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 "Nowakowski, Maciej" wg kryterium: Autor

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 26
Tytuł:
Czy dezagregacja indeksu cen poprawia prognozy polskiej inflacji?
Forecasting Inflation Components – Does it Help to Predict Polish Inflation?
Autorzy:
Baranowski, Paweł
Mazurek, Małgorzata
Nowakowski, Maciej
Raczko, Marek
Powiązania:
https://bibliotekanauki.pl/articles/1827218.pdf
Data publikacji:
2010-03-31
Wydawca:
Główny Urząd Statystyczny
Tematy:
prognozowanie
inflacja
subindeksy cen
agregacja
forecasting
inflation
inflation components
sectoral aggregation
Polska
Opis:
W dotychczasowych badaniach rozważa się celowość wykorzystania na cele prognostyczne danych o niższym stopniu agregacji (np. dla inflacji Hubrich, 2005; Reijer and Vlaar, 2006). W artykule badamy czy prognozowanie 12 subindeksów cen dóbr i usług konsumpcyjnych (komponentów inflacji), a następnie ich agregacja poprawia trafność prognozy inflacji. Prognozy inflacji oraz jej poszczególnych komponentów wyznaczymy przy pomocy modeli autoregresji (AR), średniej ruchomej (MA), wektorowej autoregresji (VAR) oraz autoregresji progowej (TAR). Otrzymane wyniki nie pozwalają jednoznacznie rozstrzygnąć postawionego problemu. Okazuje się, że dla modeli AR i TAR dezagregacja nie pozwala zmniejszyć błędów prognoz, dla modeli MA nie otrzymano jednoznacznych wskazań testów, zaś dla VAR zmniejsza błędy prognoz.
This paper examines whether forecasting CPI components improves CPI forecast. We exploit quarterly data for Poland, disaggregated into 12 components. We follow methodology used in previous studies for Euro Area (Hubrich, 2005; Reijer and Vlaar, 2006). AR, MA, TAR and unrestricted VAR models are estimated using recursive sample and aggregated into CPI. Using out-of-sample forecasts, these models are evaluated and compared to the benchmark -- equivalents for aggregate CPI. The evidence is mixed. VAR component-forecast outperform benchmark. Contrary to VAR, for AR and TAR models we do not find substantial gain from using disaggregated data. Results for MA models are not robust. Moreover, it seems that results for AR- and VAR-based forecasts are comparable to consensus forecast.
Źródło:
Przegląd Statystyczny; 2010, 57, 1; 17-33
0033-2372
Pojawia się w:
Przegląd Statystyczny
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Pandur 6 x 6 : propozycja dla polskiej armii
Autorzy:
Janisławski, Maciej A.
Powiązania:
Polska Zbrojna 1996, nr 19, s. 6
Współwytwórcy:
Nowakowski, Karol. Opracowanie
Data publikacji:
1996
Tematy:
Pandur (wóz bojowy) Austria
Transportery opancerzone budowa i konstrukcje Austria
Wozy bojowe budowa i konstrukcje Austria
Opis:
Toż zamieszcz. w Żołnierz Polski. - 1996, nr 2, s.53; Toż w skrócie zamieszcz. w Wojskowy Przegląd Techniczny i Logistyczny. - 1996, nr 1, s. 35; Fot.
Dostawca treści:
Bibliografia CBW
Artykuł
Tytuł:
Vibration-based identification of engine valve clearance using a convolutional neural network
Autorzy:
Tabaszewski, Maciej
Szymański, Grzegorz M.
Nowakowski, Tomasz
Powiązania:
https://bibliotekanauki.pl/articles/2124718.pdf
Data publikacji:
2022
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
combustion engine
diagnostics
vibration
machine learning
convolutional network
silnik spalinowy
diagnostyka
drgania
uczenie maszyny
splotowa sieć neuronowa
Opis:
Contemporary operation-related requirements for combustion engines force the necessity of ongoing assessment of their in operation technical condition (e.g. marine engines). The engine efficiency and durability depend on a variety of parameters. One of them is valve clearance. As has been proven in the paper, the assessment of the valve clearance can be based on vibration signals, which is not a problem in terms of signal measurement and processing and is not invasive into the engine structure. The authors described the experimental research aiming at providing information necessary to develop and validate the proposed method. Active experiments were used with the task of valve clearance and registration of vibrations using a three-axis transducer placed on the engine cylinder head. The tests were carried out during various operating conditions of the engine set by 5 rotational speeds and 5 load conditions. In order to extract the training examples, fragments of the signal related to the closing of individual valves were divided into 11 shorter portions. From each of them, an effective value of the signal was determined. Obtained total 32054 training vectors for each valve related to 4 classes of valve clearance including very sensitive clearance above 0.8 mm associated with high dynamic interactions in cylinder head. In the paper, the authors propose to use a convolutional network CNN to assess the correct engine valve clearance. The obtained results were compared with other methods of machine learning (pattern recognition network, random forest). Finally, using CNN the valve clearance class identification error was less than 1% for the intake valve and less than 3.5% for the exhaust valve. Developed method replaces the existing standard methods based on FFT and STFT combined with regression calculation where approximation error is up to 10%. Such results are more useful for further studies related not only to classification, but also to the prediction of the valve clearance condition in real engine operations.
Źródło:
Archives of Transport; 2022, 61, 1; 117--131
0866-9546
2300-8830
Pojawia się w:
Archives of Transport
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 26

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