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 "Płaczek, Stanisław" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-6 z 6
    Tytuł:
    Cultivation of microalgae (Chlorella vulgaris) in laboratory photobioreactor
    Hodowla mikroglonów Chlorella vulgaris w fotobioreaktorze laboratoryjnym
    Autorzy:
    Biłos, łukasz
    Patyna, Agnieszka
    Płaczek, Małgorzata
    Witczak, Stanisław
    Powiązania:
    https://bibliotekanauki.pl/articles/435207.pdf
    Data publikacji:
    2016-12-15
    Wydawca:
    Uniwersytet Opolski
    Tematy:
    algae cultivation
    biomass productivity
    Chlorella vulgaris
    photobioreactor
    fotobioreaktor
    hodowla alg
    produktywność biomasy
    Opis:
    Algal cultivation fits in sustainable development of natural environment. Their biomass is increasingly regarded as a potential resource with a potential in production of biofuels, electricity and heat. Algae contain a lot of nutrients, so they can be used as food for humans and livestock. Because of their valuable composition (high nutrient content) they are used as supplements of balanced diet, in turn taking into account their biosorption ability they are used to detoxification of human body. Algae cultivation does not require large areas of land to expose cells to sunlight, so their production rate is higher compared to the vascular plants. Moreover, the cultivation in closed photobioreactors leads to high biomass concentration. However, this type of cultivation needs to be performed under strictly observed conditions, which can be evaluated by experiments. This study reports the results of a study involving the development of test stand in which high biomass productivity of Chlorella vulgaris can be achieved. This paper focuses on a study including Chlorella cultivation and the results of an experiment conducted in a laboratory photobioreactor.
    Hodowla glonów, z uwagi na ich właściwości i sposób wykorzystania, od wielu lat wpisuje się strategię zapewnienia zrównoważonego rozwoju. Związane to jest z tym, że biomasa glonów coraz częściej uważana jest za potencjalny surowiec mogący stanowić alternatywne źródła energii odnawialnej, a w szczególności służyć do produkcji biopaliw oraz energii elektrycznej czy cieplnej. Dodatkowo algi zawierają całe bogactwo substancji odżywczych, mogą więc stanowić źródło pożywienia dla ludzi i zwierząt hodowlanych. Ich właściwości biosorpcyjne sprawiają, że działają oczyszczająco na organizm i dlatego są przyjmowane w celu detoksykacji lub jako suplementy zróżnicowanej diety. Hodowla alg nie wymaga dużych powierzchni, a ponadto wskaźnik produkcji ich biomasy jest dużo wyższy niż roślin naczyniowych. Wymaga to jednak prowadzenie jej w ściśle określonych warunkach procesowych, których zakres zmian określa się na drodze doświadczalnej. Celem eksperymentu opisanego w artykule było skonstruowanie stanowiska badawczego pozwalającego na wyprodukowanie jak największej ilości biomasy alg Chlorella vulgaris. Uwzględniając konieczność ustalenia odpowiednich warunków procesowych dla ściśle określonych rodzajów mikroalg, w pracy dokonano przeglądu literatury z zakresu warunków hodowli mikroglonów z gatunku Chlorella oraz przedstawiono wyniki badań własnych przeprowadzonych w fotobioreaktorze laboratoryjnym.
    Źródło:
    Economic and Environmental Studies; 2016, 16, 4(40); 843-852
    1642-2597
    2081-8319
    Pojawia się w:
    Economic and Environmental Studies
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Teoria i metody algorytmu ewolucyjnego w uczeniu jednowarstwowej sieci neuronowej
    Implementation of the Evolutionary Algorithm Theory and Methods in the Learning Process of One-Layer ANN
    Autorzy:
    Płaczek, Stanisław
    Powiązania:
    https://bibliotekanauki.pl/articles/509173.pdf
    Data publikacji:
    2016
    Wydawca:
    Akademia Finansów i Biznesu Vistula
    Tematy:
    algorytmy genetyczne
    algorytmy ewolucyjne
    sztuczne sieci neuronowe
    algorytmy uczenia sieci
    algorytmy selekcji
    algorytmy krzyżowania
    algorytmy mutacji
    genetic algorithm
    evolutionary algorithm
    artificial neural network
    learning algorithm
    selection algorithm
    crossover algorithm
    mutation algorithm
    Opis:
    Rozwój teorii sztucznych sieci neuronowych, a także pojawienie się nowych, efektywnych narzędzi programistycznych (systemy wieloprocesorowe, programowanie wielowątkowe) umożliwia zastosowanie algorytmów genetycznych oraz ewolucyjnych do uczenia sztucznych sieci neuronowych (SSN). W literaturze dotyczącej zasad działania SSN podkreśla się ich atrakcyjne własności, takie jak: aproksymacja dowolnych nieliniowych odwzorowań, równolegle i rozproszone przetwarzanie, adaptacja i uczenie. Szczególnie równoległe i rozproszone przetwarzanie koresponduje ze strukturą algorytmu genetycznego i ewolucyjnego. Klasyczne algorytmy genetyczne operują na ciągach binarnych o stałej długości. Natomiast algorytmy ewolucyjne można interpretować jako uogólnienie algorytmów genetycznych. W algorytmach tych stosuje się zasady ewolucji i dziedziczenia oraz wykorzystuje się właściwą strukturę danych do reprezentacji chromosomów (liczby rzeczywiste, macierze, grafy). Definiuje się również inne operatory krzyżowania i mutacji. Tak więc struktura algorytmu ewolucyjnego jest prawie taka sama jak genetycznego. Różnice ukryte są na niższych poziomach przetwarzania – w strukturach danych. W artykule przedstawiono próbę implementacji algorytmu ewolucyjnego do uczenia jednowarstwowej sieci neuronowej. Sieć opisuje się w postaci macierzy połączeń między wektorami – wejściowym X oraz wyjściowym Y. Funkcja uczenia SSN zdefiniowana jest jako nieliniowa funkcja wag sieci oraz nieliniowej funkcji aktywacji minimalizującej błąd średniokwadratowy między wektorem wyjściowym Y a wektorem uczącym Z, dla całej paczki uczącej. Pojawienie się nieliniowości utrudnia zastosowanie algorytmu uczenia opartego na wstecznej propagacji błędu. Funkcja celu, oprócz minimum globalnego, może zawierać wiele minimów lokalnych, w których algorytm oparty na badaniu gradientu funkcji celu może się zatrzymać. Oczywiście stosuje się różne techniki i metody umożliwiające wyjście algorytmu z tego typu pułapek. Tym niemniej dla sprawdzenia poprawności otrzymanych wyników uruchamia się proces uczenia SSN dla różnych danych początkowych. W zaproponowanym algorytmie ewolucyjnym tworzy się zbiór osobników. Każdy z osobników przedstawia możliwe rozwiązanie zadania minimalizacji funkcji celu i jest reprezentowany przez macierzową strukturę danych. Każde rozwiązanie cząstkowe ocenia się na podstawie dopasowania funkcji celu, a następnie tworzy się nową populację (potomków) przez selekcję osobników o najlepszych dopasowaniach oraz dwa algorytmy krzyżowania i mutacji. W artykule omówiono zaproponowaną strukturę osobników, przyjęte algorytmy selekcji z ich wadami i zaletami oraz różne algorytmu krzyżowania i mutacji. Na wstępie zdefiniowano takie podstawowe pojęcia, jak gen, chromosom oraz najogólniejszą strukturę algorytmu ewolucyjnego. Artykuł ma charakter koncepcyjny.
    The article proposes implementation of a modified version of genetic algorithms in neural networks, what in literature is known as “evolutionary algorithm” or “evolutionary programming”. An evolutionary algorithm is a probabilistic algorithm that works in a set of weight variability of neurons and seeks the optimal value solution within a population of individuals, avoiding the local maximum. For chromosomes, the real value variables and matrix structure are proposed. In the article, this decision is widely elaborated and discussed. In the original versions of genetic algorithms, all variables’ values are transformed into binary versions. The chromosomes bit sequences could include thousands of positions. It does not simplify the crossover and mutation operations. Processes could be very time-consuming and the algorithm convergence could also be slow. For a single-layer neural network matrix data structure is used. A particular emphasis is put on mutation and crossover algorithms. What is also important in both genetic and evolutionary algorithms is the selection process. The primary population, known as the parent population, is employed to build a new set of individuals using the selection process. These individuals are known as the children population. The selection algorithm should converge on the two very important issues: population diversity and selective pressure. Selective pressure can manifest in the overrepresentation of the best individuals in the new population. The area, in which the optimal solution is sought, is reduced too fast. Premature convergence is not desirable due to the high probability of achieving the local maximum. Reducing the selective pressure may result in increasing the time it takes to search for the solution.
    Źródło:
    Zeszyty Naukowe Uczelni Vistula; 2016, 49(4) Informatyka; 23-39
    2353-2688
    Pojawia się w:
    Zeszyty Naukowe Uczelni Vistula
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie teorii systemów hierarchicznych do analizy sztucznych sieci neuronowych
    Application of the Theory of Hierarchical Systems to Analyse Artificial Neural Networks
    Autorzy:
    Płaczek, Stanisław
    Powiązania:
    https://bibliotekanauki.pl/articles/440175.pdf
    Data publikacji:
    2015
    Wydawca:
    Akademia Finansów i Biznesu Vistula
    Tematy:
    Sztuczne Sieci Neuronowe
    hierarchiczne struktury
    dekompozycja
    koordynacja
    systemy złożone
    artificial neural networks
    hierarchical structures
    decomposition
    coordination
    complex systems
    Opis:
    Sztuczne Sieci Neuronowe (SSN) okazały się wygodnym narzędziem, przydatnym przy realizacji bardzo wielu różnych praktycznych zadań inżynierskich, ekonomicznych finansowych, medycznych i innych. SSN mogą być zastosowane tame, gdzie pojawiają się problemy z przetwarzaniem i analizą danych, prognozą, klasyfikacją czy sterowaniem. Sukces spowodowany jest tym, że w tych zastosowaniach SSN pełni rolę uniwersalnego aproksymatora nieliniowej, wektorowej funkcji wielu zmiennych. Podstawowym problemem jest efektywne uczenie złożonej konfiguracji sieci, jaką niewątpliwie jest struktura wielowarstwowej sieci neuronowej o wielu wejściach i wyjściach. Uczenie polega na poszukiwaniu minimum globalnej funkcji celu, którą najczęściej definiujemy jako błąd średniokwadratowy wyjścia sieci i warto-ści zadanej. Zadanie nie jest trywialne i ze względu na wielowymiarowość wektorów wejścia i wyjścia oraz wielowarstwowość sieci. Z tego też względu szuka się rozwiązań w sieciach o strukturze z jedną warstwą ukrytą. W celu wykorzystania możliwości sieci wielowarstwowych, do analizy złożonych struktur zastosowano metody i techniki opracowane dla wielowarstwowych, hierarchicznych struktur technicznych. Systemy hierarchiczne występują nie tylko w przyrodzie, lecz również w organizacjach ludzi. Tego typy struktury są bardzo efektywne z punktu widzenia zarządzania i kierowania organizacjami. Z systemami hierarchicznymi związane są zagadnienia dekompozycji dużego, podstawowego systemu na podsystemy oraz umiejętne skoordynowanie rozwiązań cząstkowych, w celu otrzymania rozwiązania optymalnego dla całego systemu. W artykule przedstawiono próbę zastosowania dekompozycji oraz koordynacji w stosunku do SSN o złożonej, wielowarstwowej strukturze. Dekomponując strukturę sieci oraz algorytm uczenia na podzadania, analizuje się wymagania, które musi spełnić algorytm w celu efektywnej koordynacji rozwiązań cząstkowych. Tak więc problem koordynacji jest problemem centralnym w analizie i konstrukcji algorytmu uczenia SSN. Artykuł ma charakter koncepcyjny.
    Artificial neural networks (ANN) have appeared to be a convenient tool, useful for implementation of very many practical engineering, economic, financial, medical, and other tasks. ANN may be applied where the problems with data processing and analysis, forecast, classification or steering appear. The success is caused by the fact that in these applications ANN plays the role of universal approximator of the non-linear, vectored function of many variables. The basic problem is an effective teaching of the complex configuration of the network which, no doubt, the structure of multilayer neural network with many inputs and outputs is. Teaching consists in seeking for the minimum global function of the purpose, which is most oft en defined as a mean squared error of the network input and the set-point. The task is not trivial also due to the multidimensionality of vectors of input and output as well as due to the multilayer nature of the network. Also having this in mind, there are attempts to fi nd solutions in networks with the structure with one hidden layer. In order to make use of the possibilities of multilayer networks, the author applied for the analysis of complex structures the methods and techniques developed for multilayer, hierarchical technical structures. Hierarchical systems take place not only in the nature but also in human organisations. Such structures are very effective from the point of view of organisation management and direction. The hierarchical systems are combined with the issues of decomposition of a big, basic system into subsystems and a skilful coordination of partial solutions in order to obtain a solution optimal for the entire system. In his article, the author presented an attempt to apply decomposition and coordination in relation to ANN with a complex, multilayer structure. Decomposing the network structure and the algorithm of teaching into subtasks, he analyses the requirements to be met by the algorithm for the purpose of effective coordination of partial solutions. Thus, the problem of coordination is the central problem in the analysis and construction of the ANN algorithm of teaching. The article is of the conceptual nature.
    Źródło:
    Kwartalnik Naukowy Uczelni Vistula; 2015, 2(44); 102-116
    2084-4689
    Pojawia się w:
    Kwartalnik Naukowy Uczelni Vistula
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Hierarchiczne struktury w sztucznych sieciach neuronowych
    Hierarchical Structures on Artificial Neural Networks
    Autorzy:
    Płaczek, Stanisław
    Powiązania:
    https://bibliotekanauki.pl/articles/509240.pdf
    Data publikacji:
    2014
    Wydawca:
    Akademia Finansów i Biznesu Vistula
    Tematy:
    Sztuczne Sieci Neuronowe
    struktury hierarchiczne
    dekompozycja
    koordynacja
    systemy złożone
    artificial neural networks
    hierarchical structures
    decomposition
    coordination
    complex systems
    Opis:
    W wielowarstwowych Sztucznych Sieciach Neuronowych (SSN), nieliniowych w swej strukturze, uczenie sieci polega na poszukiwaniu minimum globalnej funkcji celu. W realizacjach praktycznych – w funkcji celu – występują parametry dwóch lub trzech warstw ukrytych. Strojenie współczynników macierzy w warstwach W1, W2, czy też W3, odbywa się w procesie uczenia, który można traktować jako stan nieustalony SSN. Stany nieustalone w poszczególnych warstwach mają różne przebiegi dynamiczne, czyli zależności amplitudy błędu średniokwadratowego w warstwie od numeru iteracji. W praktycznych realizacjach procesu uczenia szybkość zbieżności procesu do stanu ustalonego, czyli minimum funkcji błędy, jest ważną charakterystyką, dlatego też podział SSN na niezależne poziomy, zdefiniowanie lokalnych funkcji celu dla każdej warstwy, skoordynowanie lokalnych procesów uczenia w celu osiągnięcia globalnego minimum ma praktyczny głęboki sens. W artkule podejmuje się próbę zastosowania ogólnej teorii złożonych systemów do opisu SSN, budowy algorytmów uczących i ich praktycznej realizacji. Tego typu podejście prowadzi do poszukiwania rozwiązań poprzez dekompozycję i koordynację w hierarchicznej strukturze SSN. Ze względu na występujące nieliniowości w poszczególnych warstwach sieci, trudno udowodnić warunki zbieżności dla stosowanych metod. Tym niemniej, praktyka realizacji różnych algorytmów pokazuje przydatność przyjętych rozwiązań.
    On multi-layer artificial neural networks (ANN), non-linear in their structure, network teaching consists in seeking for global minimum function of the objective. In practical implementations – in the objective’s function – there are occurring parameters of two or three hidden layers. Tuning matrix coefficients in the layers W1, W2 or W3 takes place in the teaching process which can be treated as an ANN transient state. Transient states in individual layers have different dynamic courses, i.e. dependency of the amplitude of mean squared error in the layer on the number of iteration. In practical implementations of the teaching process, the speed of process convergence to the steady state, i.e. the minimum of the error function, is an important characteristic, hence the division of ANN into independent levels, defining the local functions of the objective for every layer, coordination of the local teaching processes in order to achieve the global minimum is of practical deep sense. In his article, the author made an attempt to apply the general theory of complex systems to describe ANN, to build teaching algorithms and their practical implementation. Such an approach leads to pursuit of solutions through decomposition and coordination in the ANN hierarchical structure. Due to the occurring nonlinearities in individual layers of the network, it is difficult to prove the convergence conditions for the methods applied. Nonetheless, the practice of implementation of various algorithms indicates usefulness of the adopted solutions.
    Źródło:
    Zeszyty Naukowe Uczelni Vistula; 2014, 38/2014 Informatyka; 20-37
    2353-2688
    Pojawia się w:
    Zeszyty Naukowe Uczelni Vistula
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Procesowa struktura wydziałowego systemu zarządzania jakością kształcenia
    The Process Structure of the Faculty System of Education Quality Management
    Autorzy:
    Płaczek, Stanisław
    Powiązania:
    https://bibliotekanauki.pl/articles/439693.pdf
    Data publikacji:
    2014
    Wydawca:
    Akademia Finansów i Biznesu Vistula
    Tematy:
    Strategia Wydziału
    Mapy Strategii
    procesy
    koncesariusze
    jakość kształcenia
    procedury
    faculty strategy
    strategy maps
    processes
    concessaries
    quality of education
    procedures
    Opis:
    Celem rozważań jest przedstawienie nowoczesnej koncepcji struktury Wydziałowego Systemu Zarządzania Jakością Kształcenia. Procesowa struktura charakteryzuje się dużą elastycznością w zakresie modyfikacji i modernizacji przyjętych rozwiązań, w zależności odstrategii zarządzania Wydziałem Uczelni. Koncepcję Procesowej Struktury WSZJK oparto na Mapach Strategii, w których procesowa struktura ujęta w czerech perspektywach umożliwia dostosowanie do przyjętej struktury zarzadzania jak również typu organizacji. W praktyce bowiem największym problemem każdej struktury jest elastyczność, czyli dopasowanie do zmieniającego się środowiska oraz celów działania samej organizacji. Przedstawiona Procesowa Struktura WSZJK charakteryzuje się szerokimi możliwościami adaptacyjnymi do wszelkich zmieniających się uwarunkowań. Mapy Strategii, a tym samym Procesowa Struktura WSZJK w maksymalnym stopniu uwzględniają interesy koncesariuszy, zarówno wewnętrznych, jak i zewnętrznych. Powyższe w połączeniu z nowoczesną strategią defi nicji celów całej Uczelni, czyni Procesową Strukturę najbardziej optymalną i dostosowana do współczesnych wymagań. Jest to artykuł koncepcyjny. Koncepcja w nim przedstawiona została przyjęta przez Radę Wydziału i wdrożona w Wydziale Informatyki AFiB Vistula.
    An aim of considerations is to present the modern concept of the structure of the Faculty System of Education Quality Management (FSEQM). The process structure is characterised by a high flexibility as regards modification and modernisation of the adopted solutions depending on the strategy of University’s faculty management. The concept of the process structure of FSEQM is based on the strategy maps where the process structure taken in the four perspectives enable adjustment to the adopted structure of management as well as to the type of organisation. In practice, the biggest problem of every structure is flexibility, i.e. adjustment to the changing environment and objectives of activities of the very organisation. The presented process structure of FSEQM is characterised by wide adaptation possibilities in case of whatever changing determinants. The strategy maps and, thus, the process structure of FSEQM take into account to the maximum degree interests of concessaries, both internal and external. The above-mentioned combined with the modern strategy of definition of the goals and objectives of the entire University makes the process structure the optimal and adjusted to the contemporary requirements. This is a conceptual article. The concept presented in it was adopted by the Faculty Council and implemented in the Faculty of Computer Science of the Vistula University.
    Źródło:
    Kwartalnik Naukowy Uczelni Vistula; 2014, 1(39); 152-164
    2084-4689
    Pojawia się w:
    Kwartalnik Naukowy Uczelni Vistula
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-6 z 6

      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