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 "Sztuczne sieci neuronowe (SSN)" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Type of modulation identification using Wavelet Transform and Neural Network
    Autorzy:
    Walenczykowska, M.
    Kawalec, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/201661.pdf
    Data publikacji:
    2016
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    modulation identification
    artificial neural networks
    continuous wavelet transform (CWT)
    identyfikacja modulacji
    sztuczne sieci neuronowe (SSN)
    transformacja falkowa (CWT)
    Opis:
    Automatic recognition of the signal modulation type turned out to be useful in many areas, including electronic warfare or surveillance. The wavelet transform is an effective way to extract signal features for identification purposes. In this paper there are M-ary ASK, M-ary PSK, M-ary FSK, M-ary QAM, OOK and MSK signals analysed. The mean value, variance and central moments up to five of continuous wavelet transform (CWT) are used as signal features. The principal component analysis (PCA) is applied to reduce a number of features. A multi-layer neural network trained with backpropagation learning algorithm is considered as a classifier. There are two research variants: interclass and intraclass recognition with a wide range of signal-to-noise ratio (SNR).
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2016, 64, 1; 257-261
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predykcja szeregów czasowych algorytmem uwzględniającym przesuwne okno czasowe i podział jednostkowy szeregów
    Time Series Prediction Algorithm Containing Time Window and Divition Unit Series
    Autorzy:
    Hadaś-Dyduch, Monika
    Powiązania:
    https://bibliotekanauki.pl/articles/589443.pdf
    Data publikacji:
    2015
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Algorytmy
    Analiza falkowa
    Prognozowanie
    Szeregi czasowe
    Sztuczne sieci neuronowe (SSN)
    Algorithms
    Artificial neural networks (ANN)
    Forecasting
    Time-series
    Wavelet analysis
    Opis:
    Celem artykułu jest przedstawienie autorskiego algorytmu do predykcji szeregów czasowych. Algorytm oparto na sztucznych sieciach neuronowych oraz analizie wielorozdzielczej. Jednakże główną cechą algorytmu, dającą dobrą jakość prognozy, jest podział wszystkich uwzględnionych w analizie szeregów na kilkuelementowe podszeregi oraz uzależnienie predykcji danego szeregu od innych szeregów ekonomicznych. Aplikację algorytmu przeprowadzono na szeregu prezentującym WIG. Prognozę WIG uzależniono od notowań indeksów Dow Jones, DAX, Nikkei, Hang Seng, z uwzględnieniem przesuwnego okna czasowego. Wyznaczono, jako przykładową aplikację autorską, prognozę WIG na okres 10, 20 i 30 dni.
    This article presents the author's algorithm for time series prediction. The algorithm based on artificial neural networks and multiresolution analysis. However, the main feature of the algorithm, giving a good quality of forecasts, it is all included in the division series analysis on several elements under-series and dependence prediction of a series of other economic ranks. The application of the algorithm was performed on a series of presenting WIG. The forecast WIG made dependent on trading the Dow Jones, DAX, Nikkei, Hang Seng taking into account the shift of the time window. They were, as a sample application copyright forecast WIG for a period of 10, 20 and 30 days.
    Źródło:
    Studia Ekonomiczne; 2015, 241; 40-50
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie sztucznych sieci neuronowych do wyznaczania przepuszczalności skał na podstawie danych otworowych z rejonu Dzików–Wola Obszańska w północno-wschodniej części zapadliska przedkarpackiego
    Artificial Neural Networks applying for determining the absolute rock permeability on the basis of data from boreholes situated on the Dzików–Wola Obszańska area (northeastern part of the Carpathian Foredeep Basin)
    Autorzy:
    Jarzyna, J.
    Prętka, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/2063104.pdf
    Data publikacji:
    2010
    Wydawca:
    Państwowy Instytut Geologiczny – Państwowy Instytut Badawczy
    Tematy:
    przepuszczalność skał
    sztuczne sieci neuronowe SSN
    selekcja danych wejściowych
    profilowania geofizyki otworowej
    rock permeability
    artificial neural networks
    input data selection
    well logging
    Opis:
    Zbadano zdolność sztucznych sieci neuronowych SNN do oceny przepuszczalności absolutnej skał. Do tego celu wykorzystano dane z pięciu otworów wiertniczych, zlokalizowanych w północno-wschodniej części zapadliska przedkarpackiego: Dzików 16, 17, 20 oraz Wola Obszańska 10 i 15. Modele neuronowe stworzono na podstawie wyników badań laboratoryjnych próbek skał pobranych w wymienionych otworach, profilowań geofizyki otworowej oraz wyników kompleksowej interpretacji tych profilowań. Otrzymano SSN, służącą do odtwarzania wartości przepuszczalności całkowitej, określonej w laboratorium. Następnie model neuronowy wdrożono do estymowania przepuszczalności w otworze wiertniczym DZ17, przenosząc tym samym rozpoznane wcześniej zależności na nowy zbiór danych. Sieci neuronowe mogą stanowić alternatywę dla klasycznych metod wyznaczania przepuszczalności skał.
    The absolute rock permeability was determinated with the use of artificial neural networks (ANN). Authors checked up ANN ability to determine permeability on the data from five borehole locked in northeastern part of the Carpathian Foredeep: Dzików 16, 17, 20 and Wola Obszańska 10 and 15. Neural models were built on the basis of results from laboratory tests, well logs data and the results of the comprehensive interpretation. ANN provided good results in estimating laboratory permeability. The best neural network was applied on similar data set from DZ17 borehole to show that complicated links between input variable and absolute permeability can be used for prediction of permeability from another data. It is hard to find deft deterministic model for permeability estimation so neural model gained in training process is an alternative method.
    Źródło:
    Biuletyn Państwowego Instytutu Geologicznego; 2010, 439 (2); 399--402
    0867-6143
    Pojawia się w:
    Biuletyn Państwowego Instytutu Geologicznego
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wybrane przykłady zastosowań sztucznych sieci neuronowych w geotechnice
    Selected examples of the use of artificial neural networks in geotechnics
    Autorzy:
    Ochmański, M.
    Bzówka, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/402683.pdf
    Data publikacji:
    2013
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    sztuczne sieci neuronowe (SSN)
    kalibracja modelu numerycznego
    analiza wsteczna
    tunel SCL
    kolumny iniekcyjne
    artificial neural network (ANN)
    calibration of numerical model
    retrograde analysis
    SCL tunnel
    injection columns
    Opis:
    Sztuczne sieci neuronowe (SSN) umożliwiają rozwiązywanie problemów bardzo trudnych lub wręcz niemożliwych wcześniej do rozwiązania. W referacie zostaną przedstawione przykłady zastosowania sztucznych sieci neuronowych do rozwiązań wybranych problemów geotechnicznych. Pierwszy przykład dotyczy wykorzystania sztucznych sieci neuronowych do analizy przemieszczeń dwóch bliźniaczych tuneli wykonanych w technologii SCL (Sprayed Concrete Linning). Konstrukcja poddana analizie jest częścią stacji Fővám, czwartej linii metra w Budapeszcie. Analizę przeprowadzono bazując na danych uzyskanych podczas budowy linii metra oraz monitoringu geotechnicznego. W celu analizy opracowano model numeryczny, który posłużył do przeprowadzenia w pierwszej kolejności analizy wrażliwości użytych parametrów modelu konstytutywnego oraz do analizy wstecznej tych parametrów. W przypadku obu analiz posłużono się sztucznymi sieciami neuronowymi, które pokazały łatwość ich zastosowania oraz wiarygodność uzyskanych wyników. W drugim przykładzie przedstawiono sposób przewidywania średnicy kolumn iniekcyjnych. Określenie kształtu kolumn iniekcyjnych, w tym głównie ich średnicy, jest bardzo trudne. Możliwość zastosowania sztucznych sieci neuronowych do określenia średnicy kolumn może w znaczący sposób zoptymalizować metody projektowania kolumn iniekcyjnych. W przykładzie posłużono się obszerną bazą danych zawierającą opis warunków gruntowo-wodnych podłoża, w którym wykonano kolumny iniekcyjne i pomierzone wartości średnic kolumn po ich odsłonięciu. Dane związane z kolumnami iniekcyjnymi zostały wykorzystane do utworzenia sztucznej sieci neuronowej, a następnie do określenia przewidywanych średnic kolumn iniekcyjnych. Uzyskane wyniki charakteryzują się bardzo dobrą zbieżnością z rzeczywistymi wymiarami kolumn. Wykorzystanie sztucznych sieci neuronowych stanowi alternatywę wobec tradycyjnych metod rozwiązywania problemów geotechnicznych.
    Artificial Neural Networks (ANN) allow to solve difficult problems which sometimes are impossibleto solve using traditional methods. In the paper the examples of application of Artificial Neural Networks for solving selected problems in geotechnics are presented. First example deals with the use of ANN to analyze two similar tunnels built using SCL technology. The structure of interest is a part of Fővám square station of the 4th metro line in Budapest. Analysis was performed based on the data obtained from geotechnical monitoring and from construction stages. The numerical model was prepared for the purpose of sensitivity and back analyses of constitutive model parameters. In both cases the applications show the possibility and reliability of conducted results. Prediction method of jet grouting columns diameter was presented in the second example. Nowadays, definition of columns geometry and estimation of their diameters are difficult task. Possibility of ANN use for estimation of jet grouting columns diameter can optimize designing method. Wide database of field trial jet grouting columns, corresponding soil properties and their forming parameters with measured values of their diameters were used in the presented example. Data describing jet grouting columns were used for creating ANN and for estimating their diameters. The results are characterized by high correlation level between measured values of columns diameter and their predicted equivalents. The use of Artificial Neural Networks is an alternative method which can allow us to solve complex geotechnical problems. Selected examples confirm that the use of ANN is characterized by high reliability level.
    Źródło:
    Budownictwo i Inżynieria Środowiska; 2013, 4, 4; 287-294
    2081-3279
    Pojawia się w:
    Budownictwo i Inżynieria Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie SSN do predykcji zużycia węglowych nakładek odbieraka prądu
    Application of artificial neural networks for prediction of pantograph carbon strips wear
    Autorzy:
    Kuźnar, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/404331.pdf
    Data publikacji:
    2017
    Wydawca:
    Polskie Towarzystwo Symulacji Komputerowej
    Tematy:
    odbierak prądu
    pantograf
    węglowa nakładka ślizgowa
    diagnostyka
    prognoza zużycia
    sztuczne sieci neuronowe
    SSN
    current collector
    pantograph
    carbon sliding strip
    diagnostics
    wear prediction
    artificial neural networks
    ANN
    Opis:
    Odbieraki prądu w pojeździe trakcyjnym służą do poboru prądu z sieci trakcyjnej. Elementem mającym bezpośredni kontakt z przewodem jezdnym jest ślizgacz, a dokładniej węglowa nakładka stykowa, narażona zarówno na zużycie eksploatacyjne, jak i różnego rodzaju uszkodzenia związane z użytkowaniem. Jest elementem odbieraka najczęściej wymienianym. W celu ustalenia przyczyny uszkodzenia nakładki konieczna jest znajomość typu uszkodzenia. Przyczyna wymiany nakładki wnioskowana może być na podstawie charakterystyki zużycia węglowych nakładek stykowych. W celu predykcji zużycia węglowych nakładek stykowych zastosowano Sztuczną Sieć Neuronową typu Feed-Forward z propagacją wsteczną o 6 warstwach ukrytych po 10 neuronów w każdej warstwie. Błąd średniokwadratowy dla procesu uczenia sieci wyniósł 0,578, a wyniki dotyczące predykcji zużycia nakładki przedstawiono w artykule.
    In the traction vehicles, current consumption from the overhead contact line is possible thanks to the current collectors (pantographs). An element that has a direct contact with the contact wire is a slide plate, and more specifically, a carbon contact strips. Affected by both operational wear and various types of damage related to operational maintenance, carbon strip is the element which most commonly need to be exchanged. To determine the cause of damage to the contact strip, it is necessary to know the type of damage. The reason for replacing the carbon contact strip may be claimed on the basis of the wear characteristics. In order to predict the wear of carbon strip, a Feed-Forward Artificial Neural Network with backward propagation of 6 hidden layers and 10 neurons in each layer was applied. The mean square error for the network learning process was 0.578, and the results for the pantograph contact strip wear were presented in the article.
    Źródło:
    Symulacja w Badaniach i Rozwoju; 2017, 8, 3-4; 97-103
    2081-6154
    Pojawia się w:
    Symulacja w Badaniach i Rozwoju
    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