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 "neuro fuzzy model" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Beta neuro-fuzzy systems
    Autorzy:
    Alimi, A. M.
    Powiązania:
    https://bibliotekanauki.pl/articles/1931568.pdf
    Data publikacji:
    2003
    Wydawca:
    Politechnika Gdańska
    Tematy:
    beta function
    kernel based neural networks
    Sugeno fuzzy model
    neuro-fuzzy systems
    universal approximation property
    learning algorithms
    incremental learning
    Opis:
    In this paper we present the Beta function and its main properties. A key feature of the Beta function, which is given by the central-limit theorem, is also given. We then introduce a new category of neural networks based on a new kernel: the Beta function. Next, we investigate the use of Beta fuzzy basis functions for the design of fuzzy logic systems. The functional equivalence between Beta-based function neural networks and Beta fuzzy logic systems is then shown with the introduction of Beta neuro-fuzzy systems. By using the SW theorem and expanding the output of the Beta neuro-fuzzy system into a series of Beta fuzzy-based functions, we prove that one can uniformly approximate any real continuous function on a compact set to any arbitrary accuracy. Finally, a learning algorithm of the Beta neuro-fuzzy system is described and illustrated with numerical examples.
    Źródło:
    TASK Quarterly. Scientific Bulletin of Academic Computer Centre in Gdansk; 2003, 7, 1; 23-41
    1428-6394
    Pojawia się w:
    TASK Quarterly. Scientific Bulletin of Academic Computer Centre in Gdansk
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Trendy i problemy w diagnostyce procesów
    Trends and problems in diagnostics
    Autorzy:
    Korbicz, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/328569.pdf
    Data publikacji:
    2004
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    diagnostyka procesów
    model-based structure
    układ z modelem
    obserwator o nieznanych wejściach
    sztuczne sieci neuronowe
    logika rozmyta
    sieci neuronowo-rozmyte
    algorytmy ewolucyjne
    process diagnosis
    unknown input observers
    artificial neural networks
    fuzzy logic
    neuro-fuzzy systems
    evolutionary algorithms
    Opis:
    W ostatnich latach w systemach detekcji i lokalizacji uszkodzeń dla układów dynamicznych stosuje się zintegrowane ilościowe i jakościowe modele informacji, a większość z nich oparta jest na modelach obliczeń inteligentnych. Celem niniejszej pracy jest prezentacja nowych metod i technik analitycznych oraz obliczeń inteligentnych w systemach diagnostyki procesów. Przyjmując strukturę układu diagnostyki z modelem omawia się możliwości stosowania modeli analitycznych, a przede wszystkim obserwatorów o nieznanych wejściach. Szerzej rozpatruje się alternatywne podejścia oparte na wykorzystaniu metod obliczeń inteligentnych, takich jak sztuczne sieci neuronowe, logika rozmyta, sieci neuronowo-rozmyte oraz algorytmy ewolucyjne do rozwiązywania zadań globalnej optymalizacji. Dla zilustrowania efektywności metod sztucznych sieci neuronowych typu GMDH w układach diagnostyki w końcowej części referatu rozpatruje się problem diagnostyki urządzenia wykonawczego w Cukrowni Lublin.
    Recents approaches to Fault Detection and Isolation (FDI) for dynamic systems use methods of integrating quantitative and qualitative model information, and most of these are based on soft computing methods. The purpose of this paper is to present new methods and applications in the field of analytical and soft computing techniques for fault diagnosis of processes. Taking into account the model-based structure of a diagnostics system, possible applications of analytical models, and first of all unknown input observers, are considered. Alternative soft computing methods such as artificial neural networks, fuzzy logic, neuro-fuzzy structures and evolutionary algorithms for global optimization problems are presented and discussed in greater detail. To illustrate the effectiveness of GMDH artificial neural networks in fault diagnosis, an industrial valve actuator system in a sugar factory (Cukrownia Lublin S.A., Poland) is tested.
    Źródło:
    Diagnostyka; 2004, 30, T. 1; 275-286
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Adaptive control of cluster-based Web systems using neuro-fuzzy models
    Autorzy:
    Zatwarnicki, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/331413.pdf
    Data publikacji:
    2012
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    model rozmyto neuronowy
    dystrybucja żądań
    klaster serwerów
    QoWS
    neuro fuzzy model
    request distribution
    web cluster
    Opis:
    A significant development of Web technologies requires the application of more and more complex systems and algorithms for maintaining high quality of Web services. Presently, not only simple decision-making tools but also complex adaptation algorithms using artificial intelligence techniques are applied for controlling HTTP request traffic. The paper presents a new LFNRD (Local Fuzzy-Neural Adaptive Request Distribution) algorithm for request distribution in cluster-based Web systems using neuro-fuzzy models of Web servers in the decision-making process. The neuro-fuzzy model which is applied is discussed in detail and a design of the Web switch using the proposed solution is presented. Finally, a testbed is described and the results of a comparative simulation study on the LFNRD algorithm, and other algorithms known from the literature and used in the industry, are presented and discussed.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2012, 22, 2; 365-377
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A hybrid model for modelling the salinity of the Tafna River in Algeria
    Hybrydowy model służący modelowaniu zasolenia rzeki Tafna w Algierii
    Autorzy:
    Houari, Khemissi
    Hartani, Tarik
    Remini, Boualem
    Lefkir, Abdelouhab
    Abda, Leila
    Heddam, Salim
    Powiązania:
    https://bibliotekanauki.pl/articles/292367.pdf
    Data publikacji:
    2019
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    Adaptive-Network-Based Fuzzy Inference System (ANFIS)
    hybrid model
    neuro-fuzzy
    salinity
    salt flow
    Tafna River
    model hybrydowy
    przepływ soli
    rzeka Tafna
    system neuronowo-rozmyty
    system wnioskowania rozmytego (ANFIS)
    zasolenie
    Opis:
    In this paper, the capacity of an Adaptive-Network-Based Fuzzy Inference System (ANFIS) for predicting salinity of the Tafna River is investigated. Time series data of daily liquid flow and saline concentrations from the gauging station of Pierre du Chat (160801) were used for training, validation and testing the hybrid model. Different methods were used to test the accuracy of our results, i.e. coefficient of determination (R2), Nash–Sutcliffe efficiency coefficient (E), root of the mean squared error (RSR) and graphic techniques. The model produced satisfactory results and showed a very good agreement between the predicted and observed data, with R2 equal (88% for training, 78.01% validation and 80.00% for testing), E equal (85.84% for training, 82.51% validation and 78.17% for testing), and RSR equal (2% for training, 10% validation and 49% for testing).
    W pracy badano zdolność systemu wnioskowania rozmytego opartego na adaptacyjnej sieci (ANFIS) do przewidywania zasolenia rzeki Tafna. Do trenowania, oceny i testowania modelu hybrydowego wykorzystano serie pomiarów dobowych przepływów płynu i stężeń soli ze stacji pomiarowej w Pierre du Chat (160801). Dokładność wyników testowano za pomocą: współczynnika determinacji (R2), współczynnika wydajności Nasha–Sutcliffe’a (E), pierwiastka średniego błędu kwadratowego (RSR) i technik graficznych. Model dał zadowalające wyniki i wykazywał dobrą zgodność między danymi obserwowanymi a przewidywanymi: R2 (88% w przypadku uczenia sieci, 78.01% walidacji i 80.00% testowania), E (85.84% w przypadku uczenia sieci, 82.51% walidacji i 78.17% testowania) i RSR (2% w przypadku uczenia sieci, 10% walidacji i 49% testowania).
    Źródło:
    Journal of Water and Land Development; 2019, 40; 127-135
    1429-7426
    2083-4535
    Pojawia się w:
    Journal of Water and Land Development
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modelling of Plastic Flow Behaviour of Metals in the Hot Deformation Process Using Artificial Intelligence Methods
    Autorzy:
    Mrzygłód, Barbara
    Łukaszek-Sołek, Aneta
    Olejarczyk-Wożeńska, Izabela
    Pasierbiewicz, Karolina
    Powiązania:
    https://bibliotekanauki.pl/articles/2174622.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    hot deformation
    Inconel 718
    rheological model
    forming process
    neuro-fuzzy inference system
    odkształcanie na gorąco
    model reologiczny
    proces formowania
    Opis:
    Hot deformation of metals is a widely used process to produce end products with the desired geometry and required mechanical properties. To properly design the hot forming process, it is necessary to examine how the tested material behaves during hot deformation. Model studies carried out to characterize the behaviour of materials in the hot deformation process can be roughly divided into physical and mathematical simulation techniques. The methodology proposed in this study highlights the possibility of creating rheological models for selected materials using methods of artificial intelligence, such as neuro-fuzzy systems. The main goal of the study is to examine the selected method of artificial intelligence to know how far it is possible to use this method in the development of a predictive model describing the flow of metals in the process of hot deformation. The test material was Inconel 718 alloy, which belongs to the family of austenitic nickel-based superalloys characterized by exceptionally high mechanical properties, physicochemical properties and creep resistance. This alloy is hardly deformable and requires proper understanding of the constitutive behaviour of the material under process conditions to directly enable the optimization of deformability and, indirectly, the development of effective shaping technologies that can guarantee obtaining products with the required microstructure and desired final mechanical properties. To be able to predict the behaviour of the material under non-experimentally tested conditions, a rheological model was developed using the selected method of artificial intelligence, i.e. the Adaptive Neuro-Fuzzy Inference System (ANFIS). The source data used in these studies comes from a material experiment involving compression of the tested alloy on a Gleeble 3800 thermo-mechanical simulator at temperatures of 900, 1000, 1050, 1100, 1150oC with the strain rates of 0.01 - 100 s-1 to a constant true strain value of 0.9. To assess the ability of the developed model to describe the behaviour of the examined alloy during hot deformation, the values of yield stress determined by the developed model (ANFIS) were compared with the results obtained experimentally. The obtained results may also support the numerical modelling of stress-strain curves.
    Źródło:
    Archives of Foundry Engineering; 2022, 22, 3; 41--52
    1897-3310
    2299-2944
    Pojawia się w:
    Archives of Foundry Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      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