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 "GRNN" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-9 z 9
    Tytuł:
    Porównanie modeli GRNN utworzonych z wykorzystaniem modułów sieci neuronowych pakietów MATLAB i STATISTICA
    Comparison of the GRNN models developed by using neural network moduli of the MATLAB and STATISTICA packets
    Autorzy:
    Białobrzewski, I.
    Powiązania:
    https://bibliotekanauki.pl/articles/287990.pdf
    Data publikacji:
    2005
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    model regresyjny
    sieci neuronowe GRNN
    MATLAB
    Statistica
    regressive model
    GRNN neural networks
    Opis:
    Przedstawiono wyniki badań wpływu modeli GRNN, utworzonych z wykorzystaniem modułów Sieci Neuronowych pakietów MATLAB i STATISTICA, na dokładność estymacji wartości temperatury powietrza atmosferycznego. Stwierdzono, że model neuronowy GRNN, powstały na bazie Toolbox Neural Networks v.4 pakietu MATLAB, lepiej aproksymuje temperaturę powietrza atmosferycznego niż modele powstałe na bazie modułu Neural Networks pakietu STATISTICA 6.1. Wśród modeli GRNN powstałych na bazie modułu Neural Networks pakietu STATISTICA 6.1 uzyskano lepszą aproksymuję temperatury powietrza atmosferycznego, wykorzystując dostępne opcje funkcji związanych z modułem Projektant sieci użytkownika.
    The effects of GRNN models, developed by using the neural network moduli of the MATLAB and STATISTICA packets on the accuracy of atmospherical air temperature estimation, were studied. It was stated that the GRNN neural model developed on the basis of Toolbox Neural Network v.4 of the MATLAB packet approximated the temperature of atmospherical air better than the models based on Neural Network modulus of STATISTICA 6.1 packet. Among the GRNN models developed on the basis of Neural Network modulus of STATISTICA 6.1 packet, the better approximation of air temperature was obtained by using available options of the functions bound to modulus of the “User’s network designer …”
    Źródło:
    Inżynieria Rolnicza; 2005, R. 9, nr 8, 8; 15-22
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    RFID tag group recognition based on motion blur estimation and YOLOv2 improved by Gaussian algorithm
    Autorzy:
    Li, Lin
    Yu, Xiao-Lei
    Liu, Zhen-Lu
    Zhao, Zhi-Min
    Zhang, Ke
    Zhou, Shan-Hao
    Powiązania:
    https://bibliotekanauki.pl/articles/2051852.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    RFID
    YOLOv2
    neural network
    GRNN
    Opis:
    Effective recognition of tags in the dynamic measurement system would significantly improve the reading performance of the tag group, but the blurred outline and appearance of tag images captured in motion seriously limit the effectiveness of the existing tag group recognition. Thus, this paper proposes passive tag group recognition in the dynamic environment based on motion blur estimation and improved YOLOv2. Firstly, blur angles are estimated with a Gabor filter, and blur lengths are estimated through nonlinear modelling of a Generalized Regression Neural Network (GRNN). Secondly, tag recognition based on YOLOv2 improved by a Gaussian algorithm is proposed. The features of the tag group are analyzed by the Gaussian algorithm, the region of interest of the dynamic tag is effectively framed, and the tag foreground is extracted; Secondly, the data set of tag groups are trained by the end-to-end YOLOv2 algorithm for secondary screening and recognition, and finally the specific locations of tags are framed to meet the effective identification of tag groups in different scenes. A considerable number of experiments illustrate that the fusion algorithm can significantly improve recognition accuracy. Combined with the reading distance, the research presented in this paper can more accurately optimize the three-dimensional structure of the tag group, improve the reading performance of the tag group, and avoid the interference and collision of tags in the communication channel. Compared with the previous template matching algorithm, the tag group recognition ability put forward in this paper is improved by at least 13.9%, and its reading performance is improved by at least 6.2% as shown in many experiments.
    Źródło:
    Metrology and Measurement Systems; 2022, 29, 1; 53-74
    0860-8229
    Pojawia się w:
    Metrology and Measurement Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Sieć GRNN w kompresji obrazów radarowych
    GRNN network in the compression of radar images
    Autorzy:
    Praczyk, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/222526.pdf
    Data publikacji:
    2004
    Wydawca:
    Akademia Marynarki Wojennej. Wydział Dowodzenia i Operacji Morskich
    Tematy:
    obrazy radarowe
    GRNN
    nawigacja
    radar images
    navigation
    Opis:
    Obraz morskiego radaru nawigacyjnego może być podstawą perspektywicznego systemu wyznaczenia pozycji okrętu. Obrazy uzyskane z radarów nawigacyjnych zawierają zwykle ogromne ilości informacji. Wykorzystanie jej w całości w systemach pozycjonowania jest praktycznie niemożliwe. Wiąże się to z ograniczonymi możliwościami obliczeniowymi współczesnych komputerów. Konieczne staje się zatem skondensowanie występującej w każdym obrazie informacji do wielkości akceptowalnej z punktu widzenia praktycznych zastosowań. Efekt taki możemy uzyskać poprzez zastosowanie metod ekstrakcji cech z zarejestrowanych obrazów radarowych. Artykuł prezentuje jedną z metod ekstrakcji cech bazującą na możliwościach samoorganizującej sieci Kohonena oraz sieci GRNN.
    A picture from a navigation radar can be used to develop a future system for fixing ship position. Pictures obtained from navigation radars usually contain a large amount of information. It is impossible to use all of it in a position fixing system. This is mainly due to limited computation capacities of present day computers. Therefore it becomes necessary to condense information contained in each picture to the size acceptable from the point of view of practical application. Such a result can be obtained by employing methods of extraction of properties from radar pictures recorded. The paper presents one of the extraction methods based on Kohonen self-organizing net and GRNN net.
    Źródło:
    Zeszyty Naukowe Akademii Marynarki Wojennej; 2004, R. 45 nr 1 (156), 1 (156); 39-48
    0860-889X
    Pojawia się w:
    Zeszyty Naukowe Akademii Marynarki Wojennej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Friction modeling of Al-Mg alloy sheets based on multiple regression analysis and neural networks
    Autorzy:
    Lemu, H. G.
    Trzepieciński, T.
    Kubit, A.
    Fejkiel, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/102791.pdf
    Data publikacji:
    2017
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    friction coefficient
    friction
    GRNN
    neural networks
    RBF network
    sheet metal forming
    Opis:
    This article reports a proposed approach to a frictional resistance description in sheet metal forming processes that enables determination of the friction coefficient value under a wide range of friction conditions without performing time-consuming experiments. The motivation for this proposal is the fact that there exists a considerable amount of factors affect the friction coefficient value and as a result building analytical friction model for specified process conditions is practically impossible. In this proposed approach, a mathematical model of friction behaviour is created using multiple regression analysis and artificial neural networks. The regression analysis was performed using a subroutine in MATLAB programming code and STATISTICA Neural Networks was utilized to build an artificial neural networks model. The effect of different training strategies on the quality of neural networks was studied. As input variables for regression model and training of radial basis function networks, generalized regression neural networks and multilayer networks the results of strip drawing friction test were utilized. Four kinds of Al-Mg alloy sheets were used as a test material.
    Źródło:
    Advances in Science and Technology. Research Journal; 2017, 11, 1; 48-57
    2299-8624
    Pojawia się w:
    Advances in Science and Technology. Research Journal
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Porównanie przydatności sieci neuronowych typu GRNN i RBF do prognozowania poprawek dla krajowej skali czasu UTC(PL)
    Comparison of the usefulness of GRNN and RBF neural networks for predicting the corrections for the national time scale UTC(PL)
    Autorzy:
    Sobolewski, Ł.
    Powiązania:
    https://bibliotekanauki.pl/articles/154158.pdf
    Data publikacji:
    2014
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sieci neuronowe GRNN
    sieci neuronowe RBF
    polska skala czasu UTC(PL)
    zegar atomowy
    GRNN neural network
    RBF neural network
    national timescale UTC(PL)
    atomic clock
    Opis:
    W pracy przedstawiono wyniki badań sieci neuronowych typu GRNN zastosowanych do prognozowania poprawek dla krajowej skali czasu UTC(PL). Wyniki te porównano z wynikami otrzymanymi przy użyciu sieci neuronowej typu RBF, a także z wynikami otrzymanymi w GUM z zastosowaniem metody regresji liniowej. Prognozowanie poprawek prowadzono w oparciu o metodę regresji dla danych wejściowych powstałych na bazie dwóch szeregów czasowych sc1 (bez eliminacji trendu opisanego równaniem regresji liniowej) oraz sc2 (z eliminacją tego trendu). Prognozy zostały wykonane na 15 dzień dla 5 kolejnych miesięcy 2008 począwszy od stycznia (MJD 54479) do maja (MJD 54599) Z przeprowadzonych badań wynika, że otrzymane wartości błędu prognozy dla sieci neuronowej typu GRNN są zdecydowanie gorsze od błędów prognozy otrzymanych przy użyciu sieci neuronowej typu RBF.
    The paper discusses the results of comparison of the usefulness of GRNN and RBF neural networks for predicting the corrections for the national time scale UTC(PL). The first chapter describes the national time scale UTC(PL), and also presents the problem of maintaining the best compatibility of the UTC(PL) with UTC. The second chapter describes the basic idea and principle of operation of the GRNN neural networks. The third chapter shows how the input data for the neural networks 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 (ts1 and ts2) were prepared, which were the basis for determining the input data for the neural networks. The fourth chapter describes the research results. The obtained research results shown that in the case of predicting the corrections for the polish time scale UTC(PL) using GRNN and RBF neural networks and the input data based on time series ts1 prediction errors have reached very large values. Predicting the corrections for the UTC(PL) based on time series ts2 was carried out in two ways. The first method assumed using the input data prepared on the basis of time series ts2 with values of two coefficients a0 and a1, which are the coefficients of linear regression equation. In the second case only coefficient a1 was used with the input data prepared on the basis of time series ts2. The best results was obtained using RBF neural network for the input data prepared on the basis of time series ts2 with a1 coefficient. For the GRNN neural network the obtained value of maximum prediction error for both method of data preparation was larger than in the case of using RBF neural network. Obtained values of prediction errors using GRNN neural network are on the same level with prediction errors obtained in the GUM using linear analytical regression method.
    Źródło:
    Pomiary Automatyka Kontrola; 2014, R. 60, nr 11, 11; 972-974
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    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:
    Prediction of remaining useful life for lithium-ion battery with multiple health indicators
    Autorzy:
    Su, Chun
    Chen, Hongjing
    Wen, Zejun
    Powiązania:
    https://bibliotekanauki.pl/articles/1841757.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    lithium-ion (Li-ion) battery
    remaining useful life
    RUL
    health indicator
    HI
    generalized regression neural network (GRNN)
    non-linear autoregressive (NAR)
    Opis:
    Lithium-ion (Li-ion) battery has become a primary energy form for a variety of engineering equipments. To ensure the equipments’ reliability, it is crucial to accurately predict Liion battery’s remaining capacity as well as its remaining useful life (RUL). In this study, we propose a novel method for Li-ion battery’s online RUL prediction, which is based on multiple health indicators (HIs) and can be derived from the battery’s historical operation data. Firstly, four types of indirect HIs are built according to the battery’s operation current, voltage and temperature data respectively. On this basis, a generalized regression neural network (GRNN) is presented to estimate the battery’s remaining capacity, and the nonlinear autoregressive approach (NAR) is applied to predict the battery’s RUL based on the estimated capacity value. Furthermore, to reduce the interference, twice wavelet denoising are performed with different thresholds. A case study is conducted with a NASA battery dataset to demonstrate the effectiveness of the method. The result shows that the proposed method can obtain Li-ion batteries’ RUL effectively.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 1; 176-183
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of remaining useful life for lithium-ion battery with multiple health indicators
    Autorzy:
    Su, Chun
    Chen, Hongjing
    Wen, Zejun
    Powiązania:
    https://bibliotekanauki.pl/articles/1841833.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    lithium-ion (Li-ion) battery
    remaining useful life (RUL)
    health indicator (HI)
    generalized regression neural network (GRNN)
    non-linear autoregressive (NAR)
    Opis:
    Lithium-ion (Li-ion) battery has become a primary energy form for a variety of engineering equipments. To ensure the equipments’ reliability, it is crucial to accurately predict Liion battery’s remaining capacity as well as its remaining useful life (RUL). In this study, we propose a novel method for Li-ion battery’s online RUL prediction, which is based on multiple health indicators (HIs) and can be derived from the battery’s historical operation data. Firstly, four types of indirect HIs are built according to the battery’s operation current, voltage and temperature data respectively. On this basis, a generalized regression neural network (GRNN) is presented to estimate the battery’s remaining capacity, and the nonlinear autoregressive approach (NAR) is applied to predict the battery’s RUL based on the estimated capacity value. Furthermore, to reduce the interference, twice wavelet denoising are performed with different thresholds. A case study is conducted with a NASA battery dataset to demonstrate the effectiveness of the method. The result shows that the proposed method can obtain Li-ion batteries’ RUL effectively.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 1; 176-183
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Soft computing-based technique as a predictive tool to estimate blast-induced ground vibration
    Autorzy:
    Arthur, Clement Kweku
    Temeng, Victor Amoako
    Ziggah, Yao Yevenyo
    Powiązania:
    https://bibliotekanauki.pl/articles/1839011.pdf
    Data publikacji:
    2019
    Wydawca:
    Główny Instytut Górnictwa
    Tematy:
    radial basis function neural network
    back propagation neural network
    generalized regression neural network
    wavelet neural network
    group method of data handling
    ground vibration
    radialna funkcja bazowa
    sieć neuronowa
    GRNN
    sieć falkowo-neuronowa
    grupowa metoda przetwarzania danych
    drgania gruntu
    Opis:
    The safety of workers, the environment and the communities surrounding a mine are primary concerns for the mining industry. Therefore, implementing a blast-induced ground vibration monitoring system to monitor the vibrations emitted due to blasting operations is a logical approach that addresses these concerns. Empirical and soft computing models have been proposed to estimate blast-induced ground vibrations. This paper tests the efficiency of the Wavelet Neural Network (WNN). The motive is to ascertain whether the WNN can be used as an alternative to other widely used techniques. For the purpose of comparison, four empirical techniques (the Indian Standard, the United State Bureau of Mines, Ambrasey-Hendron, and Langefors and Kilhstrom) and four standard artificial neural networks of backpropagation (BPNN), radial basis (RBFNN), generalised regression (GRNN) and the group method of data handling (GMDH) were employed. According to the results obtained from the testing dataset, the WNN with a single hidden layer and three wavelons produced highly satisfactory and comparable results to the benchmark methods of BPNN and RBFNN. This was revealed in the statistical results where the tested WNN had minor deviations of approximately 0.0024 mm/s, 0.0035 mm/s, 0.0043 mm/s, 0.0099 and 0.0168 from the best performing model of BPNN when statistical indicators of Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Relative Root Mean Square Error (RRMSE), Correlation Coefficient (R) and Coefficient of determination (R2) were considered.
    Źródło:
    Journal of Sustainable Mining; 2019, 18, 4; 287-296
    2300-1364
    2300-3960
    Pojawia się w:
    Journal of Sustainable Mining
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-9 z 9

      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