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 "backpropagation algorithm" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Predictive neural network in multipurpose self-tuning controller
    Autorzy:
    Bondar, Oleksiy
    Powiązania:
    https://bibliotekanauki.pl/articles/386771.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    artificial neural network
    adaptive regulator
    backpropagation algorithm
    system modelling
    Opis:
    A very important problem in designing of controlling systems is to choose the right type of architecture of controller. And it is always a compromise between accuracy, difficulty in setting up, technical complexity and cost, expandability, flexibility and so on. In this paper, multipurpose adaptive controller with implementation of artificial neural network is offered as an answer to a wide range of tasks related to regulation. The effectiveness of the approach is demonstrated by the example of an adaptive thermostat. It also compares its capabilities with those of classic PID controller. The core of this approach is the use of an artificial neural network capable of predicting the behaviour of controlled object within its known range of parameters. Since such a network, being trained, is a model of a regulated system with arbitrary precision, it can be analysed to make optimal management decisions at the moment or in a number of steps. Network learning algorithm is backpropagation and its modified version is used to analyse an already trained network in order to find the optimal solution for the regulator. Software implementation, such as graphical user interface, routines related to neural network and many other, is done using Java programming language and Processing open-source integrated development environment.
    Źródło:
    Acta Mechanica et Automatica; 2020, 14, 2; 114-120
    1898-4088
    2300-5319
    Pojawia się w:
    Acta Mechanica et Automatica
    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
      Wyświetlanie 1-2 z 2

      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