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 "machine selection" wg kryterium: Temat

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 33
Tytuł:
A cough-based COVID-19 detection with gammatone and Mel-frequency cepstral coefficients
Autorzy:
Benmalek, Elmehdi
El Mhamdi, Jamal
Jilbab, Abdelilah
Jbari, Atman
Powiązania:
https://bibliotekanauki.pl/articles/2203646.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
Tematy:
COVID-19
cough recordings
machine learning
mel-frequency cepstral coefficients
gammatone cepstral coefficients
feature selection
uczenie maszynowe
współczynniki mel-cepstralne
Opis:
Many countries have adopted a public health approach that aims to address the particular challenges faced during the pandemic Coronavirus disease 2019 (COVID-19). Researchers mobilized to manage and limit the spread of the virus, and multiple artificial intelligence-based systems are designed to automatically detect the disease. Among these systems, voice-based ones since the virus have a major impact on voice production due to the respiratory system's dysfunction. In this paper, we investigate and analyze the effectiveness of cough analysis to accurately detect COVID-19. To do so, we distinguished positive COVID patients from healthy controls. After the gammatone cepstral coefficients (GTCC) and the Mel-frequency cepstral coefficients (MFCC) extraction, we have done the feature selection (FS) and classification with multiple machine learning algorithms. By combining all features and the 3-nearest neighbor (3NN) classifier, we achieved the highest classification results. The model is able to detect COVID-19 patients with accuracy and an f1-score above 98 percent. When applying FS, the higher accuracy and F1-score were achieved by the same model and the ReliefF algorithm, we lose 1 percent of accuracy by mapping only 12 features instead of the original 53.
Źródło:
Diagnostyka; 2023, 24, 2; art. no. 2023214
1641-6414
2449-5220
Pojawia się w:
Diagnostyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Applying Hunger Game Search (HGS) for selecting significant blood indicators for early prediction of ICU COVID-19 severity
Autorzy:
Sayed, Safynaz AbdEl-Fattah
ElKorany, Abeer
Sayed, Sabah
Powiązania:
https://bibliotekanauki.pl/articles/27312915.pdf
Data publikacji:
2023
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
ICU severity prediction
COVID-19
clinical blood tests
Hunger Game search
HGS
optimization algorithm
support vector machine
SVM
feature selection
Opis:
This paper introduces an early prognostic model for attempting to predict the severity of patients for ICU admission and detect the most significant features that affect the prediction process using clinical blood data. The proposed model predicts ICU admission for high-severity patients during the first two hours of hospital admission, which would help assist clinicians in decision-making and enable the efficient use of hospital resources. The Hunger Game search (HGS) meta-heuristic algorithm and a support vector machine (SVM) have been integrated to build the proposed prediction model. Furthermore, these have been used for selecting the most informative features from blood test data. Experiments have shown that using HGS for selecting features with the SVM classifier achieved excellent results as compared with four other meta-heuristic algorithms. The model that used the features that were selected by the HGS algorithm accomplished the topmost results (98.6 and 96.5%) for the best and mean accuracy, respectively, as compared to using all of the features that were selected by other popular optimization algorithms.
Źródło:
Computer Science; 2023, 24 (1); 113--136
1508-2806
2300-7036
Pojawia się w:
Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Enhancing Intrusion Detection in Industrial Internet of Things through Automated Preprocessing
Autorzy:
Sezgin, Anıl
Boyacı, Aytuğ
Powiązania:
https://bibliotekanauki.pl/articles/2201911.pdf
Data publikacji:
2023
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
feature selection
intrusion detection
machine learning
industrial internet of things
Internet of things
IIoT
Opis:
Industrial Internet of Things (IIoT) is a rapidly growing field, where interconnected devices and systems are used to improve operational efficiency and productivity. However, the extensive connectivity and data exchange in the IIoT environment make it vulnerable to cyberattacks. Intrusion detection systems (IDS) are used to monitor IIoT networks and identify potential security breaches. Feature selection is an essential step in the IDS process, as it can reduce computational complexity and improve the accuracy of the system. In this research paper, we propose a hybrid feature selection approach for intrusion detection in the IIoT environment using Shapley values and a genetic algorithm-based automated preprocessing technique which has three automated steps including imputation, scaling and feature selection. Shapley values are used to evaluate the importance of features, while the genetic algorithm-based automated preprocessing technique optimizes feature selection. We evaluate the proposed approach on a publicly available dataset and compare its performance with existing state-of-the-art methods. The experimental results demonstrate that the proposed approach outperforms existing methods, achieving high accuracy, precision, recall, and F1-score. The proposed approach has the potential to enhance the performance of IDS in the IIoT environment and improve the overall security of critical industrial systems.
Źródło:
Advances in Science and Technology. Research Journal; 2023, 17, 2; 120--135
2299-8624
Pojawia się w:
Advances in Science and Technology. Research Journal
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Hybrid feature selection and support vector machine framework for predicting maintenance failures
Autorzy:
Tarik, Mouna
Mniai, Ayoub
Jebari, Khalid
Powiązania:
https://bibliotekanauki.pl/articles/30148252.pdf
Data publikacji:
2023
Wydawca:
Polskie Towarzystwo Promocji Wiedzy
Tematy:
predictive maintenance
machine learning
features selection
SMOTE-Tomek
Support Vector Machine
Opis:
The main aim of predictive maintenance is to minimize downtime, failure risks and maintenance costs in manufacturing systems. Over the past few years, machine learning methods gained ground with diverse and successful applications in the area of predictive maintenance. This study shows that performing preprocessing techniques such as over¬sampling and feature selection for failure prediction is promising. For instance, to handle imbalanced data, the SMOTE-Tomek method is used. For feature selection, three different methods can be applied: Recursive Feature Elimination, Random Forest and Variance Threshold. The data considered in this paper for simulation are used in literature. They are used to measure aircraft engine sensors to predict engine failures, while the prediction algorithm used is a Support Vector Machine. The results show that classification accuracy can be significantly boosted by using the preprocessing techniques.
Źródło:
Applied Computer Science; 2023, 19, 2; 112-124
1895-3735
2353-6977
Pojawia się w:
Applied Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Sleep Snoring Sound Recognition Based on Wavelet Packet Transform
Autorzy:
Ding, Li
Peng, Jianxin
Zhang, Xiaowen
Song, Lijuan
Powiązania:
https://bibliotekanauki.pl/articles/31339924.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Czasopisma i Monografie PAN
Tematy:
snoring recognition
wavelet packet transform
feature selection
machine learning
Opis:
Snoring is a typical and intuitive symptom of the obstructive sleep apnea hypopnea syndrome (OSAHS), which is a kind of sleep-related respiratory disorder having adverse effects on people’s lives. Detecting snoring sounds from the whole night recorded sounds is the first but the most important step for the snoring analysis of OSAHS. An automatic snoring detection system based on the wavelet packet transform (WPT) with an eXtreme Gradient Boosting (XGBoost) classifier is proposed in the paper, which recognizes snoring sounds from the enhanced episodes by the generalization subspace noise reduction algorithm. The feature selection technology based on correlation analysis is applied to select the most discriminative WPT features. The selected features yield a high sensitivity of 97.27% and a precision of 96.48% on the test set. The recognition performance demonstrates that WPT is effective in the analysis of snoring and non-snoring sounds, and the difference is exhibited much more comprehensively by sub-bands with smaller frequency ranges. The distribution of snoring sound is mainly on the middle and low frequency parts, there is also evident difference between snoring and non-snoring sounds on the high frequency part.
Źródło:
Archives of Acoustics; 2023, 48, 1; 3-12
0137-5075
Pojawia się w:
Archives of Acoustics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Prediction of type 2 diabetes mellitus using feature selection-based machine learning algorithms
Przewidywanie cukrzycy typu 2 z wykorzystaniem algorytmów uczenia maszynowego opartych na selekcji cech
Autorzy:
Yılmaz, Atınç
Powiązania:
https://bibliotekanauki.pl/articles/2056596.pdf
Data publikacji:
2022
Wydawca:
Akademia Bialska Nauk Stosowanych im. Jana Pawła II w Białej Podlaskiej
Tematy:
feature selection
health information system
type 2 diabetes
machine learning
nursing care
selekcja cech
system informacji zdrowotnej
cukrzyca typu 2
uczenie maszynowe
opieka pielęgniarska
Opis:
Background. The aim of this study is to develop and evaluate a machine learning model for the early diagnosis of type 2 diabetes to allow for treatments to be applied in the early stages of the disease. Material and methods. A proposed hybrid machine learning model was developed and applied to the Early-stage diabetes risk prediction dataset from the UCI database. The prediction success of the proposed model was compared with other machine learning models. Pearson’s correlation and SelectKBest feature selection methods were employed to examine the relationships between the dataset input parameters and the results. Results. Of the 520 patients included in the dataset, 320 were diagnosed with diabetes and 328 (63.08%) were males. The most commonly observed diabetes diagnosis criterion was obesity (n=482, 83.08%). While the strongest feature detected with Pearson’s correlation was polyuria, the strongest feature detected with SelectKBest was polydipsia. With Pearson’s feature extraction, the most successful machine learning method was the proposed hybrid method, with an accuracy of 97.28%. Using SelectKBest feature selection, the same model was able to predict type 2 diabetes with accuracy of 95.16%. Conclusions. Early detection of type 2 diabetes will allow for a prompter and more effective treatment of the patient. Thus, use of the proposed model may help to improve the quality of patient care and lower the number of deaths caused by this disease.
Wprowadzenie. Celem niniejszego badania jest opracowanie i ewaluacja modelu uczenia maszynowego umożliwiającego wczesną diagnozę cukrzycy typu 2, która pozwala na podjęcie leczenia na początkowym etapie choroby. Materiał i metody. Zaproponowany hybrydowy model uczenia maszynowego został przygotowany i zastosowany z wykorzystaniem zbioru danych Early-stage diabetes risk prediction dataset pochodzącego z bazy UCI. Proponowany model porównano z innymi modelami uczenia maszynowego pod względem skuteczności przewidywania. Aby zbadać związek pomiędzy parametrami wejściowymi zbioru danych a wynikami, zastosowano metodę korelacji Pearsona oraz metodę selekcji cech SelectKBest. Wyniki. Spośród 520 przypadków uwzględnionych w zbiorze danych, 320 miało rozpoznaną cukrzycę, a 328 z nich (63,08%) to mężczyźni. Najczęstszym kryterium rozpoznania cukrzycy była otyłość (n=482, 83,08%). Podczas gdy najsilniejszą cechą wykrytą metodą Pearsona była poliuria, najsilniejszą cechą wykrytą metodą SelectKBest okazała się polidypsja. W przypadku ekstrakcji cech Pearsona najskuteczniejszą metodą uczenia maszynowego była zaproponowana metoda hybrydowa, której dokładność wynosi 97,28%. Ten sam model był w stanie przewidzieć zachorowanie na cukrzycę typu 2 z dokładnością 95,16% za pomocą selekcji cech SelectKBest. Wnioski. Wczesne wykrycie cukrzycy typu 2 pozwoli na szybsze i skuteczniejsze leczenie pacjenta. Dlatego też zaproponowany model może pomóc w podniesieniu jakości opieki nad pacjentami, a także w obniżeniu liczby zgonów spowodowanych tą chorobą.
Źródło:
Health Problems of Civilization; 2022, 16, 2; 128-139
2353-6942
2354-0265
Pojawia się w:
Health Problems of Civilization
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Breast cancer diagnosis using wrapper-based feature selection and artificial neural network
Autorzy:
Naveed, Nawazish
Madhloom, Hayan T.
Husain, Mohd Shahid
Powiązania:
https://bibliotekanauki.pl/articles/1956040.pdf
Data publikacji:
2021
Wydawca:
Polskie Towarzystwo Promocji Wiedzy
Tematy:
breast cancer diagnosis
feature selection
neural network
grid search
machine learning
diagnostyka raka piersi
dobór cech
sieć neuronowa
przeszukiwanie sieci
uczenie maszynowe
Opis:
Breast cancer is commonest type of cancers among women. Early diagnosis plays a significant role in reducing the fatality rate. The main objective of this study is to propose an efficient approach to classify breast cancer tumor into either benign or malignant based on digitized image of a fine needle aspirate (FNA) of a breast mass represented by the Wisconsin Breast Cancer Dataset. Two wrapper-based feature selection methods, namely, sequential forward selection(SFS) and sequential backward selection (SBS) are used to identify the most discriminant features which can contribute to improve the classification performance. The feed forward neural network (FFNN) is used as a classification algorithm. The learning algorithm hyper-parameters are optimized using the grid search process. After selecting the optimal classification model, the data is divided into training set and testing set and the performance was evaluated. The feature space is reduced from nine feature to seven and six features using SFS and SBS respectively. The highest classification accuracy recorded was 99.03% with FFNN using the seven SFS selected features. While accuracy recorded with the six SBS selected features was 98.54%. The obtained results indicate that the proposed approach is effective in terms of feature space reduction leading to better accuracy and efficient classification model.
Źródło:
Applied Computer Science; 2021, 17, 3; 19-30
1895-3735
Pojawia się w:
Applied Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Colour Difference Classification for Dyed Fabrics Based on Differential Evolution with Dynamic Parameter Selection to Optimise the Output Regularisation Extreme Learning Machine
Wybór parametrów w celu optymalizacji regularyzacji wyjściowej maszyny uczącej się
Autorzy:
Zhou, Zhiyu
Liu, Dexin
Zhang, Jianxin
Zhu, Zefei
Yang, Donghe
Jiang, Likai
Powiązania:
https://bibliotekanauki.pl/articles/1419657.pdf
Data publikacji:
2021
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
Tematy:
colour difference classification
differential evolution
extreme learning machine
output regularisation
parameter selection
klasyfikacja różnicy kolorów
ewolucja różnicowa
maszyna ucząca się
regularyzacja wyjściowa
dobór parametru
Opis:
A novel optimisation technique based on the differential evolution (DE) algorithm with dynamic parameter selection (DPS-DE) is proposed to develop a colour difference classification model for dyed fabrics, improve the classification accuracy, and optimise the output regularisation extreme learning machine (RELM). The technique proposed is known as DPS-DE-RELM and has three major differences compared with DE-ELM: (1) Considering that the traditional ELM provides an illness solution based on the output weights, DE is proposed to optimise the output of the RELM. (2) Considering the simple parameter setting of the traditional algorithm, the DE algorithm with DPS is adopted. (3) For DPS, an optimal range of parameters is chosen, and the efficiency of the algorithm is significantly improved. This study analyses the colour difference classification of fabric images captured under standard lighting based on the DPS-DE-RELM algorithm. First, the colour difference of the fabric images is calculated and six color-difference-related features extracted, and second the features are classified into five different levels based on the perception of humans. Finally, a colour difference classification model is built based on the DPS-DERELM algorithm, and then the optimal classification model suitable for this study is selected. The experimental results show that the output method with regularisation parameters can achieve a maximum classification accuracy of 98.87%, which is higher compared with the aforementioned optimised original ELM algorithm, which can achieve a maximum accuracy of 84.67%. Therefore, the method proposed has the advantages of greater convergence speed, high classification accuracy, and robustness.
W pracy zaproponowano nowatorską technikę optymalizacji opartą na algorytmie ewolucji różnicowej (DE) z doborem parametrów (DPS-DE) w celu opracowania modelu klasyfikacji różnicy kolorów dla tkanin barwionych, poprawy dokładności klasyfikacji i optymalizacji regularyzacji wyjściowej maszyny do uczącej się (RELM). Zaproponowana technika jest znana jako DPS-DE-RELM i cechuje się trzema głównymi różnicami w porównaniu do DE-ELM: (1) Biorąc pod uwagę, że tradycyjny ELM zapewnia rozwiązanie w oparciu o wagi wyjściowe, proponuje się DE w celu optymalizacji wydajności RELM. (2) Biorąc pod uwagę proste ustawienie parametrów tradycyjnego algorytmu, przyjęto algorytm DE z DPS. (3) W przypadku DPS wybierany jest optymalny zakres parametrów, a wydajność algorytmu znacznie się poprawia. Podczas badania przeanalizowano klasyfikację różnic kolorów obrazów tkanin zarejestrowanych w standardowym oświetleniu w oparciu o algorytm DPS-DE-RELM. Po pierwsze, obliczono różnicę kolorów obrazów tkanin i wyodrębniono sześć cech związanych z różnicą kolorów, a po drugie cechy te zaklasyfikowano na pięciu różnych poziomach w oparciu o percepcję ludzi. Na koniec zbudowano model klasyfikacji różnicy kolorów w oparciu o algorytm DPS-DE-RELM, a następnie wybrano optymalny model klasyfikacji odpowiedni do tego badania. Wyniki eksperymentalne pokazały, że metoda wyjściowa z parametrami regularyzacji może osiągnąć maksymalną dokładność klasyfikacji wynoszącą 98,87%, czyli wyższą w porównaniu z zoptymalizowanym oryginalnym algorytmem ELM, który może osiągnąć maksymalną dokładność na poziomie 84,67%. Stwierdzono, że zaproponowana metoda niesie ze sobą korzyści w postaci większej szybkości zbieżności, wysokiej dokładności klasyfikacji i odporności.
Źródło:
Fibres & Textiles in Eastern Europe; 2021, 3 (147); 97-102
1230-3666
2300-7354
Pojawia się w:
Fibres & Textiles in Eastern Europe
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Machine learning methods for optimal compatibility of materials in ecodesign
Autorzy:
Rojek, I.
Dostatni, E.
Powiązania:
https://bibliotekanauki.pl/articles/202203.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
machine learning methods
classification models
ecodesign
selection of materials
compatibility
Opis:
Machine learning (ML) methods facilitate automated data mining. The authors compare the effectiveness of selected ML methods (RBF networks, Kohonen networks, and random forest) as modelling tools supporting the selection of materials in ecodesign. Applied in the design process, ML methods help benefit from the knowledge, experience and creativity of designers stored in historical data in databases. Implemented into a decision support system, the knowledge can be utilized – in the case under analysis – in the process of design of environmentally friendly products. The study was initiated with an analysis of input data for the selection of materials. The input data, specified in cooperation with designers, include both technological and environmental parameters which guarantee the desired compatibility of materials. Next, models were developed using selected ML methods. The models were assessed and implemented into an expert system. The authors show which models best fit their purpose and why. Models supporting the selection of materials, connections and disassembly methods help boost the recycling properties of designed products.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2020, 68, 2; 199-206
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
New Grey Integrated Model to Solve a Machine Selection Problem for a Textile Company
Nowy zintegrowany model rozwiązujący problem wyboru maszyny dla firmy tekstylnej
Autorzy:
Ulutaş, Alptekin
Powiązania:
https://bibliotekanauki.pl/articles/231577.pdf
Data publikacji:
2020
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
Tematy:
AHP
ROV-G
sewing machine selection
machine selection problem
wybór maszyny do szycia
problem z wyborem maszyny
Opis:
The textile sector has become an indispensable part of the Turkish economy. The sewing machine is a long-lasting and easy-to-use tool widely used in the garment industry, which is a branch of the textile industry. The sewing machine is an indispensable production tool for the textile industry and sewing machine selection is a significant decision for the production performance of textile companies. Selecting an appropriate sewing machine increases production performance, while selecting an improper one reduces production performance. The sewing machine selection problem is a typical machine selection issue. Many criteria, such as cost, productivity, safety etc. are considered in the machine selection. Therefore, MCDM methods are applicable to solve the machine selection problem. This study develops an integrated grey MCDM model including Grey AHP and ROV-G to select the most appropriate sewing machine for an apparel textile company.
Sektor tekstylny stał się nieodłączną częścią tureckiej gospodarki. Maszyna do szycia jest trwałym i łatwym w użyciu narzędziem szeroko stosowanym w przemyśle odzieżowym, który jest gałęzią przemysłu tekstylnego. Maszyna do szycia jest niezbędnym narzędziem produkcyjnym dla przemysłu tekstylnego, a wybór maszyny do szycia jest znaczącą decyzją w zakresie wydajności produkcyjnej firm tekstylnych. Wybór odpowiedniej maszyny do szycia zwiększa wydajność produkcji, a wybór niewłaściwej zmniejsza wydajność produkcji. Problem wyboru maszyny do szycia jest typowym problemem przy wyborze maszyny. Przy wyborze maszyny branych jest pod uwagę wiele kryteriów, takich jak: koszt, wydajność, bezpieczeństwo itp. Dlatego metody MCDM mają zastosowanie do rozwiązania problemu wyboru maszyny. W badaniu, w celu wybrania najbardziej odpowiedniej maszyny do szycia dla firmy produkującej odzież, opracowano zintegrowany model MCDM, w tym AHP i ROV-G.
Źródło:
Fibres & Textiles in Eastern Europe; 2020, 1 (139); 20-25
1230-3666
2300-7354
Pojawia się w:
Fibres & Textiles in Eastern Europe
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Supervised probabilistic failure prediction of tuned mass damper-equipped high steel frames using machine learning methods
Autorzy:
Farrokhi, Farshid
Rahimi, Sepideh
Powiązania:
https://bibliotekanauki.pl/articles/1845128.pdf
Data publikacji:
2020
Wydawca:
Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
Tematy:
failure analysis
supervised machine learning
feature selection
tuned mass damper
Opis:
In this study, firstly, the behavior of a high steel frame equipped with tuned mass damper (TMD) due to several seismic records is investigated considering the structural and seismic uncertainties. Then, machine learning methods including artificial neural networks (ANN), decision tree (DT), Naïve Bayes (NB) and support vector machines (SVM) are used to predict the behavior of the structure. Results showed that among the machine learning models, SVM with Gaussian kernel has better performance since it is capable of predicting the drift of stories and the failure probability with R2 value equal to 0.99. Furthermore, results of feature selection algorithms revealed that when using TMD in high steel structures, seismic uncertainties have greater influences on drift of stories in comparison with structural uncertainties. Findings of this study can be used in design and probabilistic analysis of high steel frames equipped with TMDs.
Źródło:
Studia Geotechnica et Mechanica; 2020, 42, 3; 179-190
0137-6365
2083-831X
Pojawia się w:
Studia Geotechnica et Mechanica
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Ensembles of instance selection methods: A comparative study
Autorzy:
Blachnik, Marcin
Powiązania:
https://bibliotekanauki.pl/articles/330413.pdf
Data publikacji:
2019
Wydawca:
Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:
machine learning
instance selection
ensemble methods
uczenie maszynowe
selekcja przypadków
metoda zespołowa
Opis:
Instance selection is often performed as one of the preprocessing methods which, along with feature selection, allows a significant reduction in computational complexity and an increase in prediction accuracy. So far, only few authors have considered ensembles of instance selection methods, while the ensembles of final predictive models attract many researchers. To bridge that gap, in this paper we compare four ensembles adapted to instance selection: Bagging, Feature Bagging, AdaBoost and Additive Noise. The last one is introduced for the first time in this paper. The study is based on empirical comparison performed on 43 datasets and 9 base instance selection methods. The experiments are divided into three scenarios. In the first one, evaluated on a single dataset, we demonstrate the influence of the ensembles on the compression–accuracy relation, in the second scenario the goal is to achieve the highest prediction accuracy, and in the third one both accuracy and the level of dataset compression constitute a multi-objective criterion. The obtained results indicate that ensembles of instance selection improve the base instance selection algorithms except for unstable methods such as CNN and IB3, which is achieved at the expense of compression. In the comparison, Bagging and AdaBoost lead in most of the scenarios. In the experiments we evaluate three classifiers: 1NN, kNN and SVM. We also note a deterioration in prediction accuracy for robust classifiers (kNN and SVM) trained on data filtered by any instance selection methods (including the ensembles) when compared with the results obtained when the entire training set was used to train these classifiers.
Źródło:
International Journal of Applied Mathematics and Computer Science; 2019, 29, 1; 151-168
1641-876X
2083-8492
Pojawia się w:
International Journal of Applied Mathematics and Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Approach to solving mining machine selection problem by using grey theory
Autorzy:
Milisavljevic, V.
Martinetti, A.
Cvjetic, A.
Powiązania:
https://bibliotekanauki.pl/articles/111264.pdf
Data publikacji:
2018
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
machine selection
grey theory
multiple-attribute
uncertain information
mining industry
Opis:
The selection of a mining machine is a multiple-attribute problem that involves the consideration of numerous parameters of various origins. A common task in the mining industry is to select the best machine among several alternatives, which are frequently described both with numerical variables as well as linguistic variables. Numerical variables are mostly related to the technical characteristics of the machines, which are available in detail in most cases. On the other hand, some equally important parameters such as price, reliability, support for service and spare parts, operating cost, etc., are not available at the required level for various reasons; hence, these can be considered uncertain information. For this reason, such information is described with linguistic variables. This paper presents research related to overcoming this problem by using grey theory for selecting a proper mining machine. Grey theory is a well-known method used for multiple-attribute selection problems that involves a system in which parts of the necessary information are known and parts are unknown.
Źródło:
Mining – Informatics, Automation and Electrical Engineering; 2018, 56, 3; 59-64
2450-7326
2449-6421
Pojawia się w:
Mining – Informatics, Automation and Electrical Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Comparison of prototype selection algorithms used in construction of neural networks learned by SVD
Autorzy:
Jankowski, N.
Powiązania:
https://bibliotekanauki.pl/articles/330020.pdf
Data publikacji:
2018
Wydawca:
Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:
radial basis function network
extreme learning machine
kernel method
prototype selection
machine learning
k nearest neighbours
radialna funkcja bazowa
metoda jądrowa
uczenie maszynowe
metoda k najbliższych sąsiadów
Opis:
Radial basis function networks (RBFNs) or extreme learning machines (ELMs) can be seen as linear combinations of kernel functions (hidden neurons). Kernels can be constructed in random processes like in ELMs, or the positions of kernels can be initialized by a random subset of training vectors, or kernels can be constructed in a (sub-)learning process (sometimes by k-means, for example). We found that kernels constructed using prototype selection algorithms provide very accurate and stable solutions. What is more, prototype selection algorithms automatically choose not only the placement of prototypes, but also their number. Thanks to this advantage, it is no longer necessary to estimate the number of kernels with time-consuming multiple train-test procedures. The best results of learning can be obtained by pseudo-inverse learning with a singular value decomposition (SVD) algorithm. The article presents a comparison of several prototype selection algorithms co-working with singular value decomposition-based learning. The presented comparison clearly shows that the combination of prototype selection and SVD learning of a neural network is significantly better than a random selection of kernels for the RBFN or the ELM, the support vector machine or the kNN. Moreover, the presented learning scheme requires no parameters except for the width of the Gaussian kernel.
Źródło:
International Journal of Applied Mathematics and Computer Science; 2018, 28, 4; 719-733
1641-876X
2083-8492
Pojawia się w:
International Journal of Applied Mathematics and Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Determinants of selecting research laboratory – recommendations for manufacturers of agricultural machines
Determinanty wyboru laboratorium badawczego – rekomendacje dla producentów maszyn rolniczych
Autorzy:
Nogalski, B.
Niewiadomski, P.
Bartłomiejczak, K.
Powiązania:
https://bibliotekanauki.pl/articles/335239.pdf
Data publikacji:
2018
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:
selection determinants
research laboratory
agricultural machine
determinanty wyboru
laboratorium badawcze
maszyna rolnicza
Opis:
The subject of this paper – being a preliminary study – are the determinants of selecting a research laboratory for the needs of carrying out safety tests of useness, evaluating the conformity in order to issue an EC conformity declaration, and to voluntarily certify for the "B "safety mark. The research was conducted from the point of view of small, medium, and large manufacturers of agricultural machines. The fundamental purpose of the study is to answer the question: what factors – from the point of view of the manufacturers of agricultural machines – are relevant when selecting a research entity. The main goal required formulating and implementing the partial goals, which included: determining the significance of starting cooperation by a Polish manufacturer with a research laboratory in the context of the binding regulations and standards; by reconstructing and interpreting the literature of the subject – choosing the factors to be considered when selecting a research entity; compiling the determinants constituting the foundation of a research tool in the form of an assessment sheet being a resultant of literature studies, and a discussion among intentionally selected experts from the agricultural machines sector. The specified explications became the background that defines correct direction for further research works (assessment of the significance of requirements), whose results will be presented in the subsequent part of the study.
Przedmiotem badań niniejszego opracowania – stanowiącego badanie przygotowawcze – są determinanty wyboru laboratorium badawczego dla potrzeb przeprowadzania badań bezpieczeństwa użytkowania, oceny zgodności w celu wystawienia deklaracji zgodności WE oraz dobrowolnej certyfikacji na znak bezpieczeństwa „B”. Badania prowadzono z perspektywy małych, średnich i dużych przedsiębiorstw produkujących maszyny rolnicze. Fundamentalnym celem badań jest próba odpowiedzi na pytanie: jakie czynniki – z punktu widzenia wytwórców maszyn rolniczych – są istotne przy wyborze jednostki badawczej. Osiągnięcie celu głównego wymagało sformułowania i zrealizowania celów cząstkowych, do których zaliczono: określenie znaczenia podjęcia współpracy polskiego wytwórcy z laboratorium badawczym w kontekście obowiązujących przepisów i norm, wykorzystując metodę rekonstrukcji i interpretacji literatury przedmiotu – nominowanie czynników branych pod uwagę przy wyborze jednostki badawczej; skompilowanie determinant stanowiących fundament narzędzia badawczego w postaci arkusza oceny będącego wypadkową eksploracji piśmiennictwa oraz dyskusji wśród celowo dobranych ekspertów związanych z sektorem maszyn rolniczych. Skonkretyzowane eksplikacje stały się substratem definiującym właściwy kierunek dalszych prac badawczych (ocena istotności wymagań), których wyniki zostaną zaprezentowane w kolejnej części opracowania.
Źródło:
Journal of Research and Applications in Agricultural Engineering; 2018, 63, 4; 150-155
1642-686X
2719-423X
Pojawia się w:
Journal of Research and Applications in Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 33

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