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 "GMDH neural network" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-7 z 7
    Tytuł:
    Wpływ doboru parametrów sieci neuronowej GMDH na wyniki prognozy poprawek dla krajowej skali czasu UTC(PL)
    Influence of selection of GMDH neural network parameters on predicted corrections of the national time scale UTC(PL)
    Autorzy:
    Sobolewski, Ł.
    Powiązania:
    https://bibliotekanauki.pl/articles/154427.pdf
    Data publikacji:
    2012
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sieci neuronowe GMDH
    polska skala czasu UTC(PL)
    zegar atomowy
    GMDH neural network
    national timescale UTC(PL)
    atomic clock
    Opis:
    W pracy omówiono wyniki badań dotyczących prognozowania poprawek dla krajowej skali czasu UTC(PL), z wykorzystaniem sztucznych sieci neuronowych GMDH. Przedstawiono wyniki badań, których celem było sprawdzenie, jak dobór funkcji przejścia neuronu sieci GMDH oraz stosunku danych uczących do danych testujących wpływają na wynik prognozy. Opisano wyniki prognozowania poprawek otrzymane na podstawie przeprowadzonych badań, uzyskane na 15 dzień dla 28 kolejnych miesięcy, począwszy od stycznia 2008 roku (MJD 54479) do kwietnia 2010 roku (MJD 55299).
    The paper discusses the results of predicting the corrections for the national time scale UTC(PL), using GMDH neural networks. The aim of the research was to examine the influence of the GMDH neural network parameters, ie. the transfer function of the neuron and the ratio of training to test data on the prediction result. The first section describes the national time scale UTC(PL), and presents the problem of maintaining the best compatibility of the UTC(PL) with UTC. It also presents the method for predicting the corrections used in the GUM as well as a new method for predicting the corrections for the UTC(PL) based on GMDH neural network. The second section shows how the input data for the GMDH neural network was prepared. Based on historical measurement data from the cesium atomic clock Cs2 and corrections of the UTC(PL) relative to UTC, two time series (sc1 and sc2) were prepared. They were the basis for determining the input to the GMDH neural network. The third section describes the basic idea and principle of operation of GMDH neural networks, which belong to the group of self-organizing networks. In the fourth section there is presented the method for predicting the corrections using GMDH neural networks and there are given the research results. There were carried out investigations whose aim was to examine the influence of the transfer function of the neuron and the ratio of training to test data on the prediction result. Based on those investigations the prediction of the corrections on the 15th day of 28 consecutive months was performed. The research show that the GMDH neural networks can be used for predicting the corrections for the national time scale UTC(PL). The obtained prediction errors are significantly smaller than those obtained from the analytical linear regression method used in the GUM. It is shown that a significant influence on obtaining small prediction errors has a proper selection of the GMDH neural network parameters.
    Źródło:
    Pomiary Automatyka Kontrola; 2012, R. 58, nr 10, 10; 869-871
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Towards robustness in neural network based fault diagnosis
    Autorzy:
    Patan, K.
    Witczak, M.
    Korbicz, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/929913.pdf
    Data publikacji:
    2008
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    diagnostyka uszkodzeń
    odporność
    sieć neuronowa dynamiczna
    fault diagnosis
    robustness
    dynamic neural networks
    GMDH neural network
    Opis:
    Challenging design problems arise regularly in modern fault diagnosis systems. Unfortunately, classical analytical techniques often cannot provide acceptable solutions to such difficult tasks. This explains why soft computing techniques such as neural networks become more and more popular in industrial applications of fault diagnosis. Taking into account the two crucial aspects, i.e., the nonlinear behaviour of the system being diagnosed as well as the robustness of a fault diagnosis scheme with respect to modelling uncertainty, two different neural network based schemes are described and carefully discussed. The final part of the paper presents an illustrative example regarding the modelling and fault diagnosis of a DC motor, which shows the performance of the proposed strategy.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2008, 18, 4; 443-454
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predicting the Lithuanian Timescale UTC(LT) by means of GMDH neural network
    Prognozowanie Litewskiej Skali Czasu UTC(LT) z zastosowaniem sieci neuronowej typu GMDH
    Autorzy:
    Sobolewski, Ł.
    Powiązania:
    https://bibliotekanauki.pl/articles/211148.pdf
    Data publikacji:
    2017
    Wydawca:
    Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
    Tematy:
    electrical engineering
    UTC(k) timescale
    atomic clock
    predicting [UTC-UTC(k)]
    GMDH neural network
    elektrotechnika
    skala czasu UTC(k)
    zegar atomowy
    prognozowanie [UTC-UTC(k)]
    sieci neuronowe GMDH
    Opis:
    The aim of the study is to examine the effectiveness of applying GMDH-type neural network and the developed procedure for predicting UTC(k) timescales, which are characterized with high dynamics of changes of the input data. The research is carried out on the example of the Lithuanian Timescale UTC(LT). The obtained research results have shown that GMDH-type neural network with a developed predicting procedure enables us to receive good prediction results for the UTC(LT). Better prediction quality was obtained using time series which are built only on the basis of deviations determined by the BIPM according to the UTC and UTC Rapid scales.
    Celem przeprowadzonych badań było sprawdzenie skuteczności zastosowania sieci neuronowej typu GMDH i opracowanej procedury do prognozowania skal czasu UTC(k), charakteryzujących się dużą dynamiką zmian danych wejściowych. Badania przeprowadzono na przykładzie Litewskiej Skali Czasu UTC(LT). Otrzymane wyniki badań pokazały, że sieci neuronowe typu GMDH z opracowaną procedurą prognozowania umożliwiają osiągnięcie dobrych wyników prognoz dla UTC(LT). Lepszą jakość prognozowania odchyleń [UTC – UTC(LT)] uzyskano przy zastosowaniu szeregu czasowego, który zbudowany jest wyłącznie na podstawie odchyleń wyznaczonych przez BIPM w oparciu o skalę UTC i UTC Rapid.
    Źródło:
    Biuletyn Wojskowej Akademii Technicznej; 2017, 66, 4; 31-41
    1234-5865
    Pojawia się w:
    Biuletyn Wojskowej Akademii Technicznej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predicting index to complete schedule performance indicator in highway projects using artificial neural network model
    Autorzy:
    Jasim, Nidal A.
    Maruf, Shelan M.
    Aljumaily, Hadi S. M.
    Al-Zwainy, Faiq M. S.
    Powiązania:
    https://bibliotekanauki.pl/articles/230165.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    projekt autostrady
    sztuczna sieć neuronowa
    wskaźnik wykonania
    harmonogram
    GMDH
    oprogramowanie powłoki
    budżet na zakończenie
    wartość wypracowana
    wartość planowania
    highway project
    artificial neural network
    complete performance indicator
    schedule
    shell software
    budget to completion
    earned value
    planning value
    Opis:
    Inaccurate estimation in highway projects represents a major problem facing planners and estimators, especially when data and information about the projects are not available, and therefore the need to use modern technologies that addresses the problem of inaccuracy of estimation arises. The current methods and techniques used to estimate earned value indexes in Iraq are weak and inefficient. In addition, there is a need to adopt new and advanced technologies to estimate earned value indexes that are fast, accurate and flexible to use. The main objective of this research is to use an advanced method known as artificial neural networks to estimate the TSPI of highway buildings. The application of artificial neural networks as a new digital technology in the construction industrial in Republic of Iraq is absolutely necessary to ensure successful project management. One model built to predict the TCSPI of highway projects. In this current study, artificial neural network model were used to model the process of estimating earned value indexes, and several cases related to the construction of artificial neural networks have been studied, including network architecture and internal factors and the extent of their impact on the performance of artificial neural network models. Easy equation was developed to calculate that TSPI. It was found that these networks have the ability to predict the TSPI of highway projects with a very outstanding saucepan of reliability (97.00%), and the accounting coefficients (R) (95.43%).
    Źródło:
    Archives of Civil Engineering; 2020, 66, 3; 541-554
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Porównanie metod prognozowania zastosowanych w sieci neuronowej GMDH przeznaczonej do wyznaczania prognozy poprawek dla krajowej skali czasu UTC(PL)
    Comparison of predicting methods used in GMDH neural network for determining the correction prediction for the national timescale UTC(PL)
    Autorzy:
    Sobolewski, Ł.
    Powiązania:
    https://bibliotekanauki.pl/articles/158497.pdf
    Data publikacji:
    2013
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sieci neuronowe GMDH
    polska skala czasu UTC(PL)
    zegar atomowy
    GMDH neural network
    national timescale UTC(PL)
    atomic clock
    Opis:
    W pracy zostały porównane metody prognozowania poprawek dla krajowej skali czasu UTC(PL). Badania dotyczące prognozowania poprawek prowadzono w oparciu o sieci neuronowe GMDH dwoma metodami, metodą analizy szeregów czasowych i metodą regresji. Prognozowanie poprawek zostało wykonane na 15 dzień miesiąca dla 20 kolejnych miesięcy. Otrzymane wyniki prognoz przy użyciu sieci neuronowej GMDH zestawione z wynikami prognoz otrzymanymi przez Główny Urząd Miar z zastosowaniem metody regresji liniowej pokazują, że lepszą metodą prognozowania poprawek dla krajowej skali czasu okazała się metoda analizy szeregów czasowych.
    The paper discusses the results of predicting the corrections for the national time scale UTC(PL), using GMDH neural networks. The aim of the research was to examine the influence of the GMDH neural network prediction methods on the prediction result. The first section describes the national time scale UTC(PL) and presents the problem of maintaining the best compatibility of the UTC(PL) with UTC. It also presents the method of predicting the corrections used in the Central Office of Measures (GUM), and a new method for predicting the corrections for the UTC(PL) based on GMDH neural network. The second section shows how the input data for the GMDH neural network was prepared. Based on historical measurement data from the cesium atomic clock Cs2 and corrections of the UTC(PL) relative to UTC, two time series (sc1 and sc2) which were the basis for determining the input to GMDH neural network were prepared. The third section describes the predicting methods used in the GMDH neural network and a training data for both methods. The fourth section focuses on the method of predicting the corrections using GMDH neural networks, and contains the research results. The research on predicting the corrections were carried out using two methods, the time series analysis and the regression method. Prediction of the corrections was made on the 15th day of month for 20 consecutive months. The prediction results using the GMDH neural network were compared with the results received by the GUM with use of the linear regression method. The research show that the GMDH neural networks can be used to predict the corrections for the national time scale UTC(PL). A better method of predicting the corrections for the national time scale proved to be the method of time series analysis. The results were better than the prediction results obtained in the GUM for both time series sc1 and sc2. In the case of using the regression method only for times series sc1, the obtained results were better than those obtained in the GUM.
    Źródło:
    Pomiary Automatyka Kontrola; 2013, R. 59, nr 1, 1; 23-25
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Influence of the GMDH neural network data preparation method on UTC(PL) correction prediction results
    Autorzy:
    Miczulski, W.
    Sobolewski, Ł.
    Powiązania:
    https://bibliotekanauki.pl/articles/221698.pdf
    Data publikacji:
    2012
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    GMDH neural network
    national timescale
    atomic clock
    time series analysis
    Opis:
    The article presents results of the influence of the GMDH (Group Method of Data Handling) neural network input data preparation method on the results of predicting corrections for the Polish timescale UTC(PL). Prediction of corrections was carried out using two methods, time series analysis and regression. As appropriate to these methods, the input data was prepared based on two time series, ts1 and ts2. The implemented research concerned the designation of the prediction errors on certain days of the forecast and the influence of the quantity of data on the prediction error. The obtained results indicate that in the case of the GMDH neural network the best quality of forecasting for UTC(PL) can be obtained using the time-series analysis method. The prediction errors obtained did not exceed the value of š 8 ns, which confirms the possibility of maintaining the Polish timescale at a high level of compliance with the UTC.
    Źródło:
    Metrology and Measurement Systems; 2012, 19, 1; 123-132
    0860-8229
    Pojawia się w:
    Metrology and Measurement Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An unscented Kalman filter in designing dynamic GMDH neural networks for robust fault detection
    Autorzy:
    Mrugalski, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/331364.pdf
    Data publikacji:
    2013
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    robust fault detection
    nonlinear system identification
    dynamic GMDH neural network
    unscented Kalman filter
    detekcja uszkodzeń
    identyfikacja nieliniowa
    sieć neuronowa dynamiczna
    filtr Kalmana bezśladowy
    Opis:
    This paper presents an identification method of dynamic systems based on a group method of data handling approach. In particular, a new structure of the dynamic multi-input multi-output neuron in a state-space representation is proposed. Moreover, a new training algorithm of the neural network based on the unscented Kalman filter is presented. The final part of the work contains an illustrative example regarding the application of the proposed approach to robust fault detection of a tunnel furnace.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2013, 23, 1; 157-169
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-7 z 7

      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