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 "Metoda wektorów nośnych (SVM)" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Symulacyjna ocena jakości zagregowanych modeli zbudowanych metodą wektorów nośnych
    Benchmarking Aggregated Support Vector Regression Models
    Autorzy:
    Trzęsiok, Michał
    Powiązania:
    https://bibliotekanauki.pl/articles/588038.pdf
    Data publikacji:
    2013
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Metoda wektorów nośnych (SVM)
    Modele matematyczne
    Symulacja
    Mathematical models
    Simulation
    Support Vector Machines (SVM)
    Opis:
    Support Vector Machines (SVM) are a state-of-the-art classification method, but they are also suitable, after a special reformulation, to perform a regression task. Similarly to classification, for a nonlinear regression problem, SVMs use the kernel trick and map the input space into a high-dimensional feature space first, and then perform linear regression in the high-dimensional feature space. One can use the model ensemble approach to try to improve the prediction accuracy. The paper presents the comparison of a single SVM, aggregated SVM and other regression models (linear regression, Projection Pursuit Regression, Neural Networks, Regression Trees, Random Forest, Bagging) by the means of a mean squared test set error.
    Źródło:
    Studia Ekonomiczne; 2013, 132; 115-126
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Using multi-objective affinity model for mining the rules of revisits within 72 hours for emergency department patients
    Autorzy:
    Chao-Wen, Chen
    Yuh-Wen, Chen
    Moussa, Larbani
    Tzung-Hung, Li
    Powiązania:
    https://bibliotekanauki.pl/articles/578510.pdf
    Data publikacji:
    2015
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Data Mining
    Leczenie
    Macierze
    Metoda wektorów nośnych (SVM)
    Placówki służby zdrowia
    Matrix
    Medical facilities
    Medical treatment
    Support Vector Machines (SVM)
    Opis:
    When patients return to the emergency department (ED) within 72 hours after their previous ED discharge, it is generally assumed that their initial evaluation or treatment had been somehow inadequate. Mining data related to unplanned ED revisits is one method to determine whether this problem can be overcome, and to generate useful guidelines in this regard. In this study, we use the receiver operating characteristic (ROC) curve to compare the data mining model by affinity set to other well known approaches. Some scholars have validated the affinity model for its simplicity and power in handling information systems especially when showing binary consequences. In experimental results, SVM showed the best performance, with the affinity model following only slightly behind. This study demonstrated that when patients visit the ED with normotensive status or smooth breath patterns, or when the physician-patient ratio is moderate, the frequency with which patients revisit the ED is significantly higher.
    Źródło:
    Multiple Criteria Decision Making; 2015, 10; 5-31
    2084-1531
    Pojawia się w:
    Multiple Criteria Decision Making
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie wybranych modeli nieliniowych do prognozy ilości osadu nadmiernego
    Application of Selected Nonlinear Methods to Forecast the Amount of Excess Sludge
    Autorzy:
    Gawdzik, J.
    Szeląg, B.
    Bezak-Mazur, E.
    Stoińska, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/1818016.pdf
    Data publikacji:
    2016
    Wydawca:
    Politechnika Koszalińska. Wydawnictwo Uczelniane
    Tematy:
    osady nadmierne
    oczyszczanie ścieków
    metoda wektorów nośnych
    k–najbliższego sąsiada
    drzewa wzmacniane
    excess sludge
    wastewater treatment
    support vector machine (SVM)
    k–nearest neighbour
    boosted trees
    Opis:
    Operation of a sewage treatment plant is a complex task because it requires maintaining the parameters of its activities at the appropriate level in order to achieve the desired effect of reducing pollution and reduce the flow of sediment discharged from the biological reactor. The basis for predicting the amount of excess sludge and operational parameters WWTP can provide physical models describing the biochemical changes occurring in the reactor, in which the input parameters, ie. Indicators of effluent quality and quantity of wastewater are modeled in advance. However, due to numerous interactions and uncertainty of the data in the physical models and forecast errors parameters of the inlet to the treatment plant Simulation results may be affected by significant errors. Therefore, to minimize the prediction error parameters of operation of the technological objects deliberate use of a black box model. In these models at the stage of learning is generated model structure underlying the projections analyzed the operating parameters of the plant. This publication presents the possibility of the use of methods: support vector, k – nearest neighbour and trees reinforced to predict the amount of the resulting excess sludge during wastewater treatment in the WWTP located in Sitkówka – News with a capacity of 72,000 3/d with a load of 275,000 PE . Due to the fact that did not have the quality parameters of wastewater at the inlet to the activated sludge chambers it was not possible to verify the empirical relationships commonly used in engineering practice to determine the size of the daily flow of excess sludge. Due to the significant differences in the amount of excess sludge generated in the period (t = 1-7 days) the simulation of the amount of sludge into the time were performed. To assessment the compatibility of measurement results and simulations quantities of sludge the mean absolute error and relative error of prediction for the considered parameter of technology was used. The analyzes carried out revealed that the amount of generated excess sludge can be predicted on the basis of parameters describing the quantity and quality of influent waste water (slurry concentration of total nitrogen and total phosphorus, BOD5) and the operating parameters of the biological reactor (recirculation rate, concentration and temperature of the sludge, the dosed amount of methanol and PIX). On the basis of computations, it can be concluded that the most accurate forecasting results amounts of sediment were obtained by using a reinforced trees (t = 2 to 5 days) and Support Vector Machines methods (t = 1, 6, 7 days). While the highest values of forecast errors sediments was obtained using a k – nearest neighbor (t = 2 to 5 days) and reinforced trees (t = 1, 6, 7 days).
    Źródło:
    Rocznik Ochrona Środowiska; 2016, Tom 18, cz. 2; 695-708
    1506-218X
    Pojawia się w:
    Rocznik Ochrona Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A predication analysis of the factors influencing minimum ignition temperature of coal dust cloud based on principal component analysis and support vector machine
    Prognozowanie czynników warunkujących minimalną temperaturę zapłonu pyłu węglowego w oparciu o analizę składników i regresję metodą wektorów nośnych
    Autorzy:
    Zhao, Dan
    Qi, Hao
    Pan, Jingtao
    Powiązania:
    https://bibliotekanauki.pl/articles/219832.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    wybuch pyłu węglowego
    minimalna temperatura zapłonu (MTZ)
    analiza podstawowych składników
    prognozowanie z wykorzystaniem regresji metodą wektorów nośnych
    coal dust explosion
    minimum ignition temperature
    principal component analysis
    SVM predication
    Opis:
    To investigate the effect of different proximate index on minimum ignition temperature(MIT) of coal dust cloud, 30 types of coal specimens with different characteristics were chosen. A two-furnace automatic coal proximate analyzer was employed to determine the indexes for moisture content, ash content, volatile matter, fixed carbon and MIT of different types of coal specimens. As the calculated results showed that these indexes exhibited high correlation, a principal component analysis (PCA) was adopted to extract principal components for multiple factors affecting MIT of coal dust, and then, the effect of the indexes for each type of coal on MIT of coal dust was analyzed. Based on experimental data, support vector machine (SVM) regression model was constructed to predicate the MIT of coal dust, having a predicating error below 10%. This method can be applied in the predication of the MIT for coal dust, which is beneficial to the assessment of the risk induced by coal dust explosion (CDE).
    Badanie wpływu współczynnika odległości na minimalną temperaturę zapłonu pyłu węglowego przeprowadzono z wykorzystaniem 30 próbek węgli o różnych właściwościach. Przy użyciu dwu-palnikowego analizatora, określono podstawowe parametry analizowanych węgli: wilgotność, zawartośćpopiołów, zawartość substancji lotnych, poziom zawartości węgla C oraz minimalną temperaturę zapłonu. Wyniki obliczeń wykazują ścisłą korelację pomiędzy tymi wielkościami, analiza składu pozwoliła na wyodrębnienie podstawowych składników, określono także czynniki warunkujące wysokość minimalnej temperatury zapłonu dla poszczególnych rodzajów węgli. Do analizy danych eksperymentalnych wykorzystano model regresji metodą wektorów nośnych w celu obliczenia minimalnej temperatury zapłonu, a błąd jej oszacowania wynosi poniżej 10%. Metodę powyższą stosować można do prognozowania wysokości minimalnej temperatury zapłonu, co jest ważnym aspektem w ocenie ryzyka wybuchu pyłu węglowego.
    Źródło:
    Archives of Mining Sciences; 2019, 64, 2; 335-350
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Electronic System Fault Diagnosis with Optimized Multi-kernel SVM by Improved CPSO
    Diagnoza uszkodzeń układu elektronicznego z wykorzystaniem Wielojądrowej Maszyny Wektorów Nośnych (SVM) zoptymalizowanej przy pomocy poprawionego algorytmu CPSO
    Autorzy:
    Guo, Y. M.
    Wang, X. T.
    Liu, C.
    Zheng, Y. F.
    Cai, X. B.
    Powiązania:
    https://bibliotekanauki.pl/articles/300922.pdf
    Data publikacji:
    2014
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    układ elektroniczny
    diagnoza uszkodzeń
    maszyna wektorów nośnych
    optymalizacja metodą chaosu-roju cząstek
    funkcja wielojądrowa
    electronic system
    fault diagnosis
    support vector machine (SVM)
    chaos particles swarm optimization
    multi-kernel
    Opis:
    Bezpieczeństwo pracy układów elektronicznych stało się kluczowym zagadnieniem w odniesieniu do złożonych układów o wysokiej niezawodności. Obecnie coraz większy nacisk kładzie się na trafność diagnozy uszkodzeń układów elektronicznych. Na podstawie charakterystyki diagnozy uszkodzeń układów elektronicznych, opracowaliśmy model wielokryterialnej klasyfikacji SVM pozwalający osiągnąć lepszą trafność diagnozy uszkodzeń. Model wykorzystuje funkcję wielojądrową składającą się z kilku bazowych funkcji jądrowych pozwalającą na zwiększenie interpretowalności modelu klasyfikacyjnego. Aby zoptymalizować działanie modelu wielokryterialnej klasyfikacji SVM wykorzystującego funkcję wielojądrową, udoskonaliliśmy algorytm Optymalizacji Metodą Chaosu-Roju Cząstek (CPSO), co pozwoliło osiągnąć optymalne parametry SVM i funkcji wielojądrowej. W poprawionym algorytmie CPSO wzmocniono różnorodność wyszukiwania poprzez wykorzystanie chaotycznej sekwencji generowanej przez zmodyfikowaną mapę tent, a także włączono do standardowego algorytmu PSO efektywną metodę pozwalającą uniknąć przedwczesnej stagnacji oraz uzyskać globalne wartości optymalizacji. Wyniki symulacji diagnozy uszkodzeń systemu elektronicznego pokazują, że proponowany system optymalizacji może być wykorzystywany jako skuteczna metoda umożliwiająca znaczne zwiększenie trafności diagnozy uszkodzeń z wykorzystaniem wielojądrowej SVM.
    Electronic systems’ safety operation has become a key issue to complex and high reliability systems. Now more emphasis has been laid on the accuracy of electronic system fault diagnosis. Based on the characteristics of the electronic system fault diagnosis, we design a multi-classification SVMs model to attain better fault diagnosis accuracy, which utilizes multi-kernel function consisting of several basis kernel functions to enhance the interpretability of the classification model. In order to optimize the performance of multi-classification SVMs with multi-kernel, we improve the Chaos Particles swarm Optimization (CPSO) algorithm to achieve the optimum parameters of SVMs and the multi-kernel function. For the improved CPSO algorithm, a modified Tent Map chaotic sequence is used to strengthen the search diversity, and an effective method is embedded to the stander PSO algorithm which can ensure to avoid premature stagnation and obtain the global optimization values. The fault diagnosis simulation results of an electronic system show the proposed optimization scheme is a feasible and effective method and it can significantly improve the fault diagnosis accuracy of the multi-kernel SVM.
    Źródło:
    Eksploatacja i Niezawodność; 2014, 16, 1; 85-91
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    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