the separated training method, weight summary to achieve convergence by iterating. For a parallel BP algorithm on the clusters and a serial BP algorithm on uniprocessor, the required time for implementing the algorithms is derived. The performance parameters, such as speed-up, optimal number and minimum of data nodes are evaluated for the parallel BP algorithm on the clusters. Experiment results demonstrate that the proposed parallel BP algorithm in this paper has better speed-up, faster convergence rate, less iterations than that of the existed algorithms.
Źródło:
Polish Maritime Research; 2017, S 2; 39-44
1233-2585
Pojawia się w:
Polish Maritime Research
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Experimental and numerical investigation of the deep drawing process for an automobile panel and prediction of appropriate amount of parameters by multi-layer neural network
Autorzy:
Najafabadi, S. S.
Anaraki, A. T.
Moradi, M.
Powiązania:
https://bibliotekanauki.pl/articles/281868.pdf
Data publikacji:
2017
Wydawca:
Polskie Towarzystwo Mechaniki Teoretycznej i Stosowanej
Tematy:
deep drawing
finite element analysis (FEA)
multi-layer artificial neural network (ANN)
Taguchi design
Opis:
In this paper, the deep drawing process of an automobile panel in order to select the appropriate amount of parameters has been investigated. The parameters include friction between the blank and die, blank width and length, blank thickness and gap between the blank and blank-holder. A multi-layer artificial neural network (ANN) trained by finite element analyses (FEA) is applied in order to improve forming parameters and achieve a better quality. As the FEA results are used to train the ANN, the FEA results have been verified by three experiments. Finally, an appropriate amount of each parameter is predicted by the trained ANN and a FEA has been done based on the ANN prediction to evaluate the accuracy of the trained ANN. Moreover, it is shown that the ANN could predict results within a 10 percent error. In addition, the proposed method for prediction of the appropriate parameters (ANN) is confirmed by comparing with the Taguchi design of experiment prediction. It is also shown that the model obtained by the former method has lower errors than the latter one. In this study, the Taguchi model is used to evaluate the effect of parameters on tearing and wrinkling. Based on the Taguchi design of experiment, while the blank length is the most effective parameter on tearing, the maximum height of wrinkles on flanged parts mainly depends on the blank thickness.
Źródło:
Journal of Theoretical and Applied Mechanics; 2017, 55, 2; 707-718
1429-2955
Pojawia się w:
Journal of Theoretical and Applied Mechanics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Multi-Layer Perceptron Neural Network Utilizing Adaptive Best-Mass Gravitational Search Algorithm to Classify Sonar Dataset
Autorzy:
Mosavi, Mohammad Reza
Khishe, Mohammad
Naseri, Mohammad Jafar
Parvizi, Gholam Reza
Ayat, Mehdi
Powiązania:
https://bibliotekanauki.pl/articles/176971.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Czasopisma i Monografie PAN
Tematy:
MLP NN
Multi-Layer Perceptron Neural Network
ABGSA
Adaptive Best Mass Gravitational Search Algorithm
sonar
classification
Opis:
In this paper, a new Multi-Layer Perceptron Neural Network (MLP NN) classifier is proposed for classifying sonar targets and non-targets from the acoustic backscattered signals. Besides the capabilities of MLP NNs, it uses Back Propagation (BP) and Gradient Descent (GD) for training; therefore, MLP NNs face with not only impertinent classification accuracy but also getting stuck in local minima as well as lowconvergence speed. To lift defections, this study uses Adaptive Best Mass Gravitational Search Algorithm (ABGSA) to train MLP NN. This algorithm develops marginal disadvantage of the GSA using the bestcollected masses within iterations and expediting exploitation phase. To test the proposed classifier, this algorithm along with the GSA, GD, GA, PSO and compound method (PSOGSA) via three datasets in various dimensions will be assessed. Assessed metrics include convergence speed, fail probability in local minimum and classification accuracy. Finally, as a practical application assumed network classifies sonar dataset. This dataset consists of the backscattered echoes from six different objects: four targets and two non-targets. Results indicate that the new classifier proposes better output in terms of aforementioned criteria than whole proposed benchmarks.
Źródło:
Archives of Acoustics; 2019, 44, 1; 137-151
0137-5075
Pojawia się w:
Archives of Acoustics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Application perspective of digitalneural networks in the context of marine technologies
Autorzy:
Konon, V.
Konon, N.
Powiązania:
https://bibliotekanauki.pl/articles/24201415.pdf
Data publikacji:
2022
Wydawca:
Uniwersytet Morski w Gdyni. Wydział Nawigacyjny
Tematy:
marine technology
multi-layer perceptron
neural networks
digital neural networks
maritime industry
MLP algorithm
3D model
Artificial Neural Network
Opis:
This study is focused on the issue of digital neural networks’ implementation in the context of maritime industry. Various algorithms of such networks in the terms of the marine technologies have been reviewed in the current study in order to evaluate the effectiveness of the methodology and to propose a new concept of an artificial neural network’s application in this way. Fire-detection system simulation based on the thermal imagers’ data input had been developed to assess the efficiency of the concept suggested with a multi-layer perceptron (MLP) algorithm integrated into the designed 3d-model.
Źródło:
TransNav : International Journal on Marine Navigation and Safety of Sea Transportation; 2022, 16, 4; 743--747
2083-6473
2083-6481
Pojawia się w:
TransNav : International Journal on Marine Navigation and Safety of Sea Transportation
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Development of a neural statistical model for the prediction of relative humidity levels in the region of Rabat-Kenitra, North West Morocco
Autorzy:
El Azhari, Kaoutar
Abdallaoui, Badreddine
Dehbi, Ali
Abdalloui, Abdelaziz
Zineddine, Hamid
Powiązania:
https://bibliotekanauki.pl/articles/2174362.pdf
Data publikacji:
2022
Wydawca:
Instytut Technologiczno-Przyrodniczy
Tematy:
artificial neural network
ANN
learning algorithm
multi-layer perceptron
MLP
modelling
Rabat-Kenitra
relative humidity
Opis:
This article accounts for the development of a powerful artificial neural network (ANN) model, designed for the prediction of relative humidity levels, using other meteorological parameters such as the maximum temperature, minimum temperature, precipitation, wind speed, and intensity of solar radiation in the Rabat-Kenitra region (a coastal area where relative humidity is a real concern). The model was applied to a database containing a daily history of five meteorological parameters collected by nine stations covering this region from 1979 to mid-2014. It has been demonstrated that the best performing three-layer (input, hidden, and output) ANN mathematical model for the prediction of relative humidity in this region is the multi-layer perceptron (MLP) model. This neural model using the Levenberg-Marquard algorithm, with an architecture of [5-11-1] and the transfer functions Tansig in the hidden layer and Purelin in the output layer, was able to estimate relative humidity values that were very close to those observed. This was affirmed by a low mean squared error (MSE) and a high correlation coefficient (R), compared to the statistical indicators relating to the other models developed as part of this study.
Źródło:
Journal of Water and Land Development; 2022, 54; 13--20
1429-7426
2083-4535
Pojawia się w:
Journal of Water and Land Development
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The application of the process modelling of anodic wet-stripping of CrN multi-layer coatings for characteristics prediction
Zastosowanie modelowania do prognozowania przebiegu anodowego rozpuszczania złożonych powłok CrN
Autorzy:
Bujak, J.
Ruta, R.
Trzos, M.
Powiązania:
https://bibliotekanauki.pl/articles/256710.pdf
Data publikacji:
2006
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Technologii Eksploatacji - Państwowy Instytut Badawczy
Tematy:
powłoka CrN
rozpuszczanie anodowe
modelowanie statystyczne
sztuczna sieć neuronowa
model prognostyczny
multi-layer coating
anodic wet-stripping
statistical modelling
artificial neural network
prognostic model
Opis:
The paper presents the results of experimental research on a process of anodic wet-stripping of CrN multi-layer coatings. The stripping rate was correlated with the coating structure and the current density of the stripping process. The experimental data was statistically analysed and regression models of stripping thickness were created as a function of stripping time. The obtained results indicated that the anodic wet-stripping process can be described by means of linear function only in the case of one-layer coatings. Moreover, the general neural network model was created as a complex model including both quantitative and qualitative variables characterising the wet-stripping process. The developed models enable the estimation of the character and time of the stripping process, depending on the coating thickness, structure and current parameters.
W artykule przedstawiono wyniki badań eksperymentalnych anodowego procesu rozpuszczania złożonych powłok CrN. Uzyskane wyniki poddano analizie statystycznej, w rezultacie której wyznaczono modele regresyjne przebiegu procesu rozpuszczania w funkcji czasu. Ponadto wykorzystując sztuczne sieci neuronowe opracowano kompleksowy model procesu rozpuszczania anodowego. Opracowane modele umożliwiają oszacowanie przebiegu i czasu rozpuszczania w zależności od grubości powłoki oraz zastosowanych parametrów prądowych.
Źródło:
Problemy Eksploatacji; 2006, 4; 7-16
1232-9312
Pojawia się w:
Problemy Eksploatacji
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Dynamic fire risk prevention strategy in underground coal gasification processes by means of artificial neural networks
Dynamiczna strategia zapobiegania ryzyku pożarowemu z użyciem sztucznych sieci neuronowych w procesach podziemnego zgazowania węgla
Autorzy:
Krzemień, Alicja
Powiązania:
https://bibliotekanauki.pl/articles/218921.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
dynamiczna strategia zapobiegania ryzyku
prewencja ryzyka pożarowego
podziemne zgazowanie węgla (PZW)
dynamic alarm strategy
fire risk prevention
Generalized Regression Neural Network
Multi-Layer Feedforward Networks (MLFN)
Multivariate Adaptative Regression Splines (MARS)
underground coal gasification (UCG)
Opis:
Based on data collected during an UCG pilot-scale experiment that took place during 2014 at Wieczorek mine, an active mine located in Upper Silesia (Poland), this research focuses on developing a dynamic fire risk prevention strategy addressing underground coal gasification processes (UCG) within active mines, preventing economic and physical losses derived from fires. To achieve this goal, the forecasting performance of two different kinds of artificial neural network models (generalized regression and multi-layer feedforward) are studied, in order to forecast the syngas temperature at the georeactor outlet with one hour of anticipation, thus giving enough time to UCG operators to adjust the amount and characteristics of the gasifying agents if necessary. The same model could be used to avoid undesired drops in the syngas temperature, as low temperature increases precipitation of contaminants reducing the inner diameter of the return pipeline. As a consequence the whole process of UGC might be stopped. Moreover, it could allow maintaining a high temperature that will lead to an increased efficiency, as UCG is a very exothermic process. Results of this research were compared with the ones obtained by means of Multivariate Adaptative Regression Splines (MARS), a non-parametric regression technique able to model non-linearities that cannot be adequately modelled using other regression methods. Syngas temperature forecast with one hour of anticipation at the georeactor outlet was achieved successfully, and conclusions clearly state that generalized regression neural networks (GRNN) achieve better forecasts than multi-layer feedforward networks (MLFN) and MARS models.
Przedstawione w niniejszej pracy badania koncentrują się na opracowaniu dynamicznej strategii zapobiegania ryzyku pożarowemu w procesach podziemnego zgazowania węgla (PZW) w czynnych kopalniach. Celem badań jest zapobieganie ekonomicznym i fizycznym stratom wynikającym z pożarów. W pracy wykorzystano dane zebrane podczas pilotowego eksperymentu podziemnego zgazowania węgla, który odbył się w 2014 r. w czynnej Kopalni Węgla Kamiennego „Wieczorek”, zlokalizowanej na Górnym Śląsku. W artykule przeanalizowano działanie dwóch różnych modeli sztucznych sieci neuronowych, tj. sieci neuronowych realizujących uogólnione regresje GRNN oraz wielowarstwowych sieci perceptronowych MLFN, w celu prognozowania temperatury gazu syntezowego na wyjściu z georeaktora z godzinnym wyprzedzeniem. Informacja na temat temperatury na godzinę „do przodu” daje wystarczająco dużo czasu operatorowi procesu PZW na dostosowanie ilości i właściwości czynników zgazowujących do zaistniałej sytuacji. Ten sam model można zastosować do uniknięcia niepożądanych spadków temperatury gazu syntezowego. Niska temperatura gazu sprzyja wytrącaniu się osadu (substancji smolistych), powodując zmniejszanie średnicy rurociągu odbioru gazu, co w konsekwencji może prowadzić do całkowitego zatrzymania procesu zgazowania. Model pozwala również na utrzymanie wysokiej temperatury, która prowadzi do zwiększonej wydajności procesu PZW, szczególnie biorąc pod uwagę, że PZW jest procesem bardzo egzotermicznym. Wyniki zrealizowanych badań porównano z rezultatami uzyskanymi za pomocą modelu MARS – nieparametrycznej metody regresji zdolnej do modelowania zależność nieliniowych, których nie można odpowiednio modelować przy użyciu innych metod regresji. Prognoza temperatury gazu na godzinę „do przodu” na wylocie georeaktora została osiągnięta z powodzeniem, a wnioski jasno pokazują, że sieci neuronowe realizujące uogólnione regresje (GRNN – Generalized Regression Neural Networks) osiągają lepsze rezultaty niż wielowarstwowe sieci jednokierunkowe (MLFN – Multi-Layer Feedforward Networks) i modele MARS (Multivariate Adaptative Regression Splines).
Źródło:
Archives of Mining Sciences; 2019, 64, 1; 3-19
0860-7001
Pojawia się w:
Archives of Mining Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-7 z 7

    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