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 "Extreme Learning Machine" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-14 z 14
    Tytuł:
    Fast near-infrared palmprint recognition using nonnegative matrix factorization extreme learning machine
    Autorzy:
    Xu, X.
    Zhang, X.
    Lu, L.
    Deng, W.
    Zuo, K
    Powiązania:
    https://bibliotekanauki.pl/articles/173572.pdf
    Data publikacji:
    2014
    Wydawca:
    Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
    Tematy:
    extreme learning machine
    palmprint recognition
    superior speed
    support vector machine (SVM)
    Opis:
    Support vector machine and artificial neural network are widely used in classification applications. Extreme learning machine (ELM) is a novel and efficient learning algorithm based on the generalized single hidden layer feed forward networks, which performs well in classification applications. The research results have shown the superiority of ELM with the existing classical algorithms: support vector machine (SVM) and back propagation neural network. In this study, we firstly propose a novel nonnegative matrix factorization extreme learning machine (NMFELM) to improve the performance of standard ELM method. Then we propose a novel near-infrared palmprint recognition approach based on NMFELM classifier. As the test data, we use the near-infrared palmprint database provided by Hong Kong Polytechnic University. The experimental results demonstrate that the proposed NMFELM method outperforms the standard ELM- and SVM-based methods.
    Źródło:
    Optica Applicata; 2014, 44, 2; 285-298
    0078-5466
    1899-7015
    Pojawia się w:
    Optica Applicata
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prognozowanie zawartości PM2,5 w powietrzu atmosferycznym przy użyciu sieci ELM
    PM2,5 particulate pollution forecasting using ELM
    Autorzy:
    Siwek, K.
    Baranowski, M.
    Grzywacz, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/377680.pdf
    Data publikacji:
    2018
    Wydawca:
    Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
    Tematy:
    zanieczyszczenie powietrza atmosferycznego
    PM2,5
    sieci neuronowe
    Extreme Learning Machine
    ELM
    Opis:
    Artykuł przedstawia nowe podejście do predykcji zawartości pyłów zawieszonych w powietrzu atmosferycznym wykorzystujące sieć neuronową typu ELM (Extreme Learning Machine). Predykcja ta dotyczy obliczenia średniego poziomu zanieczyszczenia powietrza pyłem PM2,5 na warszawskim Ursynowie z jednodniowym wyprzedzeniem. Do zrozumienia wagi problemu zawarto zwięzły opis zagrożeń, jakie niesie za sobą zanieczyszczenie powietrza drobnym pyłem zawieszonym PM2,5. W pracy przedstawiono krótki opis sieci ELM oraz zaprezentowano uzyskane wyniki prognozy. Przeprowadzono analizę uzyskanych wyników. Omówiono zasadność prognozowania oraz wskazano możliwe środki zapobiegawcze i ochronne.
    The article presents a new approach to atmospheric dust prediction using an ELM (Extreme Learning Machine) neural network. This prediction concerns the calculation of the average level of PM2,5 air pollution in Warsaw's Ursynów one day ahead. To understand the significance of the problem, a brief description of the hazards posed by PM2,5 air pollution is included. The work presents a short description of the ELM network and presents the obtained forecast results. The analysis of the obtained results was carried out. The validity of forecasting was discussed and possible preventive and protective measures were indicated.
    Źródło:
    Poznan University of Technology Academic Journals. Electrical Engineering; 2018, 96; 307-318
    1897-0737
    Pojawia się w:
    Poznan University of Technology Academic Journals. Electrical Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Extreme Learning Machine (ELM) do modelowania dwuwymiarowych nieliniowości w układach napędowych
    Appraisal of extreme Learning Machine Effective for 2d friction modeling Ocena efektywności techniki
    Autorzy:
    Jastrzębski, M.
    Kabziński, J.
    Wasiak, G.
    Zawiślak, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/1817926.pdf
    Data publikacji:
    2015
    Wydawca:
    Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
    Tematy:
    modelowanie tarcia
    regulacja adaptacyjna
    modelowanie rozmyte
    silnik liniowy
    Extreme Learning Machine
    ELM
    Opis:
    The aim of this article is to discuss suitability of extreme learning machine (ELM) approach for modeling multisource 2D friction for motion control purposes. The article describes a method of obtaining data used to modulate the resistance forces, taking into account specific to the case and machine external conditions. The features of multisource friction in mechatronic systems are defined, the main aspects of friction modeling by a Standard ELM are investigated and some modifications are proposed to make it more suitable for specific demands of the discussed task. This allows to formulate some general remarks concerning properties of ELM for function approximation.
    Źródło:
    Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały; 2015, 71, 35; 83--94
    1733-0718
    Pojawia się w:
    Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Acoustic Source Localization Using Kernel-based Extreme Learning Machine in Distributed Microphone Array
    Autorzy:
    Wang, Rong
    Chen, Zhe
    Yin, Fuliang
    Powiązania:
    https://bibliotekanauki.pl/articles/1953510.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    extreme learning machine
    acoustic source localization
    distributed microphone array
    generalized cross correlation function
    Opis:
    Acoustic source localization using distributed microphone array is a challenging task due to the influences of noise and reverberation. In this paper, acoustic source localization using kernel-based extreme learning machine in distributed microphone array is proposed. Specifically, the space of interest is divided into some labeled positions, and the candidate generalized cross correlation function in each node is treated as the feature mapped into the hidden nodes of extreme learning machine. During the training phase, by the implementation of kernel function, the output weights of the classifier are calculated and do not need to be tuned. After the kernel-based extreme learning machine (K-ELM) is well trained, the measured generalized cross correlation data are fed into the K-ELM classifier, and the output is the estimated acoustic source position. The proposed method needs less human intervention for both training and testing and it does not need to calibrate the node in advance. Simulation and real-world experimental results reveal that the proposed method has extremely fast training and testing speeds, and can obtain better localization performance than steered response power, K-nearest neighbor, and support vector machine methods.
    Źródło:
    Archives of Acoustics; 2021, 46, 1; 67-78
    0137-5075
    Pojawia się w:
    Archives of Acoustics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Artificial intelligence-based hybrid forecasting models for manufacturing systems
    Autorzy:
    Rosienkiewicz, Maria
    Powiązania:
    https://bibliotekanauki.pl/articles/1841698.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    artificial neural network
    support vector machine
    extreme learning machine
    hybrid forecasting
    production planning
    maintenance
    quality control
    Opis:
    The paper addresses the problem of forecasting in manufacturing systems. The main aim of the research is to propose new hybrid forecasting models combining artificial intelligencebased methods with traditional techniques based on time series – namely: Hybrid econometric model, Hybrid artificial neural network model, Hybrid support vector machine model and Hybrid extreme learning machine model. The study focuses on solving the problem of limited access to independent variables. Empirical verification of the proposed models is built upon real data from the three manufacturing system areas – production planning, maintenance and quality control. Moreover, in the paper, an algorithm for the forecasting accuracy assessment and optimal method selection for industrial companies is introduced. It can serve not only as an efficient and costless tool for advanced manufacturing companies willing to select the right forecasting method for their particular needs but also as an approach supporting the initial steps of transformation towards smart factory and Industry 4.0 implementation.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 2; 263-277
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Evaluating the performance of Extreme Learning Machine technique for ore grade estimation
    Autorzy:
    Abuntori, Clara Akalanya
    Al-Hassan, Sulemana
    Mireku-Gyimah, Daniel
    Ziggah, Yao Yevenyo
    Powiązania:
    https://bibliotekanauki.pl/articles/1839059.pdf
    Data publikacji:
    2021
    Wydawca:
    Główny Instytut Górnictwa
    Tematy:
    extreme learning machine
    artificial intelligence
    artificial neural network
    grade estimation
    kriging
    ELM
    sztuczna inteligencja
    sztuczna sieć neuronowa
    Opis:
    Due to the complex geology of vein deposits and their erratic grade distributions, there is the tendency of overestimating or underestimating the ore grade. These estimated grade results determine the profitability of mining the ore deposit or otherwise. In this study, five Extreme Learning Machine (ELM) variants based on hard limit, sigmoid, triangular basis, sine and radial basis activation functions were applied to predict ore grade. The motive is that the activation function has been identified to play a key role in achieving optimum ELM performance. Therefore, assessing the extent of influence the activation functions will have on the final outputs from the ELM has some scientific value worth investigating. This study therefore applied ELMas ore grade estimator which is yet to be explored in the literature. The obtained results from the five ELM variants were analysed and compared with the state-of-the-art benchmark methods of Backpropagation Neural Network (BPNN) and Ordinary Kriging (OK). The statistical test results revealed that the ELM with sigmoid activation function (ELM-Sigmoid) was the best among all the other investigated methods (ELM-Hard limit, ELM-Triangular basis, ELM-Sine, ELM-Radial Basis, BPNN and OK). This is because the ELM-sigmoid produced the lowest MAE (0.0175), MSE (0.0005) and RMSE (0.0229) with highest R2 (91.93%) and R (95.88%) respectively. It was concluded that ELM-Sigmoid can be used by field practitioners as a reliable alternative ore grade estimation technique.
    Źródło:
    Journal of Sustainable Mining; 2021, 20, 2; 56-71
    2300-1364
    2300-3960
    Pojawia się w:
    Journal of Sustainable Mining
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Forecasting short-term electric load using extreme learning machine with improved tree seed algorithm based on Lévy flight
    Autorzy:
    Chen, Xuan
    Przystupa, Krzysztof
    Ye, Zhiwei
    Chen, Feng
    Wang, Chunzhi
    Liu, Jinhang
    Gao, Rong
    Wei, Ming
    Kochan, Orest
    Powiązania:
    https://bibliotekanauki.pl/articles/2087016.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    short-term electric load forecast
    extreme learning machine
    Lévy flight
    tree-seed algorithm
    Kernel principal component analysis
    Opis:
    In recent years, forecasting has received increasing attention since it provides an important basis for the effective operation of power systems. In this paper, a hybrid method, composed of kernel principal component analysis (KPCA), tree seed algorithm based on Lévy flight (LTSA) and extreme learning machine (ELM), is proposed for short-term load forecasting. Specifically, the randomly generated weights and biases of ELM have a significant impact on the stability of prediction results. Therefore, in order to solve this problem, LTSA is utilized to obtain the optimal parameters before the prediction process is executed by ELM, which is called LTSA-ELM. Meanwhile, the input data is extracted by KPCA considering the sparseness of the electric load data and used as the input of LTSA-ELM model. The proposed method is tested on the data from European network on intelligent technologies (EUNITE) and experimental results demonstrate the superiority of the proposed approaches compared to the other methods involved in the paper.
    Źródło:
    Eksploatacja i Niezawodność; 2022, 24, 2; 153--162
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Fabric Defect Detection and Classifier via Multi-Scale Dictionary Learning and an Adaptive Differential Evolution Optimized Regularization Extreme Learning Machine
    Wykrywanie defektów tkaniny i ich klasyfikacja poprzez zastosowanie maszyny uczącej się (ADE-RELM)
    Autorzy:
    Zhou, Zhiyu
    Wang, Chao
    Gao, Xu
    Zhu, Zefei
    Hu, Xudong
    Zheng, Xiao
    Jiang, Likai
    Powiązania:
    https://bibliotekanauki.pl/articles/233999.pdf
    Data publikacji:
    2019
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    defect detection
    multi-scale dictionary learning
    regularisation extreme learning machine
    adaptive differential evolution
    defekty tkaniny
    skuteczność wykrywania defektów
    maszyna ucząca się
    Opis:
    To develop an automatic detection and classifier model for fabric defects, a novel detection and classifier technique based on multi-scale dictionary learning and the adaptive differential evolution algorithm optimised regularisation extreme learning machine (ADE-RELM) is proposed. Firstly in order to speed up dictionary updating under the condition of guaranteeing dictionary sparseness, k-means singular value decomposition (KSVD) dictionary learning is used. Then multi-scale KSVD dictionary learning is presented to extract texture features of textile images more accurately. Finally a unique ADE-RELM is designed to build a defect classifier model. In the training ADE-RELM classifier stage, a self-adaptive mutation operator is used to solve the parameter setting problem of the original differential evolution algorithm, then the adaptive differential evolution algorithm is utilised to calculate the optimal input weights and hidden bias of RELM. The method proposed is committed to detecting common defects like broken warp, broken weft, oil, and the declining warp of grey-level and pure colour fabrics. Experimental results show that compared with the traditional Gabor filter method, morphological operation and local binary pattern, the method proposed in this paper can locate defects precisely and achieve high detection efficiency.
    W celu opracowania automatycznego modelu wykrywania i klasyfikowania defektów tkanin, zaproponowano nowatorską technikę wykrywania i klasyfikowania opartą na zastosowaniu maszyny uczącej się (ADE-RELM). Proponowana metoda ma na celu wykrywanie powszechnych defektów, takich jak przerwana osnowa i wątek oraz zabrudzenia po oleju. Wyniki eksperymentalne pokazują, że w porównaniu z tradycyjną metodą filtrów Gabora, operacją morfologiczną i lokalnym wzorcem binarnym, proponowana w artykule metoda pozwala na precyzyjne zlokalizowanie defektów i osiąga wysoką skuteczność ich wykrywania.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2019, 1 (133); 67-77
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of prototype selection algorithms used in construction of neural networks learned by SVD
    Autorzy:
    Jankowski, N.
    Powiązania:
    https://bibliotekanauki.pl/articles/330020.pdf
    Data publikacji:
    2018
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    radial basis function network
    extreme learning machine
    kernel method
    prototype selection
    machine learning
    k nearest neighbours
    radialna funkcja bazowa
    metoda jądrowa
    uczenie maszynowe
    metoda k najbliższych sąsiadów
    Opis:
    Radial basis function networks (RBFNs) or extreme learning machines (ELMs) can be seen as linear combinations of kernel functions (hidden neurons). Kernels can be constructed in random processes like in ELMs, or the positions of kernels can be initialized by a random subset of training vectors, or kernels can be constructed in a (sub-)learning process (sometimes by k-means, for example). We found that kernels constructed using prototype selection algorithms provide very accurate and stable solutions. What is more, prototype selection algorithms automatically choose not only the placement of prototypes, but also their number. Thanks to this advantage, it is no longer necessary to estimate the number of kernels with time-consuming multiple train-test procedures. The best results of learning can be obtained by pseudo-inverse learning with a singular value decomposition (SVD) algorithm. The article presents a comparison of several prototype selection algorithms co-working with singular value decomposition-based learning. The presented comparison clearly shows that the combination of prototype selection and SVD learning of a neural network is significantly better than a random selection of kernels for the RBFN or the ELM, the support vector machine or the kNN. Moreover, the presented learning scheme requires no parameters except for the width of the Gaussian kernel.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2018, 28, 4; 719-733
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A fast neural network learning algorithm with approximate singular value decomposition
    Autorzy:
    Jankowski, Norbert
    Linowiecki, Rafał
    Powiązania:
    https://bibliotekanauki.pl/articles/330870.pdf
    Data publikacji:
    2019
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    Moore–Penrose pseudoinverse
    radial basis function network
    extreme learning machine
    kernel method
    machine learning
    singular value decomposition
    deep extreme learning
    principal component analysis
    pseudoodwrotność Moore–Penrose
    radialna funkcja bazowa
    maszyna uczenia ekstremalnego
    uczenie maszynowe
    analiza składników głównych
    Opis:
    The learning of neural networks is becoming more and more important. Researchers have constructed dozens of learning algorithms, but it is still necessary to develop faster, more flexible, or more accurate learning algorithms. With fast learning we can examine more learning scenarios for a given problem, especially in the case of meta-learning. In this article we focus on the construction of a much faster learning algorithm and its modifications, especially for nonlinear versions of neural networks. The main idea of this algorithm lies in the usage of fast approximation of the Moore–Penrose pseudo-inverse matrix. The complexity of the original singular value decomposition algorithm is O(mn2). We consider algorithms with a complexity of O(mnl), where l < n and l is often significantly smaller than n. Such learning algorithms can be applied to the learning of radial basis function networks, extreme learning machines or deep ELMs, principal component analysis or even missing data imputation.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2019, 29, 3; 581-594
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    2D Cadastral Coordinate Transformation using extreme learning machine technique
    Autorzy:
    Ziggah, Y. Y.
    Issaka, Y.
    Laari, P. B.
    Hui, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/145372.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    transformacja współrzędnych
    sieci neuronowe
    dane geodezyjne
    sieć radialna
    coordinate transformation
    extreme learning machine
    backpropagation neural network
    radial basis function neural network
    geodetic datum
    Opis:
    Land surveyors, photogrammetrists, remote sensing engineers and professionals in the Earth sciences are often faced with the task of transferring coordinates from one geodetic datum into another to serve their desired purpose. The essence is to create compatibility between data related to different geodetic reference frames for geospatial applications. Strictly speaking, conventional techniques of conformal, affine and projective transformation models are mostly used to accomplish such task. With developing countries like Ghana where there is no immediate plans to establish geocentric datum and still rely on the astro-geodetic datums as it national mapping reference surface, there is the urgent need to explore the suitability of other transformation methods. In this study, an effort has been made to explore the proficiency of the Extreme Learning Machine (ELM) as a novel alternative coordinate transformation method. The proposed ELM approach was applied to data found in the Ghana geodetic reference network. The ELM transformation result has been analysed and compared with benchmark methods of backpropagation neural network (BPNN), radial basis function neural network (RBFNN), two-dimensional (2D) affine and 2D conformal. The overall study results indicate that the ELM can produce comparable transformation results to the widely used BPNN and RBFNN, but better than the 2D affine and 2D conformal. The results produced by ELM has demonstrated it as a promising tool for coordinate transformation in Ghana.
    Źródło:
    Geodesy and Cartography; 2018, 67, 2; 321-343
    2080-6736
    2300-2581
    Pojawia się w:
    Geodesy and Cartography
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Clothing Image Classification with a Dragonfly Algorithm Optimised Online Sequential Extreme Learning Machine
    Klasyfikacja obrazu odzieży za pomocą zoptymalizowanego algorytmu Dragonfly sekwencyjnej maszyny uczącej się
    Autorzy:
    Li, Jianqiang
    Shi, Weimin
    Yang, Donghe
    Powiązania:
    https://bibliotekanauki.pl/articles/1419412.pdf
    Data publikacji:
    2021
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    Dragonfly algorithm
    Online Sequential Extreme Learning Machine
    clothing image classification
    optimised parameter
    algorytm Dragonfly
    OSELM
    maszyna ucząca się
    klasyfikacja obrazu odzieży
    parametr zoptymalizowany
    Opis:
    This study proposes a solution for the issue of the low classification accuracy of clothing images. Using Fashion-MNIST as the clothing image dataset, we propose a clothing image classification technology based on an online sequential extreme learning machine (OSELM) optimised by the dragonfly algorithm (DA). First, we transform the Fashion-MNIST dataset into a data set that we extract from the corresponding grey image. Then, considering that the input weight and hidden layer bias of an OSELM are generated randomly, a DA is proposed to optimise the input weight and hidden layer bias of the OSELM to reduce the influence of random generation on the classification results. Finally, the optimised OSELM is applied to the clothing image classification. Compared to the other seven types of classification algorithms, the proposed clothing image classification model with the DA-optimised OSELM reached 93.98% accuracy when it contained 350 hidden nodes. Its performance was superior to other algorithms that were configured with the same number of hidden nodes. From a stability analysis of the box-plot, it was found that there were no outliers exhibited by the DA-OSELM model, whereas some other models had outliers or had lower stability compared to the model proposed, thereby validating the efficacy of the solution proposed.
    W pracy zaproponowano rozwiązanie problemu niskiej dokładności klasyfikacyjnej obrazów odzieży. Wykorzystując Fashion-MNIST jako zbiór danych obrazu odzieży, zaproponowano technologię klasyfikacji obrazów odzieży w oparciu o sekwencyjną maszynę uczącą się (OSELM) zoptymalizowaną przez algorytm Dragonfly (DA). Najpierw przekształcono zbiór danych Fashion-MNIST w zestaw danych, który wyodrębniono z obrazu. Następnie, biorąc pod uwagę, że waga wejściowa i odchylenie warstwy ukrytej OSELM były generowane losowo, w celu zmniejszenia wpływu generowania losowego na wyniki klasyfikacji zaproponowano DA w celu optymalizacji wagi wejściowej i obciążenia warstwy ukrytej OSELM. Następnie, zoptymalizowany OSELM zastosowano do klasyfikacji obrazu odzieży. W porównaniu z pozostałymi siedmioma typami algorytmów klasyfikacji, proponowany model klasyfikacji obrazu odzieży ze zoptymalizowanym przez DA OSELM osiągnął dokładność 93,98%. Jego wydajność przewyższyła inne algorytmy. Na podstawie analizy stabilności wykresu stwierdzono, że nie było wartości odstających wykazywanych przez model DA-OSELM, podczas gdy niektóre inne modele miały wartości odstające lub miały niższą stabilność w porównaniu z proponowanym modelem, potwierdzono w ten sposób skuteczność proponowanego rozwiązania.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2021, 3 (147); 91-96
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Colour Difference Classification for Dyed Fabrics Based on Differential Evolution with Dynamic Parameter Selection to Optimise the Output Regularisation Extreme Learning Machine
    Wybór parametrów w celu optymalizacji regularyzacji wyjściowej maszyny uczącej się
    Autorzy:
    Zhou, Zhiyu
    Liu, Dexin
    Zhang, Jianxin
    Zhu, Zefei
    Yang, Donghe
    Jiang, Likai
    Powiązania:
    https://bibliotekanauki.pl/articles/1419657.pdf
    Data publikacji:
    2021
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    colour difference classification
    differential evolution
    extreme learning machine
    output regularisation
    parameter selection
    klasyfikacja różnicy kolorów
    ewolucja różnicowa
    maszyna ucząca się
    regularyzacja wyjściowa
    dobór parametru
    Opis:
    A novel optimisation technique based on the differential evolution (DE) algorithm with dynamic parameter selection (DPS-DE) is proposed to develop a colour difference classification model for dyed fabrics, improve the classification accuracy, and optimise the output regularisation extreme learning machine (RELM). The technique proposed is known as DPS-DE-RELM and has three major differences compared with DE-ELM: (1) Considering that the traditional ELM provides an illness solution based on the output weights, DE is proposed to optimise the output of the RELM. (2) Considering the simple parameter setting of the traditional algorithm, the DE algorithm with DPS is adopted. (3) For DPS, an optimal range of parameters is chosen, and the efficiency of the algorithm is significantly improved. This study analyses the colour difference classification of fabric images captured under standard lighting based on the DPS-DE-RELM algorithm. First, the colour difference of the fabric images is calculated and six color-difference-related features extracted, and second the features are classified into five different levels based on the perception of humans. Finally, a colour difference classification model is built based on the DPS-DERELM algorithm, and then the optimal classification model suitable for this study is selected. The experimental results show that the output method with regularisation parameters can achieve a maximum classification accuracy of 98.87%, which is higher compared with the aforementioned optimised original ELM algorithm, which can achieve a maximum accuracy of 84.67%. Therefore, the method proposed has the advantages of greater convergence speed, high classification accuracy, and robustness.
    W pracy zaproponowano nowatorską technikę optymalizacji opartą na algorytmie ewolucji różnicowej (DE) z doborem parametrów (DPS-DE) w celu opracowania modelu klasyfikacji różnicy kolorów dla tkanin barwionych, poprawy dokładności klasyfikacji i optymalizacji regularyzacji wyjściowej maszyny do uczącej się (RELM). Zaproponowana technika jest znana jako DPS-DE-RELM i cechuje się trzema głównymi różnicami w porównaniu do DE-ELM: (1) Biorąc pod uwagę, że tradycyjny ELM zapewnia rozwiązanie w oparciu o wagi wyjściowe, proponuje się DE w celu optymalizacji wydajności RELM. (2) Biorąc pod uwagę proste ustawienie parametrów tradycyjnego algorytmu, przyjęto algorytm DE z DPS. (3) W przypadku DPS wybierany jest optymalny zakres parametrów, a wydajność algorytmu znacznie się poprawia. Podczas badania przeanalizowano klasyfikację różnic kolorów obrazów tkanin zarejestrowanych w standardowym oświetleniu w oparciu o algorytm DPS-DE-RELM. Po pierwsze, obliczono różnicę kolorów obrazów tkanin i wyodrębniono sześć cech związanych z różnicą kolorów, a po drugie cechy te zaklasyfikowano na pięciu różnych poziomach w oparciu o percepcję ludzi. Na koniec zbudowano model klasyfikacji różnicy kolorów w oparciu o algorytm DPS-DE-RELM, a następnie wybrano optymalny model klasyfikacji odpowiedni do tego badania. Wyniki eksperymentalne pokazały, że metoda wyjściowa z parametrami regularyzacji może osiągnąć maksymalną dokładność klasyfikacji wynoszącą 98,87%, czyli wyższą w porównaniu z zoptymalizowanym oryginalnym algorytmem ELM, który może osiągnąć maksymalną dokładność na poziomie 84,67%. Stwierdzono, że zaproponowana metoda niesie ze sobą korzyści w postaci większej szybkości zbieżności, wysokiej dokładności klasyfikacji i odporności.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2021, 3 (147); 97-102
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Assessing the suitability of extreme learning machines (ELM) for groundwater level prediction
    Ocena zdolności ekstremalnych maszyn uczących (ELM) do przewidywania poziomu wód gruntowych
    Autorzy:
    Yadav, B.
    Ch, S.
    Mathur, S.
    Adamowski, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/293096.pdf
    Data publikacji:
    2017
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    extreme learning machine (ELM)
    forecasting
    groundwater level
    support vector machine (SVM)
    water resource management
    maszyna uczenia ekstremalnego (ELM)
    maszyna wektorów nośnych SVM
    poziom wód gruntowych
    prognozowanie
    zarządzanie zasobami wodnymi
    Opis:
    Fluctuation of groundwater levels around the world is an important theme in hydrological research. Rising water demand, faulty irrigation practices, mismanagement of soil and uncontrolled exploitation of aquifers are some of the reasons why groundwater levels are fluctuating. In order to effectively manage groundwater resources, it is important to have accurate readings and forecasts of groundwater levels. Due to the uncertain and complex nature of groundwater systems, the development of soft computing techniques (data-driven models) in the field of hydrology has significant potential. This study employs two soft computing techniques, namely, extreme learning machine (ELM) and support vector machine (SVM) to forecast groundwater levels at two observation wells located in Canada. A monthly data set of eight years from 2006 to 2014 consisting of both hydrological and meteorological parameters (rainfall, temperature, evapotranspiration and groundwater level) was used for the comparative study of the models. These variables were used in various combinations for univariate and multivariate analysis of the models. The study demonstrates that the proposed ELM model has better forecasting ability compared to the SVM model for monthly groundwater level forecasting.
    Na całym świecie fluktuacje poziomów wód gruntowych stanowią ważny temat badań hydrologicznych. Rosnące potrzeby wodne, błędne praktyki irygacyjne, niewłaściwa gospodarka glebowa i niekontrolowana eksploatacja poziomów wodonośnych są powodami, dla których poziom wód gruntowych podlega fluktuacjom. Dla skutecznego zarządzania zasobami wód gruntowych istotne jest dysponowanie dokładnymi zapiskami i zdolność prognozowania poziomu tych wód. Rozwój technik komputerowych (modele wykorzystujące dane) w dziedzinie hydrologii ma istotny potencjał z powodu niepewnego i złożonego charakteru systemów wód gruntowych. W prezentowanych badaniach wykorzystano dwie techniki komputerowe: maszynę uczenia ekstremalnego (ELM) i maszynę wektorów nośnych (SVM – ang. support vector machine) do przewidywania poziomów wód gruntowych w dwóch studzienkach obserwacyjnych w Kanadzie. Do porównawczych badań modeli wykorzystano zestaw danych miesięcznych z ośmiu lat (2006–2014), składający się z danych hydrologicznych i meteorologicznych (opady, temperatura, ewapotranspiracja, poziom wody). Wymienione zmienne zastosowano w rozmaitych kombinacjach do jedno- i wieloparametrycznej analizy modeli. Wyniki dowodzą, że model ELM ma lepsze zdolności przewidywania miesięcznych poziomów wód gruntowych w porównaniu z modelem SVM.
    Źródło:
    Journal of Water and Land Development; 2017, 32; 103-112
    1429-7426
    2083-4535
    Pojawia się w:
    Journal of Water and Land Development
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-14 z 14

      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