Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "PSO-SVM" wg kryterium: Temat


Wyświetlanie 1-3 z 3
Tytuł:
The identification of coal and gangue and the prediction of the degree of coal metamorphism based on the EDXRD principle and the PSO-SVM model
Identyfikacja węgla i skały płonnej oraz prognozowanie stopnia metamorfizmu węgla w oparciu o zasadę EDXRD i model PSO-SVM
Autorzy:
Zhao, Yanqiu
Wang, Shuang
Guo, Yongcun
Cheng, Gang
He, Lei
Wang, Wenshan
Powiązania:
https://bibliotekanauki.pl/articles/2173844.pdf
Data publikacji:
2022
Wydawca:
Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Tematy:
coal identification
gangue identification
X-ray diffraction
energy dispersive
metamorphism degree
PSO-SVM
identyfikacja węgla
identyfikacja skały płonnej
dyfrakcja rentgenowska
dyspersja energii
stopień metamorfizmu
Opis:
In order to improve the utilization rate of coal resources, it is necessary to classify coal and gangue, but the classification of coal is particularly important. Nevertheless, the current coal and gangue sorting technology mainly focus on the identification of coal and gangue, and no in-depth research has been carried out on the identification of coal species. Accordingly, in order to preliminary screen coal types, this paper proposed a method to predict the coal metamorphic degree while identifying coal and gangue based on Energy Dispersive X-Ray Diffraction (EDXRD) principle with 1/3 coking coal, gas coal, and gangue from Huainan mine, China as the research object. Differences in the phase composition of 1/3 coking coal, gas coal, and gangue were analyzed by combining the EDXRD patterns with the Angle Dispersive X-Ray Diffraction (ADXRD) patterns. The calculation method for characterizing the metamorphism degree of coal by EDXRD patterns was investigated, and then a PSO-SVM model for the classification of coal and gangue and the prediction of coal metamorphism degree was developed. Based on the results, it is shown that by embedding the calculation method of coal metamorphism degree into the coal and gangue identification model, the PSO-SVM model can identify coal and gangue and also output the metamorphism degree of coal, which in turn achieves the purpose of preliminary screening of coal types. As such, the method provides a new way of thinking and theoretical reference for coal and gangue identification.
W celu poprawy stopnia wykorzystania zasobów węgla konieczna jest klasyfikacja węgla i skały płonnej, ale to klasyfikacja węgla jest szczególnie ważna. Niemniej jednak obecna technologia separacji węgla i skały płonnej koncentruje się głównie na identyfikacji węgla i skały płonnej, ale nie przeprowadzono dogłębnych badań dotyczących identyfikacji gatunków węgla. W związku z tym, w celu wstępnego przesiewu rodzajów węgla, w niniejszym artykule zaproponowano metodę przewidywania stopnia metamorfizmu węgla przy identyfikacji węgla i skały płonnej w oparciu o zasadę dyfrakcji rentgenowskiej z dyspersją energii (EDXRD) z 1/3 węglem koksującym, węglem gazowym i skałą płonną z kopalni Huainan w Chinach jako obiektem badawczym. Różnice w składzie fazowym 1/3 węgla koksowego, węgla gazowego i skały płonnej analizowano przez połączenie wzorców EDXRD z wzorcami dyfrakcji rentgenowskiej z dyspersją kątową (ADXRD). Zbadano metodę obliczeniową charakteryzującą stopień metamorfizmu węgla za pomocą wzorców EDXRD, a następnie opracowano model PSO-SVM do klasyfikacji węgla i skały płonnej oraz przewidywania stopnia metamorfizmu węgla. Na podstawie uzyskanych wyników wykazano, że poprzez wbudowanie metody obliczania stopnia metamorfizmu węgla w model identyfikacji węgla i skały płonnej, model PSO-SVM może identyfikować węgiel i skałę płonną, a także wyprowadzać stopień metamorfizmu węgla, co z kolei spełnia cel wstępnego przesiewania rodzajów węgla. Jako taka, metoda ta zapewnia nowy sposób myślenia i teoretyczne odniesienie do identyfikacji węgla i skał płonnych.
Źródło:
Gospodarka Surowcami Mineralnymi; 2022, 38, 2; 113--129
0860-0953
Pojawia się w:
Gospodarka Surowcami Mineralnymi
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The Learning System by the Least Squares Support Vector Machine Method and its Application in Medicine
Autorzy:
Szewczyk, P.
Baszun, M.
Powiązania:
https://bibliotekanauki.pl/articles/307897.pdf
Data publikacji:
2011
Wydawca:
Instytut Łączności - Państwowy Instytut Badawczy
Tematy:
classification
Grid-Search
particle swarm optimization (PSO)
patients diagnosis
support vector machine (SVM)
Opis:
In the paper it has been presented the possibility of using the least squares support vector machine to the initial diagnosis of patients. In order to find some optimal parameters making the work of the algorithm more detailed, the following techniques have been used: K-fold Cross Validation, Grid-Search, Particle Swarm Optimization. The result of the classification has been checked by some labels assigned by an expert. The created system has been tested on the artificially made data and the data taken from the real database. The results of the computer simulations have been presented in two forms: numerical and graphic. All the algorithms have been implemented in the C# language.
Źródło:
Journal of Telecommunications and Information Technology; 2011, 3; 109-113
1509-4553
1899-8852
Pojawia się w:
Journal of Telecommunications and Information Technology
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Traffic fatalities prediction based on support vector machine
Autorzy:
Li, T.
Yang, Y.
Wang, Y.
Chen, C.
Yao, J.
Powiązania:
https://bibliotekanauki.pl/articles/223743.pdf
Data publikacji:
2016
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
traffic accident
support vector machine
SVM
particle swarm optimization (PSO)
PSO
prediction model
optimal parameters
wypadek drogowy
Particle Swarm Optimization
model prognostyczny
optymalne parametry
Opis:
To effectively predict traffic fatalities and promote the friendly development of transportation, a prediction model of traffic fatalities is established based on support vector machine (SVM). As the prediction accuracy of SVM largely depends on the selection of parameters, Particle Swarm Optimization (PSO) is introduced to find the optimal parameters. In this paper, small sample and nonlinear data are used to predict fatalities of traffic accident. Traffic accident statistics data of China from 1981 to 2012 are chosen as experimental data. The input variables for predicting accident are highway mileage, vehicle number and population size while the output variables are traffic fatality. To verify the validity of the proposed prediction method, the back-propagation neural network (BPNN) prediction model and SVM prediction model are also used to predict the traffic fatalities. The results show that compared with BPNN prediction model and SVM model, the prediction model of traffic fatalities based on PSO-SVM has higher prediction precision and smaller errors. The model can be more effective to forecast the traffic fatalities. And the method using particle swarm optimization algorithm for parameter optimization of SVM is feasible and effective. In addition, this method avoids overcomes the problem of “over learning” in neural network training progress.
Źródło:
Archives of Transport; 2016, 39, 3; 21-30
0866-9546
2300-8830
Pojawia się w:
Archives of Transport
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-3 z 3

    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