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 "BPNN" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Artificial neural networks in forecasting tourists’ flow, an intelligent technique to help the economic development of tourism in Albania.
    Autorzy:
    Gjylapi, Dezdemona
    Durmishi, Veronika
    Powiązania:
    https://bibliotekanauki.pl/articles/1036374.pdf
    Data publikacji:
    2014
    Wydawca:
    Academicus. International Scientific Journal publishing house
    Tematy:
    tourist inflow
    tourism economy
    neural networks
    neuro-genetic
    bpnn
    Opis:
    Tourism plays an important role in many economies and contributes greatly to the Gross Domestic Product. In the past eight years, the number of tourist arrivals in Albania has increased rapidly, which resulted in increasing the number of tourist nights and revenue from tourism. Tourism also provides new sources of income for the country, without having that local citizen to pay more taxes. This can be achieved by income from parking, tourist taxes, leased apartments, sales information, etc. Early prediction on the tourist inflow mainly focuses on econometric models that have as a main feature the tourism demand being predicted by analysing factors that affect the tourists’ inflow. This approach results in being difficult, time-consuming and also expensive to determine econometric models. Traditional time series methods, such as exponential smoothing method, grey prediction method, linear regression method, ARIMA method etc., are more appropriate for the prediction of the tourist inflow. However, since they don’t apply a learning process on sample data, it is difficult for them to realize complicated and non-linear prediction on tourist inflow. The aim of this paper is to present the neural network usage in the tourists’ number forecasting and to determine the trends of the future tourist inflow, thus helping tourism management agencies in making scientific based financial decisions.
    Źródło:
    Academicus International Scientific Journal; 2014, 10; 202-211
    2079-3715
    2309-1088
    Pojawia się w:
    Academicus International Scientific Journal
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A novel fault diagnosis method for marine blower with vibration signals
    Autorzy:
    Yan, Guohua
    Hu, Yihuai
    Jiang, Jiawei
    Powiązania:
    https://bibliotekanauki.pl/articles/32899234.pdf
    Data publikacji:
    2022
    Wydawca:
    Politechnika Gdańska. Wydział Inżynierii Mechanicznej i Okrętownictwa
    Tematy:
    fault diagnosis
    marine blower
    EEMD
    correlation coefficient
    AR spectrum
    BPNN
    Opis:
    The vibration signals on marine blowers are non-linear and non-stationary. In addition, the equipment in marine engine room is numerous and affects each other, which makes it difficult to extract fault features of vibration signals in the time domain. This paper proposes a fault diagnosis method based on the combination of Ensemble Empirical Mode Decomposition (EEMD), an Autoregressive model (AR model) and the correlation coefficient method. Firstly, a series of Intrinsic Mode Function (IMF) components were obtained after the vibration signal was decomposed by EEMD. Secondly, effective IMF components were selected by the correlation coefficient method. AR models were established and the power spectrum was analysed. It was verified that blower failure can be accurately diagnosed. In addition, an intelligent diagnosis method was proposed based on the combination of EEMD energy and a Back Propagation Neural Network (BPNN), with a correlation coefficient method to get effective IMF components, and the energy components were calculated, normalised as a feature vector. Finally, the feature vector was sent to the BPNN for training and state recognition. The results indicated that the EEMD-BPNN intelligent fault diagnosis method is suitable for higly accurate fault diagnosis of marine blowers.
    Źródło:
    Polish Maritime Research; 2022, 2; 77-86
    1233-2585
    Pojawia się w:
    Polish Maritime Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Streamflow prediction using data-driven models: Case study of Wadi Hounet, northwestern Algeria
    Autorzy:
    Beddal, Dalila
    Achite, Mohammed
    Baahmed, Djelloul
    Powiązania:
    https://bibliotekanauki.pl/articles/1844406.pdf
    Data publikacji:
    2020
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    Algeria
    back propagation neural network
    BPNN
    multi linear regression
    MLR
    streamflow
    Wadi Hounet
    Opis:
    Streamflow modelling is a very important process in the management and planning of water resources. However, complex processes associated with the hydro-meteorological variables, such as non-stationarity, non-linearity, and randomness, make the streamflow prediction chaotic. The study developed multi linear regression (MLR) and back propagation neural network (BPNN) models to predict the streamflow of Wadi Hounet sub-basin in north-western Algeria using monthly hydrometric data recorded between July 1983 and May 2016. The climatological inputs data are rainfall (P) and reference evapotranspiration (ETo) on a monthly scale. The outcomes for both BPNN and MLR models were evaluated using three statistical measurements: Nash–Sutcliffe efficiency coefficient (NSE), the coefficient of correlation (R) and root mean square error (RMSE). Predictive results revealed that the BPNN model exhibited good performance and accuracy in the prediction of streamflow over the MLR model during both training and validation phases. The outcomes demonstrated that BPNN-4 is the best performing model with the values of 0.885, 0.941 and 0.05 for NSE, R and RMSE, respectively. The highest NSE and R values and the lowest RMSE for both training and validation are an indication of the best network. Therefore, the BPNN model provides better prediction of the Hounet streamflow due to its capability to deal with complex nonlinearity procedures.
    Źródło:
    Journal of Water and Land Development; 2020, 47; 16-24
    1429-7426
    2083-4535
    Pojawia się w:
    Journal of Water and Land Development
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Evaluation of rockburst potential in kimberlite using fruit fly optimization algorithm and generalized regression neural networks
    Ocena stanu zagrożenia tąpania i wyrzutów skał w kimeberlite z wykorzystaniem algorytmu muszki owocowej i sieci neuronowej realizującej uogólnioną regresję (GRNN)
    Autorzy:
    Pu, Yuanyuan
    Apel, Derek B.
    Pourrahimian, Yashar
    Chen, Jie
    Powiązania:
    https://bibliotekanauki.pl/articles/219162.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    ocena możliwości wystąpienia wyrzutów skał
    sieć neuronowa realizująca regresję uogólnioną (GRNN)
    algorytm muszki owocowej
    sieć neuronowa realizującą propagację wsteczną (BPNN)
    rockburst potential evaluation
    generalized regression neural networks (GRNN)
    fruit fly algorithm
    backpropagation neural network (BPNN)
    Opis:
    Rockburst is a common engineering geological hazard. In order to evaluate rockburst liability in kimberlite at an underground diamond mine, a method combining generalized regression neural networks (GRNN) and fruit fly optimization algorithm (FOA) is employed. Based on two fundamental premises of rockburst occurrence, depth, σθ, σc, σt, B1, B2, SCF, Wet are determined as indicators of rockburst, which are also input vectors of GRNN model. 132 groups of data obtained from rockburst cases from all over the world are chosen as training samples to train the GRNN model; FOA is used to seek the optimal parameter σ that generates the most accurate GRNN model. The trained GRNN model is adopted to evaluate burst liability in kimberlite pipes. The same eight rockburst indicators are acquired from lab tests, mine site and FEM model as test sample features. Evaluation results made by GRNN can be confirmed by a rockburst case at this mine. GRNN do not require any prior knowledge about the nature of the relationship between the input and output variables and avoid analyzing the mechanism of rockburst, which has a bright prospect for engineering rockburst potential evaluation.
    Tąpnięcia skał są powszechnym i ogólnie znanym zagrożeniem dla środowiska geologicznego oraz dla budowli. Do oceny skłonności skał do tąpania w podziemnej kopalni diamentów w Kimberlite zastosowano metodę stanowiącą połączenie sieci neuronowych realizujących uogólnioną regresję i algorytm muszki owocowej. W oparciu o dwie podstawowe przesłanki wystąpienia tąpnięcia, głębokość oraz σθ, σc, σt, wielkości B1, B2, SCF, Wet określone zostały jako wskaźniki wystąpienia tąpnięcia i następnie wy-korzystane jako wektory wejściowe w modelu sieci neuronowych GRNN. Zestawiono 132 zbiory danych o przypadkach tapnięć z całego świata i wykorzystano je jako zbiory uczące dla modelu sieci neuronowej realizującej uogólnioną regresję. Algorytm muszki owocowej wykorzystano do znalezienia optymalnej wartości parametru σ który umożliwi wygenerowanie najbardziej dokładnego modelu sieci neuronowej GRNN. Po treningu, model sieci GRNN wykorzystany został do oceny możliwości wystąpienia tąpnięcia w Kimberlite. Te same osiem wskaźników oceny skłonności wyrzutowej skały otrzymano na podstawie badań laboratoryjnych, z analiz prowadzonych w kopalni oraz w oparciu o metodę elementów skończonych, wyniki te wykorzystano następnie jako próbki danych. Wyniki uzyskane przy zastosowaniu sieci neuronowych realizujących regresję uogólnioną potwierdzone zostały przez wyniki uzyskane w trakcie wyrzutu w kopalni. Metoda sieci neuronowych nie wymaga uprzedniej wiedzy o naturze zależności pomiędzy zmiennymi wejściowymi i wyjściowymi i pozwala uniknąć analiz mechanizmu wyrzutu i tąpnięcia, co jest cechą pożądaną z punktu widzenia inżynierów odpowiedzialnych za ocenę skłonności skał do wyrzutu.
    Źródło:
    Archives of Mining Sciences; 2019, 64, 2; 279-296
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Development of a Sound Quality Evaluation Model Based on an Optimal Analytic Wavelet Transform and an Artificial Neural Network
    Autorzy:
    Pourseiedrezaei, Mehdi
    Loghmani, Ali
    Keshmiri, Mehdi
    Powiązania:
    https://bibliotekanauki.pl/articles/1953511.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    analytic wavelet transform
    AWT
    sound quality evaluation
    SQE
    psychoacoustic metrics
    back propagation neural network
    BPNN
    Opis:
    The purpose of this study was to develop a sound quality model for real time active sound quality control systems. The model is based on an optimal analytic wavelet transform (OAWT) used along with a back propagation neural network (BPNN) in which the initial weights and thresholds are determined by particle swarm optimisation (PSO). In the model the input signal is decomposed into 24 critical bands to extract a feature matrix, based on energy, mean, and standard deviation indices of the sub signal scalogram obtained by OAWT. The feature matrix is fed into the neural network input to determine the psychoacoustic parameters used for sound quality evaluation. The results of the study show that the present model is in good agreement with psychoacoustic models of sound quality metrics and enables evaluation of the quality of sound at a lower computational cost than the existing models.
    Źródło:
    Archives of Acoustics; 2021, 46, 1; 55-65
    0137-5075
    Pojawia się w:
    Archives of Acoustics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      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