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 "modelowanie neuronowe" wg kryterium: Temat

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 54
Tytuł:
Use of Artificial Neural Networks for Modelling of Seam Strength and Elongation at Break
Zastosowanie sztucznych sieci neuronowych dla modelowania wytrzymałości szwów i wydłużenia przy zerwaniu
Autorzy:
Yildiz, Z.
Dal, V.
Ünal, M.
Yildiz, K.
Powiązania:
https://bibliotekanauki.pl/articles/232292.pdf
Data publikacji:
2013
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
Tematy:
textile fabrics
artificial neural networks
seam strength
modeling
tekstylia
sztuczne sieci neuronowe
szew wytrzymałościowy
modelowanie
wydłużenia przy zerwaniu
Opis:
The strength and elongation at break of a seam are very important characteristics of comfort clothing. Optimum seam strength must be durable enough to do our daily activities easily. Some parameters such as the type and count of the sewing yarn, the seam density, the size of the sewing needle, and type of stitch affecting the strength and elongation at break of the seam. In this study two kinds of fabrics (gabardine and poplin) were chosen for experiments. As sewing parameters, two different types of stitches (plain and chain stitch), five seam densities (3, 4, 5, 6 and 7 seams/cm), two kinds of sewing needles (SPI and SES), and three kinds of sewing yarns (cotton, core-spun, and PBT yarns) were used in experiments. With these materials 120 different seam variations were developed. Each sampless seam strength was tested according to the ISO 13935-1[1] standard using an Instron 4411 instrument. After the testing process, an artificial neural network model was developed to predict the seam strength and elongation at break values. The test results were applied to multi layer perceptron and radial basis function neural network modeling. These two neural network types were compared in terms of the accuracy of the modeling system. The results show that the artificial neural network model produces reliable estimates of seam strength and elongation at break (R=1, MSE=3.33E-05).
Wytrzymałość szwu i wydłużenie przy zerwaniu są bardzo ważnymi cechami ubrań z punktu widzenia wygody noszenia. Optymalna wytrzymałość szwu musi być wystarczająco duża, aby z łatwością wykonywać nasze codzienne czynności. Niektóre z parametrów, takich jak typ oraz numer przędzy, gęstość szwu, rozmiar igły do szycia, typ ściegu wpływają na wytrzymałość szwu i wydłużenie przy zerwaniu. Badania przeprowadzono na dwóch rodzajach tkanin (gabardyna i popelina), stosując dwa różne rodzaje szwów (proste i łańcuszkowy), szwy o pięciu gęstościach (3, 4, 5, 6 i 7 szwy/cm), dwa rodzaje igieł (SPI i SES) i trzy rodzaje przędz (bawełniana zwykła, rdzeniowa i przędze PBT), otrzymując 120 wariantów szwów. Wytrzymałość każdej próbki została zbadana zgodnie z normą ISO 13935-1 za pomocą przyrządu Instron 4411. Następnie, opracowano model sztucznej sieci neuronowej w celu przewidzenia wartości wytrzymałości szwów i wydłużenia przy zerwaniu. Wyniki badań zostały przetworzone w wielowarstwowym perceptronie i funkcji radialnej modelowania sieci neuronowej. Obydwa typy sieci neuronowych zostały porównane pod względem dokładności modelowania. stwierdzono, że za pomocą modelu sztucznych sieci neuronowych można uzyskać wiarygodne wyniki (R = 1, MSE = 3.33E-05).
Źródło:
Fibres & Textiles in Eastern Europe; 2013, 5 (101); 117-123
1230-3666
2300-7354
Pojawia się w:
Fibres & Textiles in Eastern Europe
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Wear of Railway Tyre Steels Modelling Using Artificial Neural Networks
Modelowanie zużycia stali na obręcze kół kolejowych za pomocą sztucznych sieci neuronowych
Autorzy:
Witaszek, Mirosław
Witaszek, Kazimierz
Powiązania:
https://bibliotekanauki.pl/articles/1857830.pdf
Data publikacji:
2020
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
wear
tyre steels
artificial neural networks
modelling
zużycie
stale na obręcze kół kolejowych
sztuczne sieci neuronowe
modelowanie
Opis:
In the paper the results of sliding wear tests were used to model the dependence of steel volume loss on railway wheel tyres on selected material parameters and sliding conditions. The material properties included in this modelling were the hardness and chemical composition of the tyre material (specimens) and the hardness of the mating material (counter-specimens). The conditions for sliding were the initial maximum Hertzian pressure and the sliding distance. The tests were carried out in the ring-block system. Artificial neural networks were used for modelling. It was found that the constructed model made it possible to quantify the volume loss from the above–mentioned factors. A clear influence of the pressure, friction distance, and hardness of both cooperating materials on the studied wear was found. The influence of the chemical composition is less noticeable due to the rather narrow range of its allowable changes. The microscopic tests allowed us to identify the main wear mechanisms in the sliding friction of the tested tyre and rail steels.
W pracy przedstawiono wykorzystanie wyników badań zużycia przy tarciu ślizgowym do modelowania zależności zużycia objętościowego stali na obręcze kół kolejowych od wybranych parametrów materiału i warunków współpracy. Własnościami materiału uwzględnionymi w tym modelowaniu były twardość oraz skład chemiczny materiału obręczy (próbki) oraz twardość materiału współpracującego (przeciwpróbki). Warunkami współpracy były początkowy, maksymalny nacisk Hertza i droga tarcia. Badania przeprowadzono w układzie klocek–krążek. Do modelowania wykorzystano sztuczne sieci neuronowe. Stwierdzono, że zbudowany model pozwolił na określenie zależności ilościowych ubytku objętościowego od wyżej wymienionych czynników. Wskazano występowanie wyraźnego wpływ nacisku, drogi tarcia, twardości obu współpracujących materiałów na badane zużycie. Wpływ składu chemicznego jest mniej zauważalny z powodu dość wąskiego zakresu dopuszczalnych jego zmian. Badania mikroskopowe pozwoliły na zidentyfikowanie głównych mechanizmów zużywania przy tarciu ślizgowym badanych stali obręczowych i szynowej.
Źródło:
Tribologia; 2020, 294, 6; 77-85
0208-7774
Pojawia się w:
Tribologia
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Modeling of fuel consumption using artificial neural networks
Modelowanie zużycia paliwa przy pomocy sztucznych sieci neuronowych
Autorzy:
Witaszek, Kazimierz
Powiązania:
https://bibliotekanauki.pl/articles/329548.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
Tematy:
fuel consumption
modeling
artificial neural network
SNNS
OBDII data
zużycie paliwa
modelowanie
sztuczne sieci neuronowe
dane OBDII
Opis:
The article presents a model of operational fuel consumption by a passenger car from the B segment, powered by a spark ignition engine. The model was developed using artificial neural networks simulated in the Stuttgart Neural Network Simulator (SNNS) package. The data for the model was obtained from longterm operational tests, during which data from the engine control unit were recorded via the OBDII diagnostic interface. The model is based on neural networks with two hidden layers, the size of which was selected using an original iterative algorithm. During the structure selection process, a total of 576 different networks were tested. The analysis of the obtained test errors made it possible to select the optimal structure of the 6-19-17-1 model. The network input values were: vehicle speed and acceleration, road slope, throttle opening degree, selected gear number and engine speed. The networks were trained using the efficient RPROP method. A correctly trained network, based on the set parameters, was able to forecast the instantaneous fuel consumption. These forecasts showed a high correlation with the measured values. Average fuel consumption calculated on their basis was close to the real value, which was calculated on the basis of two consecutive fuelings of the vehicle.
W artykule przedstawiono model eksploatacyjnego zużycia paliwa przez samochód osobowy z segmentu B, zasilany silnikiem o zapłonie iskrowym. Model opracowano przy wykorzystaniu sztucznych sieci neuronowych, których działanie symulowano w pakiecie Stuttgart Neural Network Simulator (SNNS). Dane do modelu pozyskano z długotrwałych badań eksploatacyjnych, podczas których rejestrowano przez interfejs diagnostyczny OBDII dane pochodzące z jednostki sterującej silnikiem. Model oparto na sieciach neuronowych o dwu warstwach ukrytych, których wielkość dobrano przy pomocy autorskiego, iteracyjnego algorytmu. Podczas procesu doboru struktury przebadano łącznie 576 różnych sieci. Analiza uzyskanych błędów testowania pozwoliła na wybór optymalnej struktury modelu 6-19-17-1. Wielkościami wejściowymi sieci były: prędkość i przyspieszenie pojazdu, nachylenie drogi, stopień otwarcia przepustnicy, numer wybranego biegu oraz prędkość obrotowa silnika. Sieci uczono przy użyciu wydajnej metody RPROP. Poprawnie nauczona sieć na podstawie zadanych parametrów była w stanie prognozować chwilowe zużycie paliwa. Prognozy te wykazywały wysoką korelację ze zmierzonymi wartościami. Obliczone na ich podstawie średnie zużycie paliwa było zbliżone do rzeczywistej wartości, którą obliczono na podstawie dwu kolejnych tankowań pojazdu.
Źródło:
Diagnostyka; 2020, 21, 4; 103-113
1641-6414
2449-5220
Pojawia się w:
Diagnostyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie sztucznych sieci neuronowych do prognozowania zawartości azotu ogólnego w odpływie z oczyszczalni ścieków
Application of artificial neural networks to forecasting total nitrogen content in secondary effluent from treatment plants
Autorzy:
Wąsik, E.
Chmielowski, K.
Studziński, J.
Szeląg, B.
Powiązania:
https://bibliotekanauki.pl/articles/237416.pdf
Data publikacji:
2018
Wydawca:
Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Tematy:
ścieki komunalne
ścieki oczyszczone
modelowanie
prognozowanie
sztuczne sieci neuronowe
azot ogólny
azot amonowy
azotyny
azotany
azot organiczny
sewage
secondary effluent
modeling
forecasting
artificial neural networks
total nitrogen
ammonia nitrogen
nitrites
nitrates
organic nitrogen
Opis:
Zaprezentowano możliwość wykorzystania sztucznych sieci neuronowych do prognozowania zawartości azotu ogólnego w ściekach oczyszczonych w funkcji jego różnych postaci występujących w odpływie z oczyszczalni ścieków. W badaniach zastosowano dane z lat 2010–2016, zawierające pomiary zawartości związków azotu w ściekach odpływających z oczyszczalni obsługującej aglomerację o równoważnej liczbie mieszkańców powyżej 100000. Zbiór danych wejściowych został wstępnie poddany analizie skupień i następnie wykorzystany do trenowania sieci neuronowej w postaci perceptronu wielowarstwowego. Na podstawie uzyskanych symulacji stwierdzono, że najmniejsze wartości błędów prognozy ilosci azotu ogólnego (2÷3%) uzyskano w wariancie, gdy jego wartość była funkcją wszystkich postaci azotu występujących w oczyszczonych ściekach. W przypadku modelu wykorzystującego jedynie dane o zawartości azotu nieorganicznego oraz azotanów otrzymane wyniki symulacji niewiele różniły się od wartości rzeczywistych, na co wskazuje bardzo duża wartość współczynnika korelacji (>97%). Wartość średniego błędu bezwzględnego w tym przypadku zwiększyła się tylko o około 4 punkty procentowe do wartości 6,2% (proces uczenia) oraz 6,9% (proces testowania/walidacji) w stosunku do symulacji wykorzystującej wszystkie postacie azotu w ściekach.
Potential application of artifi cial neural networks (ANN) to forecast total nitrogen content (TNC) in treated wastewater was presented as a function of selected nitrogen forms present in the secondary effl uent. The analyzed data from the period of 2010–2016 covered measurements of the nitrogen content in the effl uent from the treatment plant servicing agglomeration with a population equivalent of more than 100,000. The input data set was initially subjected to cluster analysis and then, used to train a neural network in the form of a multilayer perceptron (MLP). The simulations demonstrated that the smallest error values for the forecast of TNC (2–3%) were obtained for the variant, the value of which was a function of all the forms of nitrogen present in the secondary effl uent. For the total nitrogen model based on inorganic nitrogen and nitrates data only, the simulation results did not differ signifi cantly from the actual values, as indicated by a very high correlation coeffi cient (over 97%). In this case, the value of the mean absolute error increased only by nearly 4% to 6.2% (learning process) or 6.9% (testing/validation process), compared to the simulation based on all the nitrogen forms in the sewage.
Źródło:
Ochrona Środowiska; 2018, 40, 1; 29-33
1230-6169
Pojawia się w:
Ochrona Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Przykład zastosowania sieci neuronowej w modelowaniu procesu mieszania układów ziarnistych
An example of the use of a neural network to model a mixing process of granular systems
Autorzy:
Tukiendorf, M.
Powiązania:
https://bibliotekanauki.pl/articles/289881.pdf
Data publikacji:
2005
Wydawca:
Polskie Towarzystwo Inżynierii Rolniczej
Tematy:
niejednorodna mieszanina ziarnista
stan równowagowy
modelowanie neuronowe
non-homogenous grainy mixture
balance status
neural modelling
Opis:
W pracy pokazano skuteczność i przydatność modelowania neuronowego w procesie mieszania dwuskładnikowego niejednorodnego układu ziarnistego mieszanego systemem funnel-flow.
In the study, an efficiency and usefulness of neural network was shown to model the mixing process of a two-components non-homogenous granular system during the funnel-flow mixing.
Źródło:
Inżynieria Rolnicza; 2005, R. 9, nr 7, 7; 375-382
1429-7264
Pojawia się w:
Inżynieria Rolnicza
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie sieci FBM w neuronowym modelowaniu mieszania dwuskładnikowych układów ziarnistych
The use of a neural network in modeling of a two-component granular systems’ mixing
Autorzy:
Tukiendorf, M.
Powiązania:
https://bibliotekanauki.pl/articles/288584.pdf
Data publikacji:
2005
Wydawca:
Polskie Towarzystwo Inżynierii Rolniczej
Tematy:
ziarniste układy niejednorodne
statyczny mieszalnik płytkowy
modelowanie neuronowe
sztuczna sieć neuronowa
Flexible Bayesia Modeling
FBM
non-homogenous granular systems
static plate mixer
neural modeling
Opis:
Pokazano wyniki symulacji neuronowej procesów mieszania niejednorodnych układów ziarnistych. Mieszano dwuskładnikowy układ ziarnisty przy pomocy statycznego mieszalnika płytkowego. Estymacji rozkładów koncentracji składnika kluczowego dokonywano w oparciu o predykcję sztucznej sieci neuronowej Flexible Bayesian Modeling o 20 ukrytych warstwach neuronów. Porównano statystycznie wyniki modelu empirycznego i predyktowanego. Określono współczynnik korelacji.
The results of a neural network’s simulation of the mixing processes of non-homogenous granular systems were shown. A twocomponent granular system was mixed using a static plate mixer. Estimations of the key component’s concentration distribution were performed based on the artificial neural network’s prediction for the assumed numbers of neurons’ hidden layers. The empirical and the predicted results were statistically compared. A correlation coefficient was estimated between them.
Źródło:
Inżynieria Rolnicza; 2005, R. 9, nr 14, 14; 367-373
1429-7264
Pojawia się w:
Inżynieria Rolnicza
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Modelowanie przemysłowego procesu mielenia rudy z wykorzystaniem energetycznych wskaźników oceny
Modeling of industrial ore grinding process using energetic factors of evaluation
Autorzy:
Trybalski, K.
Krawczykowski, D.
Powiązania:
https://bibliotekanauki.pl/articles/349569.pdf
Data publikacji:
2006
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
modelowanie statystyczne procesów mielenia
sieci neuronowe
modele regresyjne
statistical modeling of grinding processes
neural network
regressive models
Opis:
W artykule przeprowadzono analizę kosztów węzła mielenia i klasyfikacji w jednym z zakładów wzbogacania rudy KGHM "Polska Miedź" S.A., wskazując najwyższą energochłonność procesu mielenia. Zaproponowano i obliczono wskaźniki technologiczno-energetyczne oceniające proces mielenia i klasyfikacji. Na ich podstawie zbudowano przykładowe modele: regresyjne oraz w postaci sieci neuronowych, ujmujące zależności pomiędzy wskaźnikami oceny procesu a danymi energetyczno-technologicznymi badanego procesu. Przeprowadzono porównanie uzyskanych modeli.
The costs analysis of grinding and classification center in one of KGHM "Polska Miedź" SA ore enrichment plants was conducted in the paper, what identified the highest energy consumption of grinding process. The energetic-technological factors evaluating grinding and classification processes were then proposed and calculated. On their basis the examples of models were constructed, which were regressive ones and neural networks forms, taking into consideration dependencies between process evaluation factors and energetic-technological data of investigated process. The comparison of given models was carried out.
Źródło:
Górnictwo i Geoinżynieria; 2006, 30, 3/1; 327-346
1732-6702
Pojawia się w:
Górnictwo i Geoinżynieria
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Sztuczne sieci neuronowe w modelowaniu procesów z ograniczonym zbiorem danych w inżynierii rolniczej
Neural networks in modeling agricultural engineering processes with limited date file
Autorzy:
Trajer, J.
Powiązania:
https://bibliotekanauki.pl/articles/286483.pdf
Data publikacji:
2005
Wydawca:
Polskie Towarzystwo Inżynierii Rolniczej
Tematy:
sztuczne sieci neuronowe
modelowanie
inżynieria rolnicza
artificial neural network
modeling
agricultural engineering
Opis:
Celem pracy jest przedstawienie metody neuronowego modelowania procesów z ograniczonym zbiorem danych. W przykładzie wykorzystano bazę danych zmian cen przechowywanej marchwi. Podano koncepcję budowy modelu neuronowego, który pomimo ograniczonego zbioru danych posiadać może zadowalające własności uogólniające, w sensie rozszerzenia zasięgu jego stosowalności poza zbiór uczący.
In this paper the analysis of the neural modeling of the agricultural engineering process was presented. The problems of effectiveness and quality neural networks in these processes was discussed.
Źródło:
Inżynieria Rolnicza; 2005, R. 9, nr 2, 2; 173-180
1429-7264
Pojawia się w:
Inżynieria Rolnicza
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Artificial neural networks as models neuronal electronic state offices
Autorzy:
Tchórzewski, J.
Leszko, K.
Powiązania:
https://bibliotekanauki.pl/articles/95129.pdf
Data publikacji:
2015
Wydawca:
Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego w Warszawie
Tematy:
e-document
office
repository
artificial neural networks
neural modelling
MATLAB and Simulink
e-dokument
sztuczne sieci neuronowe
Matlab
Simulink
modelowanie neuronowe
urząd administracji publicznej
Opis:
The paper presents selected results of research on learning design and artificial neural network (ANN) models paperless office as a state defined as a document repository. A review of selected issues on artificial neural network, and environments to support their generation and learning. In particular, attention was drawn to the new modeling capabilities leading to obtaining neural models of electronic systems. Artificial neural network is designed and taught her electronic office model based on the size of the input 11 and 9 variables, par 72 trainees on the actual size of government agencies for the year 2007. The model was obtained in MATLAB and Simulink and using the Neural Network Toolbox. Showing the possibilities of using the model to test sensitivities and simulation in Simulink.
Źródło:
Information Systems in Management; 2015, 4, 3; 219-227
2084-5537
2544-1728
Pojawia się w:
Information Systems in Management
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Możliwości informatyki kwantowej do poprawy dokładności modelowania. Część 1 – Kwantowy algorytm ewolucyjny
Possibility of quantum computer to improve accuracy of modeling. Part 2. Quantum evolutionary algorithm
Autorzy:
Tchórzewski, J.
Powiązania:
https://bibliotekanauki.pl/articles/376693.pdf
Data publikacji:
2016
Wydawca:
Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
Tematy:
algorytmy ewolucyjne
informatyka kwantowa
modelowanie systemów
sztuczne sieci neuronowe
środowisko MATLABA i Simulinka
Opis:
W pracy zamieszczono wybrane wyniki badania wykorzystania informatyki kwantowej do zwiększenia stopnia dokładności algorytmów ewolucyjnych poprawiających parametry modeli neuronalnych systemów, co zostało zweryfikowane na wybranych przykładach takich systemów jak m.in. ruch robota PR-02. W modelowaniu neuronalnym wykorzystuje się sztuczne sieci neuronowe, które projektuje się, a następnie uczy modeli systemów na bazie danych liczbowych. Parametry sztucznych sieci neuronowych, a zwłaszcza elementy macierzy wag, biasów i parametry funkcji aktywacji można poprawiać za pomocą algorytmów ewolucyjnych. Okazuje się, że wprowadzenie rozwiązań z zakresu informatyki kwantowej do algorytmów ewolucyjnych, a zwłaszcza dotyczących tworzenia kwantowej populacji początkowej, kwantowych operatorów krzyżowania i mutacji oraz kwantowej selekcji znacznie poprawia dokładność paramentów modeli neuronalnych, co zostało zweryfikowane w środowisku MATLABA i Simulinka.
The paper presents selected results of the use of quantum computing to increase the degree of accuracy of evolutionary algorithms to improve the performance of models of neuronal movement of the end of the robot arm PR-02. For modeling, neural used SSN, which are designed and taught system models based on figures. ANN parameters, especially the elements of the matrix weights, biases, and the parameters of the activation function can be improved by using evolutionary algorithms. It turns out that the introduction of solutions in the field of quantum computing to evolutionary algorithms, especially for the creation of quantum initial population, quantum operators crossover and mutation, and quantum selection greatly improves the accuracy of modeling, as has been verified in the environment MATLAB and Simulink.
Źródło:
Poznan University of Technology Academic Journals. Electrical Engineering; 2016, 88; 133-141
1897-0737
Pojawia się w:
Poznan University of Technology Academic Journals. Electrical Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Możliwości informatyki kwantowej do poprawy dokładności modelowania. Część 2 – KAE na przykładzie ruchu robota PR-02
Possibility of quantum computer to improve accuracy of modeling. Part 2. KAE on example on motion robot PR-02
Autorzy:
Tchórzewski, J.
Wołynka, Ł.
Powiązania:
https://bibliotekanauki.pl/articles/377920.pdf
Data publikacji:
2016
Wydawca:
Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
Tematy:
sztuczne sieci neuronowe
algorytmy ewolucyjne
środowisko MATLABA i Simulinka
robot PR-02
modelowanie systemów
informatyka kwantowa
Opis:
Artykuł zawiera wybrane wyniki badań dotyczące próby opracowania kwantowego algorytmu ewolucyjnego i jego implementacji w j. Matlab do poprawy parametrów modelu neuralnego ruchu ramienia robota PR-02. Populację początkową zbudowano na bazie macierzy wag sztucznej sieci neuronowej. Wylosowane wartości poszczególnych chromosomów populacji początkowej zostały przekształcone na wartości binarne, a te z kolei na wartości kwantowe przy wykorzystaniu opracowanej w tym celu funkcji quatization(). Wartość kwantowa genu została określona na podstawie silniejszego stanu czystego reprezentowanego przez podchromosomy, do czego została wykorzystana funkcja dequantization(). Selekcję osobników przeprowadzono na bazie modelu neuralnego ruchu robota PR-02 zaimplementowanego w j. Matlab jako funkcja calculationsNeuralNetworks().
The article contains selected results of research on trying to develop a quantum evolutionary algorithm and its implementation in Matlab to improve the parameters of the model of neural movement of the robot arm PR-02. The initial population is constructed on the basis of the matrix weights artificial neural network. The drawn values of individual initial population of chromosomes have been converted to binary values, and the latter value using quantum developed for this purpose function of quatization(). The value of the quantum of the gene was determined on the basis of a stronger state of pure represented by subchromosomes, what was used a function of dequantization(). Selection of individuals was carried out based on the model of neural traffic robot PR-02 implemented as a function of calculationsNeuralNetworks().
Źródło:
Poznan University of Technology Academic Journals. Electrical Engineering; 2016, 88; 143-152
1897-0737
Pojawia się w:
Poznan University of Technology Academic Journals. Electrical Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Neural networks in mining sciences – general overview and some representative examples
Sieci neuronowe w naukach górniczych – ogólne omówienie i kilka reprezentatywnych przykładów
Autorzy:
Tadeusiewicz, R.
Powiązania:
https://bibliotekanauki.pl/articles/219318.pdf
Data publikacji:
2015
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
neural networks
applications in mining sciences
process modeling
systems modeling
machine learning
modeling of the oil mining process
forecasting of reservoir properties
sieci neuronowe
zastosowania w naukach górniczych
modelowanie procesów
modelowanie systemów
uczenie maszyn
modelowanie procesu wydobycia ropy naftowej
przewidywanie właściwości zbiornikowych pokładów geologicznych
Opis:
The many difficult problems that must now be addressed in mining sciences make us search for ever newer and more efficient computer tools that can be used to solve those problems. Among the numerous tools of this type, there are neural networks presented in this article – which, although not yet widely used in mining sciences, are certainly worth consideration. Neural networks are a technique which belongs to so called artificial intelligence, and originates from the attempts to model the structure and functioning of biological nervous systems. Initially constructed and tested exclusively out of scientific curiosity, as computer models of parts of the human brain, neural networks have become a surprisingly effective calculation tool in many areas: in technology, medicine, economics, and even social sciences. Unfortunately, they are relatively rarely used in mining sciences and mining technology. The article is intended to convince the readers that neural networks can be very useful also in mining sciences. It contains information how modern neural networks are built, how they operate and how one can use them. The preliminary discussion presented in this paper can help the reader gain an opinion whether this is a tool with handy properties, useful for him, and what it might come in useful for. Of course, the brief introduction to neural networks contained in this paper will not be enough for the readers who get convinced by the arguments contained here, and want to use neural networks. They will still need a considerable portion of detailed knowledge so that they can begin to independently create and build such networks, and use them in practice. However, an interested reader who decides to try out the capabilities of neural networks will also find here links to references that will allow him to start exploration of neural networks fast, and then work with this handy tool efficiently. This will be easy, because there are currently quite a few ready-made computer programs, easily available, which allow their user to quickly and effortlessly create artificial neural networks, run them, train and use in practice. The key issue is the question how to use these networks in mining sciences. The fact that this is possible and desirable is shown by convincing examples included in the second part of this study. From the very rich literature on the various applications of neural networks, we have selected several works that show how and what neural networks are used in the mining industry, and what has been achieved thanks to their use. The review of applications will continue in the next article, filed already for publication in the journal „Archives of Mining Sciences“. Only studying these two articles will provide sufficient knowledge for initial guidance in the area of issues under consideration here.
Liczne i trudne problemy, jakie muszą być obecnie rozwiązywane w naukach górniczych, skłaniają do poszukiwanie i wypróbowywania wciąż nowszych i bardziej sprawnych narzędzi informatycznych, które mogą być wykorzystane do rozwiązywania tych problemów. Wśród narzędzi tego typu, które wprawdzie jeszcze powszechnie wykorzystywane nie są, z pewnością zasługują na uwagę, warto rozważyć przedstawiane w tym artykule sieci neuronowe. Sieć neuronowa, której schemat przedstawiony jest na rysunku 1, jest narzędziem tak zwanej sztucznej inteligencji, wywodzącym się z prób modelowania struktury i funkcji biologicznych systemów nerwowych. Początkowo budowane i badane wyłącznie z ciekawości naukowej, jako komputerowe modele fragmentów ludzkiego mózgu, sieci neuronowe nieoczekiwanie okazały się skutecznym narzędziem w wielu zastosowaniach: w technice, w medycynie, w ekonomii a nawet w naukach społecznych. Mogą one dostarczać pojedynczych rozwiązań (wartości oszacowań poszukiwanych parametrów, lub przesłanek do podjęcia określonych decyzji), bądź całych wektorów rozwiązań – jakkolwiek w tym drugim przypadku celowe jest rozważenie kwestii, czy zastosować jedną sieć o wielu wyjściach, czy kilka sieci mających pojedyncze wyjście (Rys. 2). Przy tworzeniu sieci neuronowych trzeba wybierać stopień złożoności jej struktury, co nie jest łatwe, ponieważ sieć o zbyt ubogiej strukturze (zwłaszcza dysponująca zbyt mała liczbą tak zwanych neuronów ukrytych) może nie podołać rozwiązaniu bardziej złożonego zadania, natomiast sieć mająca zbyt skomplikowaną i bogatą strukturę zawsze sprawia kłopoty podczas procesu uczenia. Proces uczenia jest kluczem do wszystkich zastosowań sieci neuronowych. Kluczem do skutecznego nauczenia sieci rozwiązywania jakiejś klasy zadań jest posiadanie tak zwanego zbioru uczącego, to znaczy zbioru przykładowych zadań wraz z ich prawidłowymi rozwiązaniami (Rys. 4). Wprowadzając na wejście sieci dane stanowiące przesłanki do rozwiązania zadania i porównując odpowiedź sieci z prawidłową odpowiedzią zapisaną w zbiorze uczącym można na podstawie wykrytego błędu automatycznie korygować parametry sieci, co prowadzi zwykle do tego, że sieć po pewnym czasie sama nauczy się rozwiązywania rozważanej klasy zadań. Dzięki korzystaniu z procesu uczenia (opartego na przykładach, a nie na regułach) sieć neuronowa może rozwiązywać zadania, dla których my (użytkownicy sieci) nie dysponujemy wiedzą, jak te zadania należy rozwiązywać (Rys. 6). Dzięki temu sieć neuronowa może służyć jako model dowolnego złożonego procesu, co pozwala na wykonywanie dla tego procesu wielu istotnych czynności (Rys. 7). Niestety, mimo niewątpliwych zalet sieci neuronowych w naukach górniczych są one stosowane raczej rzadko. Prezentowany artykuł ma przekonać Czytelników, że sieci neuronowe mogą się okazać bardzo przydatne także w naukach górniczych. Artykuł stanowi również użyteczne wstępne wprowadzenie do wiedzy o sieciach neuronowych. Praca zawiera bowiem informacje o tym, jak są zbudowane nowoczesne sieci neuronowe, jak one działają i jak można ich używać. To wstępne omówienie przedstawione w artykule może pomóc w tym, by Czytelnik wyrobił sobie opinię, czym jest to narzędzie, jakie ma właściwości i w związku z tym do czego może mu się przydać. Oczywiście skrótowe wprowadzenie do problematyki sieci neuronowych zawarte w prezentowanym artykule nie wystarczy tym Czytelnikom, którzy dadzą się przekonać i naprawdę będą chcieli użyć sieci neuronowych. Będą oni potrzebowali jeszcze sporej porcji szczegółowej wiedzy, żeby mogli zacząć samodzielnie tworzyć takie sieci i ich używać w praktyce. Jednak jeśli decyzja o wypróbowaniu możliwości sieci neuronowych będzie pozytywna, to zainteresowany Czytelnik będzie mógł w artykule znaleźć odnośniki do pozycji literatury, pozwalających szybko i sprawnie poznać technikę sieci neuronowych na poziomie wystarczającym do rozpoczęcia własnych prac z tym wygodnym narzędziem. Będzie to tym łatwiejsze, że obecnie dostępnych jest sporo gotowych programów komputerowych pozwalających szybko i bez wysiłku tworzyć sztuczne sieci neuronowe, uruchamiać je, uczyć i wykorzystywać praktycznie. Oczywiście kluczową sprawą jest kwestia, jak tych sieci używać w naukach górniczych. O tym, że jest to możliwe i celowe przekonują jednak przykłady zawarte w drugiej części opracowania. Z przebogatej literatury, dotyczącej różnych zastosowań sieci neuronowych, wybrano kilkanaście prac, które pokazują, jak i do czego sieci neuronowych w górnictwie użyto i co zostało osiągnięte dzięki ich zastosowaniu. Ten przegląd zastosowań będzie kontynuowany w następnym artykule, zgłoszonym już do publikacji w czasopiśmie „Archiwum Górnictwa” i dopiero przestudiowanie obydwu tych artykułów dostarczy wiedzy wystarczającej do wstępnej orientacji w obszarze rozważanej tu problematyki.
Źródło:
Archives of Mining Sciences; 2015, 60, 4; 971-984
0860-7001
Pojawia się w:
Archives of Mining Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Use of geostatic function to describe wheat grain mass quality
Zastosowanie funkcji geostatycznej do opisu jakości masy ziarna pszenicy
Autorzy:
Szwedziak, K,
Tukiendorf, M.
Powiązania:
https://bibliotekanauki.pl/articles/334649.pdf
Data publikacji:
2014
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:
image analysis
quality
function geostatic
wheat
funkcja geostatyczna
komputerowa analiza obrazu
akwizycja obrazu
modelowanie neuronowe
Opis:
Examination of quality factors for agricultural and food products becomes more and more important because of their suitability for further processing and trade turnover. Independently of processing, agricultural and food industry is also expected to provide suitable protection for raw vegetable products generally characterised by inferior durability, and their processing into safe and durable food products, while maintaining proper taste quality. Computerised image analysis, neural modelling, and use of artificial intelligence methods have enormous future also in the fields of food industry and agriculture. Development of fast and efficient method is very much justified, since it will allow making accurate and quick observations without using any additional complex laboratory methods.
Badanie cech jakościowych produktów rolno-spożywczych ma coraz większe znaczenie ze względu na przydatność ich do dalszej przeróbki i obrotu handlowego. Zadaniem przemysłu rolno-spożywczego jest oprócz przetwórstwa także właściwe zabezpieczenie, na ogół mało trwałych surowców roślinnych oraz ich przetworzenie w bezpieczne i trwałe produkty spożywcze – z zachowaniem ich odpowiednich walorów smakowych. Komputerowa analiza obrazu, modelowanie neuronowe, wykorzystywanie metod sztucznej inteligencji ma ogromną przyszłość również w dziedzinie przemysłu spożywczego i rolnictwa. Opracowanie szybkiej i skutecznej metody jest jak najbardziej uzasadnione, gdyż to pozwoli na dokonywanie trafnych i szybkich obserwacji, bez używania dodatkowo skomplikowanych metod laboratoryjnych.
Źródło:
Journal of Research and Applications in Agricultural Engineering; 2014, 59, 1; 126-130
1642-686X
2719-423X
Pojawia się w:
Journal of Research and Applications in Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Detekcja nieszczelności kotła fluidalnego z użyciem modeli rozmyto-neuronowych
Approach to boiler leak detection with fuzzy neural models
Autorzy:
Szadkowski, B.
Jankowska, A.
Powiązania:
https://bibliotekanauki.pl/articles/257517.pdf
Data publikacji:
2011
Wydawca:
Sieć Badawcza Łukasiewicz - Instytut Technologii Eksploatacji - Państwowy Instytut Badawczy
Tematy:
detekcja awarii
systemy rozmyto-neuronowe
kocioł fluidalny
modelowanie
detection of outage
fuzzy-neural system
fluidised bed boiler
modelling
Opis:
Zreferowano badania modelowe nad detekcją nieszczelności kotłów fluidalnych z wykorzystaniem danych z archiwum. Modelowanie prowadzono w przyborniku Fuzzy Logic pakietu Matlab. Omówiono dwa podejścia do rozwiązania problemu. W pierwszym - opracowano modele rozmyto-neuronowe typu Takagi-Sugeno-Kanga (TSK) 4 zmiennych procesowych o dużej wrażliwości na przeciek. Uśrednione residua tych zmiennych, w przesuwnym oknie czasowym, pozwoliły wykryć 7 z 8 rozważanych przypadków nieszczelności. Oceniono długość okna i uzyskane wyprzedzenie detekcji względem wyłączenia bloku. Następnie opracowano i przetestowano model awarii o binarnym wyjściu. Równoległe wykorzystanie opracowanych modeli pozwoliło na wykrycie z kilkudniowym wyprzedzeniem wszystkich analizowanych awarii, potwierdzając przydatność modeli TSK w ważnym zadaniu eksploatacyjnym. Wskazano dalsze kierunki prac.
The research results into leak detection in a fluidised bed boiler are presented. The studies took advantage of the historical data from DCS in the professional power plant. Models of neuro-fuzzy Takagi-Sugeno-Kanga (TSK) type were built and tested in the Fuzzy Toolbox of Matlab. The roots of boiler outage (in water-steam pressure system and aside from this system) are indicated. The two approaches to leak detection task are described. In the first, the models of the 4 process variables sensitive to leakage were built. The residues of these models were evaluated in a moving time window. The length of the time window and the advance of leakage detection are discussed. Next, the model the TSK of the boiler faults with binary output was built and tested. Training data was collected for 3 cases of raised outage (models output - 1) and the normal work of installation (models output - 0). The parallel usage of proposed TSK models provided a successful detection of all studied fault cases a few days in advance. This has confirmed the suitability of the fuzzy neural models in an important exploitation task.
Źródło:
Problemy Eksploatacji; 2011, 2; 181-188
1232-9312
Pojawia się w:
Problemy Eksploatacji
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Budowa numerycznego modelu rzeźby terenu toru wodnego metodą opartą na przekrojach
The Construction of a Numerical Terrain Relief Model of a Fairway by the Cross-Sections Method
Autorzy:
Stateczny, A.
Kozak, M.
Powiązania:
https://bibliotekanauki.pl/articles/360648.pdf
Data publikacji:
2006
Wydawca:
Akademia Morska w Szczecinie. Wydawnictwo AMSz
Tematy:
numeryczny model rzeźby terenu
radialne sieci neuronowe
modelowanie dna
EXPLO-SHIP 2006
Numerical Terrain Relief Model
radial neural networks
bottom modeling
Opis:
Artykuł przedstawia metodę budowy numerycznego modelu rzeźby terenu proponowaną dla torów wodnych. Metoda oparta jest na przekrojach aproksymowanych z wykorzystaniem sieci radialnych (RBF), z przyrostowym doborem liczby neuronów radialnych. Przekroje adaptacyjnie dopasowują się do modelowanej powierzchni oraz założonego przez użytkownika błędu, co zapewnia redukcję danych i możliwość wizualizacji powierzchni w czasie rzeczywistym. Do badań wykorzystano powierzchnie testowe oraz rzeczywiste punkty pomiarowe z toru wodnego Szczecin - Świnoujście.
A method of constructing a Numerical Terrain Relief Model dedicated to fairways is presented. The method is based on approximated cross-sections using RBF networks with an incremental selection of radial neurons number. Adaptive cross-sections adjust to the model surface and to an error assumed by the user, which reduces the amount of data and makes it possible to visualize the surface in real time. The research made use of test surfaces as well as real measurement points located in the Szczecin - Świnoujście fairway.
Źródło:
Zeszyty Naukowe Akademii Morskiej w Szczecinie; 2006, 11 (83); 269-277
1733-8670
2392-0378
Pojawia się w:
Zeszyty Naukowe Akademii Morskiej w Szczecinie
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 54

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