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 "generalized regression neural network" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-7 z 7
    Tytuł:
    Bandwidth selection for kernel generalized regression neural networks in identification of hammerstein systems
    Autorzy:
    Lv, Jiaqing
    Pawlak, Mirosław
    Powiązania:
    https://bibliotekanauki.pl/articles/2031118.pdf
    Data publikacji:
    2021
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    generalized regression neural network
    nonparametric estimation
    bandwidth
    data-driven selection
    nonlinear system
    Hammerstein system
    Opis:
    This paper addresses the issue of data-driven smoothing parameter (bandwidth) selection in the context of nonparametric system identification of dynamic systems. In particular, we examine the identification problem of the block-oriented Hammerstein cascade system. A class of kernel-type Generalized Regression Neural Networks (GRNN) is employed as the identification algorithm. The statistical accuracy of the kernel GRNN estimate is critically influenced by the choice of the bandwidth. Given the need of data-driven bandwidth specification we propose several automatic selection methods that are compared by means of simulation studies. Our experiments reveal that the method referred to as the partitioned cross-validation algorithm can be recommended as the practical procedure for the bandwidth choice for the kernel GRNN estimate in terms of its statistical accuracy and implementation aspects.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2021, 11, 3; 181-194
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    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:
    Dynamic fire risk prevention strategy in underground coal gasification processes by means of artificial neural networks
    Dynamiczna strategia zapobiegania ryzyku pożarowemu z użyciem sztucznych sieci neuronowych w procesach podziemnego zgazowania węgla
    Autorzy:
    Krzemień, Alicja
    Powiązania:
    https://bibliotekanauki.pl/articles/218921.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    dynamiczna strategia zapobiegania ryzyku
    prewencja ryzyka pożarowego
    podziemne zgazowanie węgla (PZW)
    dynamic alarm strategy
    fire risk prevention
    Generalized Regression Neural Network
    Multi-Layer Feedforward Networks (MLFN)
    Multivariate Adaptative Regression Splines (MARS)
    underground coal gasification (UCG)
    Opis:
    Based on data collected during an UCG pilot-scale experiment that took place during 2014 at Wieczorek mine, an active mine located in Upper Silesia (Poland), this research focuses on developing a dynamic fire risk prevention strategy addressing underground coal gasification processes (UCG) within active mines, preventing economic and physical losses derived from fires. To achieve this goal, the forecasting performance of two different kinds of artificial neural network models (generalized regression and multi-layer feedforward) are studied, in order to forecast the syngas temperature at the georeactor outlet with one hour of anticipation, thus giving enough time to UCG operators to adjust the amount and characteristics of the gasifying agents if necessary. The same model could be used to avoid undesired drops in the syngas temperature, as low temperature increases precipitation of contaminants reducing the inner diameter of the return pipeline. As a consequence the whole process of UGC might be stopped. Moreover, it could allow maintaining a high temperature that will lead to an increased efficiency, as UCG is a very exothermic process. Results of this research were compared with the ones obtained by means of Multivariate Adaptative Regression Splines (MARS), a non-parametric regression technique able to model non-linearities that cannot be adequately modelled using other regression methods. Syngas temperature forecast with one hour of anticipation at the georeactor outlet was achieved successfully, and conclusions clearly state that generalized regression neural networks (GRNN) achieve better forecasts than multi-layer feedforward networks (MLFN) and MARS models.
    Przedstawione w niniejszej pracy badania koncentrują się na opracowaniu dynamicznej strategii zapobiegania ryzyku pożarowemu w procesach podziemnego zgazowania węgla (PZW) w czynnych kopalniach. Celem badań jest zapobieganie ekonomicznym i fizycznym stratom wynikającym z pożarów. W pracy wykorzystano dane zebrane podczas pilotowego eksperymentu podziemnego zgazowania węgla, który odbył się w 2014 r. w czynnej Kopalni Węgla Kamiennego „Wieczorek”, zlokalizowanej na Górnym Śląsku. W artykule przeanalizowano działanie dwóch różnych modeli sztucznych sieci neuronowych, tj. sieci neuronowych realizujących uogólnione regresje GRNN oraz wielowarstwowych sieci perceptronowych MLFN, w celu prognozowania temperatury gazu syntezowego na wyjściu z georeaktora z godzinnym wyprzedzeniem. Informacja na temat temperatury na godzinę „do przodu” daje wystarczająco dużo czasu operatorowi procesu PZW na dostosowanie ilości i właściwości czynników zgazowujących do zaistniałej sytuacji. Ten sam model można zastosować do uniknięcia niepożądanych spadków temperatury gazu syntezowego. Niska temperatura gazu sprzyja wytrącaniu się osadu (substancji smolistych), powodując zmniejszanie średnicy rurociągu odbioru gazu, co w konsekwencji może prowadzić do całkowitego zatrzymania procesu zgazowania. Model pozwala również na utrzymanie wysokiej temperatury, która prowadzi do zwiększonej wydajności procesu PZW, szczególnie biorąc pod uwagę, że PZW jest procesem bardzo egzotermicznym. Wyniki zrealizowanych badań porównano z rezultatami uzyskanymi za pomocą modelu MARS – nieparametrycznej metody regresji zdolnej do modelowania zależność nieliniowych, których nie można odpowiednio modelować przy użyciu innych metod regresji. Prognoza temperatury gazu na godzinę „do przodu” na wylocie georeaktora została osiągnięta z powodzeniem, a wnioski jasno pokazują, że sieci neuronowe realizujące uogólnione regresje (GRNN – Generalized Regression Neural Networks) osiągają lepsze rezultaty niż wielowarstwowe sieci jednokierunkowe (MLFN – Multi-Layer Feedforward Networks) i modele MARS (Multivariate Adaptative Regression Splines).
    Źródło:
    Archives of Mining Sciences; 2019, 64, 1; 3-19
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    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:
    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
    Tytuł:
    Pattern layer reduction for a generalized regression neural network by using a self-organizing map
    Autorzy:
    Kartal, S.
    Oral, M.
    Ozyildirim, B. M.
    Powiązania:
    https://bibliotekanauki.pl/articles/329728.pdf
    Data publikacji:
    2018
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    generalized regression neural network
    artificial neural network
    self organizing map
    nearest neighbour
    reduced dataset
    sztuczna sieć neuronowa
    mapa samoorganizująca
    metoda najbliższych sąsiadów
    redukcja zbioru danych
    Opis:
    In a general regression neural network (GRNN), the number of neurons in the pattern layer is proportional to the number of training samples in the dataset. The use of a GRNN in applications that have relatively large datasets becomes troublesome due to the architecture and speed required. The great number of neurons in the pattern layer requires a substantial increase in memory usage and causes a substantial decrease in calculation speed. Therefore, there is a strong need for pattern layer size reduction. In this study, a self-organizing map (SOM) structure is introduced as a pre-processor for the GRNN. First, an SOM is generated for the training dataset. Second, each training record is labelled with the most similar map unit. Lastly, when a new test record is applied to the network, the most similar map units are detected, and the training data that have the same labels as the detected units are fed into the network instead of the entire training dataset. This scheme enables a considerable reduction in the pattern layer size. The proposed hybrid model was evaluated by using fifteen benchmark test functions and eight different UCI datasets. According to the simulation results, the proposed model significantly simplifies the GRNN’s structure without any performance loss.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2018, 28, 2; 411-424
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-7 z 7

      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