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 "multi-layer perceptron" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-7 z 7
    Tytuł:
    Developing a data-driven soft sensor to predict silicate impurity in iron ore flotation concentrate
    Autorzy:
    Pural, Yusuf Enes
    Powiązania:
    https://bibliotekanauki.pl/articles/24148677.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
    Tematy:
    soft sensor
    machine learning
    random forest
    multi-layer perceptron
    flotation
    grade estimation
    Opis:
    Soft sensors are mathematical models that estimate the value of a process variable that is difficult or expensive to measure directly. They can be based on first principle models, data-based models, or a combination of both. These models are increasingly used in mineral processing to estimate and optimize important performance parameters such as mill load, mineral grades, and particle size. This study investigates the development of a data-driven soft sensor to predict the silicate content in iron ore reverse flotation concentrate, a crucial indicator of plant performance. The proposed soft sensor model employs a dataset obtained from Kaggle, which includes measurements of iron and silicate content in the feed to the plant, reagent dosages, weight and pH of pulp, as well as the amount of air and froth levels in the flotation units. To reduce the dimensionality of the dataset, Principal Component Analysis, an unsupervised machine learning method, was applied. The soft sensor model was developed using three machine learning algorithms, namely, Ridge Regression, Multi-Layer Perceptron, and Random Forest. The Random Forest model, created with non-reduced data, demonstrated superior performance, with an R-squared value of 96.5% and a mean absolute error of 0.089. The results suggest that the proposed soft sensor model can accurately predict the silicate content in the iron ore flotation concentrate using machine learning algorithms. Moreover, the study highlights the importance of selecting appropriate algorithms for soft sensor developments in mineral processing plants.
    Źródło:
    Physicochemical Problems of Mineral Processing; 2023, 59, 5; art. no. 169823
    1643-1049
    2084-4735
    Pojawia się w:
    Physicochemical Problems of Mineral Processing
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of Water Quality Index and Multivariate Statistical Techniques to Assess and Predict of Groundwater Quality with Aid of Geographic Information System
    Autorzy:
    Dawood, Ammar S.
    Jabbar, Mushtak T.
    Al-Tameemi, Hayfaa H.
    Baer, Eric M.
    Powiązania:
    https://bibliotekanauki.pl/articles/2105290.pdf
    Data publikacji:
    2022
    Wydawca:
    Polskie Towarzystwo Inżynierii Ekologicznej
    Tematy:
    cluster analysis
    water quality
    groundwater
    factor analysis
    WQI
    GIS
    multi-layer perceptron
    Opis:
    In this study, the groundwater quality and spatial distribution of the Basra province in the south of Iraq was assessed and mapped for drinking and irrigation purposes. Groundwater samples (n = 41) were collected from deep wells in the study area to demonstrate, estimate and model the Water Quality Index (WQI). The analysis of water samples integrated with GIS-based IDW technique was used to express the spatial variation in the study area with consideration of WQI. The physicochemical parameters, including pH, sodium (Na+), electrical conductivity (EC), chloride (Cl-), total dissolved solids (TDS), calcium (Ca2+), nitrate (NO3-), sulfate (SO42-), magnesium (Mg2+), and bicarbonate (HCO3-) were identified for groundwater quality assessment. The results of calculated WQI classify groundwater into three sorts. The results of WQI showed that 2.5%, 2.5% and 95% of the groundwater samples were classified as poor/very poor/unsuitable for drinking, respectively. The GIS tools integrated with statistical techniques are utilized for spatial distribution and description of water quality. Correlation analysis of groundwater data revealed that some parameters have actually a relationship that is strong with the other parameters and they share a common source of origin. Multivariate statistical techniques, especially cluster analysis (CA) and factor analysis (FA), were applied for the evaluation of spatial variations of forty-one selected groundwater samples. Cluster analysis confirmed that some different locations of wells have comparable sourced elements of water pollution, whereas factor analysis yielded three factors which are accountable for groundwater quality variations, clarifying more than 72% of the total variance of the data and permitted to group the preferred water quality. MultiLayer Perceptron (MLP) models were applied in modeling the water quality index. Comparing different result values of the MLP network suggested that the values of MSE and r for the selected model are 0.1940 and 0.9998, respectively. Finally, it can be revealed that the MLP network precisely predicted the output, i.e. the WQI values.
    Źródło:
    Journal of Ecological Engineering; 2022, 23, 6; 189--204
    2299-8993
    Pojawia się w:
    Journal of Ecological Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Development of a neural statistical model for the prediction of relative humidity levels in the region of Rabat-Kenitra, North West Morocco
    Autorzy:
    El Azhari, Kaoutar
    Abdallaoui, Badreddine
    Dehbi, Ali
    Abdalloui, Abdelaziz
    Zineddine, Hamid
    Powiązania:
    https://bibliotekanauki.pl/articles/2174362.pdf
    Data publikacji:
    2022
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    artificial neural network
    ANN
    learning algorithm
    multi-layer perceptron
    MLP
    modelling
    Rabat-Kenitra
    relative humidity
    Opis:
    This article accounts for the development of a powerful artificial neural network (ANN) model, designed for the prediction of relative humidity levels, using other meteorological parameters such as the maximum temperature, minimum temperature, precipitation, wind speed, and intensity of solar radiation in the Rabat-Kenitra region (a coastal area where relative humidity is a real concern). The model was applied to a database containing a daily history of five meteorological parameters collected by nine stations covering this region from 1979 to mid-2014. It has been demonstrated that the best performing three-layer (input, hidden, and output) ANN mathematical model for the prediction of relative humidity in this region is the multi-layer perceptron (MLP) model. This neural model using the Levenberg-Marquard algorithm, with an architecture of [5-11-1] and the transfer functions Tansig in the hidden layer and Purelin in the output layer, was able to estimate relative humidity values that were very close to those observed. This was affirmed by a low mean squared error (MSE) and a high correlation coefficient (R), compared to the statistical indicators relating to the other models developed as part of this study.
    Źródło:
    Journal of Water and Land Development; 2022, 54; 13--20
    1429-7426
    2083-4535
    Pojawia się w:
    Journal of Water and Land Development
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Multi-Layer Perceptron Neural Network Utilizing Adaptive Best-Mass Gravitational Search Algorithm to Classify Sonar Dataset
    Autorzy:
    Mosavi, Mohammad Reza
    Khishe, Mohammad
    Naseri, Mohammad Jafar
    Parvizi, Gholam Reza
    Ayat, Mehdi
    Powiązania:
    https://bibliotekanauki.pl/articles/176971.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    MLP NN
    Multi-Layer Perceptron Neural Network
    ABGSA
    Adaptive Best Mass Gravitational Search Algorithm
    sonar
    classification
    Opis:
    In this paper, a new Multi-Layer Perceptron Neural Network (MLP NN) classifier is proposed for classifying sonar targets and non-targets from the acoustic backscattered signals. Besides the capabilities of MLP NNs, it uses Back Propagation (BP) and Gradient Descent (GD) for training; therefore, MLP NNs face with not only impertinent classification accuracy but also getting stuck in local minima as well as lowconvergence speed. To lift defections, this study uses Adaptive Best Mass Gravitational Search Algorithm (ABGSA) to train MLP NN. This algorithm develops marginal disadvantage of the GSA using the bestcollected masses within iterations and expediting exploitation phase. To test the proposed classifier, this algorithm along with the GSA, GD, GA, PSO and compound method (PSOGSA) via three datasets in various dimensions will be assessed. Assessed metrics include convergence speed, fail probability in local minimum and classification accuracy. Finally, as a practical application assumed network classifies sonar dataset. This dataset consists of the backscattered echoes from six different objects: four targets and two non-targets. Results indicate that the new classifier proposes better output in terms of aforementioned criteria than whole proposed benchmarks.
    Źródło:
    Archives of Acoustics; 2019, 44, 1; 137-151
    0137-5075
    Pojawia się w:
    Archives of Acoustics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie sztucznych sieci neuronowych do klasyfikacji struktur odmienionych węgla kamiennego w strefach przyuskokowych
    The application of artificial neural networks for the classification of altered structures of hard coal in near-fault zones
    Autorzy:
    Młynarczuk, M.
    Godyń, K.
    Skiba, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/166211.pdf
    Data publikacji:
    2015
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Górnictwa
    Tematy:
    struktura węgla
    uskoki
    sztuczne sieci neuronowe
    perceptron wielowarstwowy (MLP)
    coal structure
    near-fault zones
    artificial neural networks
    multi-layer perceptron (MLP)
    Opis:
    Wewnętrzna budowa strukturalna węgla kamiennego ze stref uskokowych, w szczególności obecność spękań o charakterze egzogenicznym, kataklazy oraz mylonitu, może odpowiadać za zwiększoną pojemność gazową węgla i wskazywać na pokłady szczególnie zagrożone zjawiskami gazo-geodynamicznymi. Problematyka węgla odmienionego strukturalnie jest przedmiotem zainteresowania badaczy z różnych krajów. Zaproponowali oni metody klasyfikacji takiego węgla. W ramach opisywanych badań skupiono się na jednej z takich metod w celu zweryfikowania możliwości wykorzystania sztucznych sieci neuronowych jako narzędzia wspomagającego decyzje dotyczące klasyfikacji poszczególnych struktur. Badania prowadzono na zdjęciach wykonanych przy użyciu mikroskopu optycznego. Zdefiniowano wielowymiarową przestrzeń cech, bazującą głównie na parametrach otrzymanych z różnie zdefiniowanych gradientów. W badaniach wykorzystano dwuwarstwową sieć jednokierunkową (MLP). Jej zastosowanie umożliwiło zweryfikowanie w sposób sformalizowany subiektywnych decyzji obserwatora. W rezultacie badań wykazano, że użycie sztucznych sieci neuronowych pozwala na klasyfikację struktur odmienionych węgla na poziomie 91% zgodności z decyzjami obserwatora-geologa.
    The internal structure of hard coal in near-fault zones - in particular, the presence of exogenic cracks, cataclasis and mylonite - can be the decisive factor when it comes to the increased gas capacity of coal and pose a greater risk of the occurrence of gaso-geodynamic phenomena. The problem of structurally altered coal has been of interest to a lot of researchers from various countries, who have proposed certain methods of classifying such coal. As part of the described research, one of such methods was analyzed, with the aim of verifying the possibilities of using artificial neural networks as a tool facilitating the classification of particular structures. The analysis was performed with the use of photographs taken with the optical microscope. A multidimensional feature space was determined, based mainly on the parameters obtained from differently defined gradients. A two-layer, unidirectional network (MLP) was used in the research, which made it possible to verify - in a formalized way - subjective decisions of the researcher. The tests ultimately demonstrated that the application of artificial neural networks results in successful classification of the altered structures of coal, with the level of compatibility with the decisions made by a researcher-geologist at ca. 91 percent.
    Źródło:
    Przegląd Górniczy; 2015, 71, 11; 15-20
    0033-216X
    Pojawia się w:
    Przegląd Górniczy
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application perspective of digitalneural networks in the context of marine technologies
    Autorzy:
    Konon, V.
    Konon, N.
    Powiązania:
    https://bibliotekanauki.pl/articles/24201415.pdf
    Data publikacji:
    2022
    Wydawca:
    Uniwersytet Morski w Gdyni. Wydział Nawigacyjny
    Tematy:
    marine technology
    multi-layer perceptron
    neural networks
    digital neural networks
    maritime industry
    MLP algorithm
    3D model
    Artificial Neural Network
    Opis:
    This study is focused on the issue of digital neural networks’ implementation in the context of maritime industry. Various algorithms of such networks in the terms of the marine technologies have been reviewed in the current study in order to evaluate the effectiveness of the methodology and to propose a new concept of an artificial neural network’s application in this way. Fire-detection system simulation based on the thermal imagers’ data input had been developed to assess the efficiency of the concept suggested with a multi-layer perceptron (MLP) algorithm integrated into the designed 3d-model.
    Źródło:
    TransNav : International Journal on Marine Navigation and Safety of Sea Transportation; 2022, 16, 4; 743--747
    2083-6473
    2083-6481
    Pojawia się w:
    TransNav : International Journal on Marine Navigation and Safety of Sea Transportation
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Lokalizacja punktów pomiarowych w systemie do trójwymiarowego pozycjonowania ciała wybranymi metodami sztucznej inteligencji
    Detection of measurement points in a 3D body positioning system by means of artificial intelligence
    Autorzy:
    Czechowicz, A.
    Tokarczyk, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/131086.pdf
    Data publikacji:
    2009
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    fotogrametria
    pozycjonowanie ciała
    sieci neuronowe
    perceptron wielowarstwowy
    wsteczna propagacja błędów
    sieci z radialnymi funkcjami bazowymi
    photogrammetry
    body positioning
    neural networks
    multi-layer perceptron
    error back-propagation
    radial basis function networks
    Opis:
    Fotogrametryczny system cyfrowy do pomiaru ciała ludzkiego dla celów badania wad postawy służy do wyznaczania przestrzennego położenia wybranych jego punktów. Wymaga on pomierzenia na zdjęciach cyfrowych trzech grup punktów, zwanych w tytule referatu punktami pomiarowymi: fotopunktów, markerów sygnalizowanych na pacjencie oraz źrenic oczu. Fotopunkty to czarno-białe sygnały pozwalające na orientację w przestrzeni modelu utworzonego ze zdjęć. Markery to styropianowe kulki o średnicy 4÷5 mm sygnalizujące wybrane elementy kośćca umieszczone na powierzchni ciała. Artykuł dotyczy wykorzystania sieci neuronowych do lokalizacji fotopunktów i styropianowych markerów. Zadaniem sieci jest klasyfikacja kolejnych fragmentów obrazu na zawierające obraz fotopunktu, markera lub niezawierające obrazu żadnego z nich. W ramach badań sprawdzono możliwość przeprowadzenia zdefiniowanej powyżej klasyfikacji sieciami o architekturze wielowarstwowego perceptronu (ang. Multi Layer Perceptron –MLP) ze wsteczną propagacją błędu oraz sieciami z radialnymi funkcjami bazowymi RBF (ang. Radial Basis Function Networks). Zweryfikowano przydatność reprezentacji opartej na informacji o rozkładzie wartości gradientu oraz jego kierunku dla celów wykrycia punktów pomiarowych. Wspomniana reprezentacja wywodzi się z badań nad selekcją podobrazów dla potrzeb dopasowania zdjęć lotniczych.
    A digital photogrammetric system for making measurements of the human body for the purpose of studying faulty posture is designed to determine the three-dimensional location of selected points in the human body. It requires the measurement of three groups of points on digital images, points referred to in this paper’s title as measurement points, i.e. control points, markers indicated on the patient’s body and pupils of the eyes. Control points are black and white signals permitting the correct orientation in space of a model created from the images. The markers are balls of polystyrene foam of 4-5 mm diameter, placed on the body, which indicate selected elements of the human skeleton. This paper describes the utilisation of neural networks to locate control points and markers. The aim of the networks is to classify consecutive fragments of an image as containing control points, containing markers or not containing any of these features. The research covered evaluation of the possibility of conducting this classification using Multi Layer Perceptron Networks with back propagation of errors as well as with Radial Basis Function Networks. The usefulness of a representation based on information about the distribution of gradient value and direction for the purpose of the detection of measurement points has been verified. This representation comes from earlier research on the selection of subimages for the purpose of matching the aerial pictures.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2009, 20; 67-79
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    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