Informacja

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

Wyszukujesz frazę "język programowania R" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
The evaluation of Qα based on experimental masses and other properties of atomic nuclei
Oszacowanie Qα na podstawie eksperymentalnie wyznaczonych mas i innych własności jąder atomowych
Autorzy:
Krajka, A.
Łojewski, Z.
Mitura, R.
Powiązania:
https://bibliotekanauki.pl/articles/157732.pdf
Data publikacji:
2013
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
atomic mass
data mining
energy
nucleons
R language
regression
energia
język programowania R
masa atomowa
nukleony
regresja
Opis:
The specially interesting experimental value, in the nuclear physic, describing the alpha decay is the decay energy Qα. This energy is a key to understanding the series of nuclei disorders. On the basis of decay energy we may compute sequential masses and energy of unstable nuclides. Because alpha is the helium element, thus from a nucleus with N neutrons and Z protons after the alpha decay we obtain a nucleus with N-2 and Z-2 protons and neutrons, respectively. It is natural to compute Qα as a difference between the mass of nuclei with N neutrons and Z protons and masses obtained after decay i.e. the mass of nuclei with N-2 neutrons and Z-2 protons and the mass of helium element. We tested this known “classical“ formula based on a large collection of the newest experimental data, the so called AME2012 and NUBASE2012 data bases. We computed accurate constants in the “classical” formula. Additionally, we showed inadequacy of the “classical” model. The almost three times better model is the one based on a neutral network (named in paper MSN) but we prefer slightly better (in comparison with MSN) the nonlinear regression model (named MQT). MQT is the development of the “classical” method taking additionally into account the terms with separation energy neutrons and protons multiplied by multinomials of numbers of neutrons N and protons Z, respectively. In the paper we show how the mentioned above methods may be used to prediction of unknown values of Qα. All computations were made in language R.
Szczególnie interesującą wielkością w fizyce jądrowej jest energia rozpadu cząstki alfa. Wielkość ta umożliwia odtworzenie mas i energii jąder szybko zmieniających się w przemianach jądrowych pierwiastków. Ponieważ cząstka alfa jest jądrem atomu helu, więc z jądra o N neutronach i Z protonach otrzymujemy po przemianie jądro o N-2 neutronach i Z-2 protonach oraz jądro atomu helu. Dlatego naturalne jest szacowanie energii Qα jako różnicy mas jądra przed przemianą i jądra po przemianie wraz z masą atomu helu. Jest to tzw. “klasyczny” sposób obliczania energii Qα. Na podstawie dużego zbioru nowo uzyskanych eksperymentalnych wyników (bazy danych AME2012 I NUBASE2012) chcielibyśmy w tej pracy zweryfikować “klasyczny” sposób obliczania Qα. Obliczymy dokładniej stałe występujące w “klasycznym” wzorze a potem pokażemy, że niektóre inne metody dają zdecydowanie mniejszy błąd niż wspomniana “klasyczna” metoda. W szczególności opiszemy sieci neuronowe (MSN) oraz przedstawimy preferowaną przez nas metodę MQT opartą na nieliniowej regresji. MQT może być traktowana jako rozwinięcie “klasycznej” metody poprzez uwzględnieni dodatkowo członów z energiami separacji protonów i neutronów pomnożonych przez odpowiednie wielomiany od liczby protonów i neutronów. Dodatkowo pokażemy jak te wszystkie metody służą do prognozowania nieznanych wartości Qα. Wszystkie obliczenia wykonaliśmy w języku R.
Źródło:
Pomiary Automatyka Kontrola; 2013, R. 59, nr 10, 10; 1128-1132
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Application of deep learning techniques in identification of the structure of selected road materials
Zastosowanie techniki głębokiego uczenia do identyfikacji struktury wybranych materiałów drogowych
Autorzy:
Mazurek, Grzegorz
Durlej, Małgorzata
Šrámek, Juraj
Powiązania:
https://bibliotekanauki.pl/articles/27314909.pdf
Data publikacji:
2023
Wydawca:
Politechnika Świętokrzyska w Kielcach. Wydawnictwo PŚw
Tematy:
deep learning
tomograph
R programming language
classification
road surfaces
correlation
digital image
głębokie uczenie
tomograf
język programowania R
klasyfikacja
nawierzchnie drogowe
korelacja
obraz cyfrowy
Opis:
In research, there is a growing interest in using artificial intelligence to find solutions to difficult scientific problems. In this paper, a deep learning algorithm has been applied using images of samples of materials used for road surfaces. The photographs showed cross-sections of random samples taken with a CT scanner. Historical samples were used for the analysis, located in a database collecting information over many years. The deep learning analysis was performed using some elements of the VGG16 network architecture and implemented using the R language. The learning and training data were augmented and cross-validated. This resulted in the high level of 96.4% quality identification of the sample type and its selected structural features. The photographs in the identification set were correctly identified in terms of structure, mix type and grain size. The trained model identified samples in the domain of the dataset used for training in a very good way. As a result, in the future such a methodology may facilitate the identification of the type of mixture, its basic properties and defects.
W badaniach naukowych obserwuje się coraz większe zainteresowanie wykorzystaniem sztucznej inteligencji do poszukiwania rozwiązań trudnych problemów naukowych. W niniejszym artykule został zastosowany algorytm głębokiego uczenia z użyciem obrazów próbek materiałów wykorzystywanych do budowy nawierzchni drogowych. Fotografie przedstawiały przekroje losowych próbek wykonane za pomocą tomografu komputerowego. Do analizy wykorzystano próbki historyczne, znajdujące się w bazie danych zbierającej informacje z wielu lat. Analizę głębokiego uczenia wykonano przy użyciu niektórych elementów architektury sieci VGG16 i zaimplementowano, stosując język R. Dane uczące oraz treningowe poddano augmentacji oraz walidacji krzyżowej. W rezultacie uzyskano wysoki poziom 96,4% jakości identyfikacji rodzaju próbki oraz jej wybranych cech strukturalnych. Fotografie w zbiorze identyfikacyjnym zostały poprawnie zidentyfikowane pod względem struktury, typu mieszanki oraz uziarnienia. Wytrenowany model w bardzo dobry sposób zidentyfikował próbki w obszarze dziedziny trenowanego zbioru danych. W rezultacie taka metodyka może w przyszłości ułatwić identyfikację rodzaju mieszanki, jej podstawowych właściwości oraz defektów.
Źródło:
Structure and Environment; 2023, 15, 3; 159--167
2081-1500
Pojawia się w:
Structure and Environment
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