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 "k–nearest neighbour" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Automatyczna detekcja płaszczyzn w chmurze punktów w oparciu o algorytm RANSAC i elementy teorii grafów
    RANSAC algorithm and elements of graph thory for automatic plane detection in 3D point cloud
    Autorzy:
    Poręba, M.
    Goulette, F.
    Powiązania:
    https://bibliotekanauki.pl/articles/129757.pdf
    Data publikacji:
    2012
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    chmura punktów
    segmentacja
    RANSAC
    graf
    algorytm najbliższego sąsiada
    etykietowanie
    spójny komponent
    point cloud
    segmentation
    graph
    k-nearest neighbour algorithm
    labelling
    connected component
    Opis:
    Artykuł przedstawia metodę automatycznego wyodrębniania punktów modelujących płaszczyzny w chmurach punktów pochodzących z mobilnego bądź statycznego skaningu laserowego. Zaproponowany algorytm bazuje na odpornym estymatorze RANSAC umożliwiającym iteracyjną detekcję płaszczyzn w zbiorze cechującym się znacznym poziomem szumu pomiarowego i ilością punktów odstających. Aby zoptymalizować jego działanie, dla każdej wykrytej płaszczyzny uwzględniono relacje sąsiedztwa pomiędzy punktami przynależnymi. W tym celu zastosowano podejście oparte na teorii grafów, gdzie chmura punktów traktowana jest jako graf nieskierowany, dla którego poszukiwane są spójne składowe. Wprowadzona modyfikacja obejmuje dwa dodatkowe etapy: ustalenie najbliższych sąsiadów dla każdego punktu wykrytej płaszczyzny wraz z konstrukcją listy sąsiedztwa oraz etykietowanie spójnych komponentów. Rezultaty uzyskane pokazują iż algorytm poprawnie wykrywa płaszczyzny modelujące, przy czym niezbędny jest odpowiedni dobór parametrów początkowych. Czas przetwarzania uzależniony jest przede wszystkim od liczby punktów w chmurze. Nadal jednak aktualny pozostaje problem wrażliwości algorytmu RANSAC na niską gęstość chmury oraz nierównomierne rozmieszczenie punktów.
    Laser scanning techniques play very important role in acquiring of spatial data. Once the point cloud is available, the data processing must be performed to achieve the final products. The segmentation is an inseparable step in point cloud analysis in order to separate the fragments of the same semantic meaning. Existing methods of 3D segmentation are divided into two categories. The first family contains algorithms functioning on principle of fusion, such as surface growing approach or split-merge algorithm. The second group consists of techniques making possible the extraction of features defined by geometric primitives i.e.: sphere, cone or cylinder. Hough transform and RANSAC algorithm (RANdom SAmple Consensus) are classified to the last of aforementioned groups. This paper studies techniques of point cloud segmentation such as fully automatic plane detection. Proposed method is based on RANSAC algorithm providing an iterative plane modelling in point cloud affected by considerable noise. The algorithm is implemented sequentially, therefore each successive plane represented by the largest number of points is separated. Despite all advantages of RANSAC, it sometimes gives erroneous results. The algorithm looks for the best plane without taking into account the particularity of the object. Consequently, RANSAC may combine points belonging to different objects into one single plane. Hence, RANSAC algorithm is optimized by analysing the adjacency relationships of neighbouring points for each plane. The approach based on graph theory is thus proposed, where the point cloud is treated as undirected graph for which connected components are extracted. Introduced method consists of three main steps: identification of k-nearest neighbours for each point of detected plane, construction of adjacency list and finally connected component labelling. Described algorithm was tested with raw point clouds, unprocessed in sense of filtration. All the numerical tests have been performed on real data, characterized by different resolutions and derived from both mobile and static laser scanning techniques. Obtained results show that proposed algorithm properly separates points for particular planes, whereas processing time is strictly dependent on number of points within the point cloud. Nevertheless, susceptibility of RANSAC algorithm to low point cloud density as well as irregular points distribution is still animportant problem. This paper contains literature review in subject of existing methods for plane detection in data set. Moreover, the description for proposed algorithm based on RANSAC, its principle, as well as the results is also presented.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2012, 24; 301-310
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie wybranych modeli nieliniowych do prognozy ilości osadu nadmiernego
    Application of Selected Nonlinear Methods to Forecast the Amount of Excess Sludge
    Autorzy:
    Gawdzik, J.
    Szeląg, B.
    Bezak-Mazur, E.
    Stoińska, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/1818016.pdf
    Data publikacji:
    2016
    Wydawca:
    Politechnika Koszalińska. Wydawnictwo Uczelniane
    Tematy:
    osady nadmierne
    oczyszczanie ścieków
    metoda wektorów nośnych
    k–najbliższego sąsiada
    drzewa wzmacniane
    excess sludge
    wastewater treatment
    support vector machine (SVM)
    k–nearest neighbour
    boosted trees
    Opis:
    Operation of a sewage treatment plant is a complex task because it requires maintaining the parameters of its activities at the appropriate level in order to achieve the desired effect of reducing pollution and reduce the flow of sediment discharged from the biological reactor. The basis for predicting the amount of excess sludge and operational parameters WWTP can provide physical models describing the biochemical changes occurring in the reactor, in which the input parameters, ie. Indicators of effluent quality and quantity of wastewater are modeled in advance. However, due to numerous interactions and uncertainty of the data in the physical models and forecast errors parameters of the inlet to the treatment plant Simulation results may be affected by significant errors. Therefore, to minimize the prediction error parameters of operation of the technological objects deliberate use of a black box model. In these models at the stage of learning is generated model structure underlying the projections analyzed the operating parameters of the plant. This publication presents the possibility of the use of methods: support vector, k – nearest neighbour and trees reinforced to predict the amount of the resulting excess sludge during wastewater treatment in the WWTP located in Sitkówka – News with a capacity of 72,000 3/d with a load of 275,000 PE . Due to the fact that did not have the quality parameters of wastewater at the inlet to the activated sludge chambers it was not possible to verify the empirical relationships commonly used in engineering practice to determine the size of the daily flow of excess sludge. Due to the significant differences in the amount of excess sludge generated in the period (t = 1-7 days) the simulation of the amount of sludge into the time were performed. To assessment the compatibility of measurement results and simulations quantities of sludge the mean absolute error and relative error of prediction for the considered parameter of technology was used. The analyzes carried out revealed that the amount of generated excess sludge can be predicted on the basis of parameters describing the quantity and quality of influent waste water (slurry concentration of total nitrogen and total phosphorus, BOD5) and the operating parameters of the biological reactor (recirculation rate, concentration and temperature of the sludge, the dosed amount of methanol and PIX). On the basis of computations, it can be concluded that the most accurate forecasting results amounts of sediment were obtained by using a reinforced trees (t = 2 to 5 days) and Support Vector Machines methods (t = 1, 6, 7 days). While the highest values of forecast errors sediments was obtained using a k – nearest neighbor (t = 2 to 5 days) and reinforced trees (t = 1, 6, 7 days).
    Źródło:
    Rocznik Ochrona Środowiska; 2016, Tom 18, cz. 2; 695-708
    1506-218X
    Pojawia się w:
    Rocznik Ochrona Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie danych lotniczego skaningu laserowego i zdjęć lotniczych do klasyfikacji pokrycia terenu
    Land cover classification using airborne laser scanning data and aerial images
    Autorzy:
    Borkowski, A.
    Tymków, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/130474.pdf
    Data publikacji:
    2007
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    lotniczy skaning laserowy
    zdjęcia lotnicze
    klasyfikacja nadzorowana
    sztuczne sieci neuronowe
    metoda największej wiarygodności
    airborne laser scanning (ALS)
    aerial images
    supervised classification
    artificial neural networks
    maximum likehood
    k-nearest neighbour method
    Opis:
    Informacja bezpośrednia i pośrednia dotycząca powierzchni terenu i jego pokrycia zawarta w danych skaningu laserowego może być wykorzystana do klasyfikacji form pokrycia terenu. W artykule podjęto próbę oceny przydatności tego typu danych jako źródła informacji uzupełniających wektor cech, zbudowany na podstawie obrazów lotniczych, w procesie klasyfikacji pokrycia terenu. Wykorzystano dane skanowania laserowego pozyskane za pomocą systemu ScaLARS. Przeprowadzono szereg eksperymentów numerycznych polegających na klasyfikacji fragmentu obszaru doliny rzeki Widawy za pomocą różnych algorytmów klasyfikacji oraz przy różnych kombinacjach wektora cech branych pod uwagę. W testach wykorzystano jednokierunkowe sztuczne sieci neuronowe, metodę największej wiarygodności, oraz metodę k-najbliższych sąsiadów. Porównano jakość klasyfikacji opartej o następujące cechy: wartości kanałów RGB, parametry charakteryzujące teksturę, informacje o wysokości form pokrycia terenu estymowane na podstawie numerycznego modelu terenu oraz numerycznego modelu pokrycia terenu, model charakteryzujący rozrzut wartości wysokości danych skaningu zarejestrowanych na jednostce powierzchni oraz intensywność promienia laserowego. Ilościowa ocenę dokładności oparto o macierz niezgodności, obliczana na podstawie porównania otrzymanego wyniku klasyfikacji dla wektora testowego do wzorca wykonanego manualnie metoda digitalizacji. Najlepsze wyniki klasyfikacji otrzymano za pomocą klasyfikatora neuronowego. Stwierdzono ponadto, że zastąpienie modelu numerycznego pokrycia terenu wariancja wysokości surowych danych lotniczego skaningu laserowego daje poprawne rezultaty klasyfikacji przy znacznej redukcji obliczeń.
    The direct and indirect information about terrain surface and land use contained in laser scanning data sets allow to provide the automatic classification of land cover. An attempt of using scanning data as a supplementary source for such classification based on aerial photos was performed in this article. A continuous-wave (CW) ScaLARS laser system was used to receive scanning data. Numerous experiments consisting in the classification of a part of Widawa River valley were carried out in order to find the best combination of data set and classification method. Three classification methods were used: multilayer neural networks, maximum likelihood classifier and k-nearest neighbour method. The classification was made and evaluated using: aerial images (RGB model), texture features, differential model of height of land cover, based on digital surface model (DSM), and digital terrain model (DTM), model of height dispersion represented by variance of measured points height in a regular grid and intensity image. In order to quantify the quality of the results, a confusion matrix was created for each testing pattern based on manual digitalized reference data. The best results are obtained by artificial neural network classifier. The use of variance of height, instead of differential model, gives satisfactory results, and the obtaining of this feature is easy and fast in comparison to DTM and DSM building process.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2007, 17a; 93-103
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    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