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 "sieci Kohonena" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-11 z 11
    Tytuł:
    Zastosowanie sieci neuronowych Kohonena w klasyfikacji stanu obiektu
    Kohonen Neutral Networks for Object State Classification
    Autorzy:
    Gibiec, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/155199.pdf
    Data publikacji:
    2003
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sieci neuronowe Kohonena
    Kohonen Neutral Networks
    Opis:
    W artykule przedstawiono możliwości wykorzystywania sieci neutronowych Kohonena do klasyfikacji stanu. Pokazano poprawne działanie sieci w przypadku danych z dziedziny częstotliwości oraz z dziedziny czasu. Zaprezentowano przykłady zastosowań do klasyfikacji stanu maszyny wirnikowej oraz klasyfikacji stanu procesu realizowanego przez blok energetyczny.
    In this paper application of Kohen"s neutral networks for classification of object condition is presented. Network preformance was testd whit frequency and time domain data. Exemples of classification of a rotating machine condition and a state of process realized in power plant are presented.
    Źródło:
    Pomiary Automatyka Kontrola; 2003, R. 49, nr 5, 5; 11-13
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Sztuczne sieci neuronowe ANN : sieci Kohonena
    Artificial neural networks (ANN) : Kohonen networks
    Autorzy:
    Iljaszewicz, Paweł
    Powiązania:
    https://bibliotekanauki.pl/articles/131981.pdf
    Data publikacji:
    2018
    Wydawca:
    Wrocławska Wyższa Szkoła Informatyki Stosowanej Horyzont
    Tematy:
    Sieci Kohonena
    sieci neuronowe
    mapa samoorganizująca
    SOM
    WEBSOM
    Kohonen networks
    artificial neural networks
    ANN
    Self Organizing Map
    Opis:
    Artykuł omawia sztuczne sieci neuronowe (ang. ANN- Artificial neural networks). Jedną z odmian są sieci Kohonena zwane Mapą Samoorganizującą (ang. SOM – Self Organizing Map) realizują one proces uczenia się sieci neuronowych samodzielnie tzn. rozpoznają relacje występujące w skupieniach poprzez wykrycie wewnętrznej struktury i kategoryzują je w procesie samouczenia. SOM służy do uformowania odwzorowania z przestrzeni wielowymiarowej do przestrzeni jednowymiarowej lub dwuwymiarowej. Główną cechą SOM jest to, że tworzy on nieliniową projekcję wielowymiarową kolektora danych na regularnej, niskowymiarowej (zwykle 2D) sieci. Na wyświetlaczu klastrowanie przestrzeni danych, jak również relacje metryczno-topologiczne elementów danych, są wyraźnie widoczne. Jeśli elementy danych są wektorami, składniki, których są zmiennymi z określone znaczenie, takie jak deskryptory danych statystycznych lub pomiary, które opisują proces, siatka SOM może być wykorzystana, jako podstawa, na której może znajdować się każda zmienna wyświetlane osobno przy użyciu kodowania na poziomie szarości lub pseudo koloru. Ten rodzaj projekcji został uznany za bardzo przydatny do zrozumienia wzajemnych zależności między zmiennymi, a także strukturami zbioru danych.
    The article discusses artificial neural networks (ANN). One of the varieties is the Kohonen network, called the Self Organizing Map (SOM), that perform the learning process of neural networks independently, i.e. they recognize relationships occurring in clusters by detecting an internal structure and categorizing them in the process of self-learning. SOM is used to form mapping from a multidimensional space to a one-dimensional or two-dimensional space. The main feature of SOM is that it creates a non-linear multi-dimensional projection of a data collector on a regular, low-dimensional (usually 2D) network. On the display, data space clustering as well as metric-topological relations of data elements are clearly visible. If the data elements are vectors, the components of which are variables with defined meanings, such as statistical data descriptors or measurements that describe the process, the SOM grid can be used as a basis on which each variable can be displayed separately using gray or pseudo-color coding. This type of projection has been found to be very useful for understanding the interrelationships between variables as well as data set structures.
    Źródło:
    Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej. Informatyka; 2018, 8, 1; 34-39
    2082-9892
    Pojawia się w:
    Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej. Informatyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Segmentation Analysis For Polish Digital Startups in Years 2015 and 2016
    Analiza segmentacyjna polskich startupów cyfrowych w latach 2015–2016
    Autorzy:
    Rostek, Katarzyna
    Skala, Agnieszka
    Powiązania:
    https://bibliotekanauki.pl/articles/2179638.pdf
    Data publikacji:
    2018-06-30
    Wydawca:
    Uniwersytet Warszawski. Wydawnictwo Naukowe Wydziału Zarządzania
    Tematy:
    startup
    segmentation
    clustering
    SOM Kohonen
    characteristics
    digital
    segmentacja
    klasteryzacja
    sieci Kohonena
    charakterystyki
    technologie cyfrowe
    Opis:
    The largest study of the digital industry in Poland has been run since 2015 by the Startup Poland Foundation in cooperation with the researchers from the Warsaw University of Technology. Such studies are not easy to carry out because of the heterogeneity of the definitions of basic concepts, including the definition of a startup. This article presents a comparison of examples of this type of study carried out worldwide and identifies the main differences between them. On the basis of the data obtained from the Foundation’s research, a segmentation and comparative analysis of Polish startups was carried out, the results of which are presented in this article. Six main differentiating features of the defined segments were identified, of which the production of hardware by startups and cooperation with academia were of particular interest.
    Największe badanie startupów branży cyfrowej w Polsce od 2015 r. wykonuje fundacja Startup Poland we współpracy z naukowcami z Politechniki Warszawskiej. Badania takie nie są łatwe do zrealizowania ze względu na niejednorodność definicji podstawowych pojęć, w tym definicji startupu. W artykule przedstawiono zestawienie przykładowych badań tego typu, wykonywanych na świecie i wskazano główne różnice, jakie między nimi występują. Na podstawie danych otrzymanych w ramach badań fundacji, przeprowadzono analizę segmentacyjną i porównawczą polskich startupów, której wyniki zaprezentowano w artykule. Zidentyfikowano sześć głównych cech różnicujących poszczególne segmenty, wśród których na szczególną uwagę zasługuje fakt produkowania przez startupy hardware’u oraz prowadzenie współpracy z nauką.
    Źródło:
    Studia i Materiały; 2018, 1(26); 55-67
    1733-9758
    Pojawia się w:
    Studia i Materiały
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Sztuczne sieci neuronowe Kohonena jako narzędzie w taksonomii paleontologicznej - metodyka oraz zastosowanie na przykładzie późnokredowych belemnitów
    Artificial Kohonen neural networks as a tool in paleontological taxonomy - an introduction and application to Late Cretaceous belemnites
    Autorzy:
    Remin, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/2074559.pdf
    Data publikacji:
    2008
    Wydawca:
    Państwowy Instytut Geologiczny – Państwowy Instytut Badawczy
    Tematy:
    paleontologia
    sztuczna inteligencja
    sieci neuronowe Kohonena
    samoorganizujących się sieci Kohonena
    klasyfikacja
    belemnity
    górna kreda
    paleontology
    artificial intelligence
    artificial neural networks
    Kohonen neural networks
    self-organizing map
    classification
    belemnites
    Upper Cretaceous
    Opis:
    Artificial neural networks (ANNs), the computer software or systems that are able to "learn" on the basis of previously collected input data sets are proposed here as a new useful tool in paleontological modeling. Initially ANNs were designed to imitate the structure and function of natural neural systems such as the human brain. They are commonly used in many natural researches such as physics, geophysics, chemistry, biology, applied ecology etc. Special emphasis is put on the Kohonen self-organizing mapping algorithm, used in unsupervised networks for ordination purposes. The application of ANNs for paleontology is exemplified by study of Late Cretaceous belemnites. The Kohonen networks objectively subdivided the belemnite material] ~ 750 specimens) into consistent groups that could be treated as monospecific. The possibility of transferring these results to the language of classical statistics is also presented. Further development and possibility of use of ANNs in various areas of paleontology, paleobiology and paleoecology is briefly discussed.
    Źródło:
    Przegląd Geologiczny; 2008, 56, 1; 58-66
    0033-2151
    Pojawia się w:
    Przegląd Geologiczny
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Use of neural networks in risk assessment and optimization of insurance cover in innovative enterprises
    Autorzy:
    Pukała, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/398804.pdf
    Data publikacji:
    2016
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    innovative enterprise
    risk
    neural networks
    Kohonen networks
    business insurance
    przedsiębiorstwo innowacyjne
    ryzyko
    sieci neuronowe
    sieci Kohonena
    ubezpieczenia gospodarcze
    Opis:
    The scientific objective of the paper is to present the findings of a study into the use of artificial neural networks in quantifying activity related risks of an innovative enterprise and to optimize its insurance cover in order to minimize the probable financial losses whenever they materialize. The Kohonen network involving the activation of 51 input variables was applied in the study. The outcomes of the stimulation for the given set of variables made it possible to determine the probability of a threat occurring in the classes. The results of the analysis were used to prepare an optimal insurance cover for the activities of the innovative company. The research findings are suitable for use in risk theory as well as in issues relating to entrepreneurship and insurance. The analytical device employed can also be put to practical use as a support tool in corporate risk management.
    Źródło:
    Ekonomia i Zarządzanie; 2016, 8, 3; 43-56
    2080-9646
    Pojawia się w:
    Ekonomia i Zarządzanie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie sieci Kohonena i wykresu rozrzutu do identyfikacji grup miodów według ich cech elektrycznych
    Application of Kohonen map and a scatter diagram for identification of honey groups according to their electric features
    Autorzy:
    Łuczycka, D.
    Pruski, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/291382.pdf
    Data publikacji:
    2012
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    miód
    właściwości elektryczne
    sztuczna sieć neuronowa
    sieci Kohonena
    honey
    electric properties
    artificial neuron networks
    Kohonen maps
    Opis:
    Celem pracy jest wykonanie analiz symulacyjnych bazujących na sieci Kohonena i skalowaniu wielowymiarowym, oraz możliwość zastosowania tych technik do identyfikacji grup miodów odmianowych pod względem cech elektrycznych. Przebadano przenikalność elektryczną, współczynnik strat dielektrycznych oraz przewodność szesnastu gatunków miodów (spadziowe i nektarowe). W wyniku przeprowadzonych analiz stwierdzono, że sieci Kohonena oraz skalowanie wielowymiarowe są dobrymi narzędziami do określania liczności i składu gatunkowego grup miodów odmianowych. Właściwą architekturą sieci Kohonena tworzącą poprawną mapę topologiczną, dla analizowanych cech miodu, jest mapa zbudowana z 9 neuronów wyjściowych o wymiarach 3x3.
    The purpose of the work is to carry out simulation analysis which are based on Kohonen map and multidimensional scaling and the possibility of application of these technologies for identification of cultivar honey groups in relation to their electric properties. Electric conductivity, coefficient of dielectric losses and conductivity of 16 cultivars of honey (honeydew and nectar honey) were researched. As a result of the analysis which was carried out, it was determined that Kohonen map and multidimensional scaling are good devices for determining the number and species composition of cultivar honey groups. A map formed of 9 output neurons of 3x3 dimensions is the proper architecture of Kohonen map which forms a correct topology map for the analysed properties of honey.
    Źródło:
    Inżynieria Rolnicza; 2012, R. 16, nr 2, t. 2, 2, t. 2; 169-175
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Sieci Kohonena jako narzędzie wspomagające budowę prognoz kombinowanych
    Self-Organizing maps as a tool supporting the construction of combined forecasts
    Autorzy:
    Perzyńska, Joanna
    Powiązania:
    https://bibliotekanauki.pl/articles/449693.pdf
    Data publikacji:
    2017
    Wydawca:
    Zachodniopomorska Szkoła Biznesu w Szczecinie
    Tematy:
    modele ekonometryczne
    prognozy kombinowane
    sztuczne sieci neuronowe
    sieci Kohonena
    artificial neural network
    combined forecasts
    econometric models
    Self-Organizing Maps
    Opis:
    W artykule przedstawiono propozycję wykorzystania sieci Kohonena we wstępnym etapie budowy prognoz kombinowanych. Przy pomocy sieci Kohonena można podzielić zbiór dostępnych modeli na rozłączne klasy, a następnie dokonać redukcji ich liczby. Prognozy składowe prognoz kombinowanych wyznacza się wówczas na podstawie modeli należących do różnych klas, co ma zapewnić niepowielanie informacji oraz zwiększyć dokładność prognoz kombinowanych. Ilustracją rozważań o charakterze teoretycznym jest przykład empiryczny, w którym prognozy (indywidualne i kombinowane) wyznaczono dla zmiennej mikroekonomicznej wykazującej wahania sezonowe. Przeprowadzone badania potwierdziły użyteczność zaproponowanej metody.
    In the paper, the author presents suggestion of application of Self-Organizing Maps in the preliminary stage of construction of combined forecasts. Using the SOM, the set of available models can be divided into disjoint classes and then reduced. The component forecasts are then determined on the basis of models belonging to different classes, to ensure that information is not duplicated and to increase the accuracy of the combined forecasts. The illustration of theoretical considerations is the empirical example, in which individual and combined forecasts are calculated for economic variable with seasonal fluctations. The research confirms the usefulness of the suggested method.
    Źródło:
    Zeszyty Naukowe ZPSB Firma i Rynek; 2017, 2(52); 77-85
    2657-3245
    Pojawia się w:
    Zeszyty Naukowe ZPSB Firma i Rynek
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of multidimensional data visualization by means of self-organizing Kohonen maps to evaluate classification possibilities of various coal types
    Zastosowanie wizualizacji wielowymiarowych danych za pomocą sieci Kohonena do oceny możliwości klasyfikacji różnych typów węgla
    Autorzy:
    Jamróz, D.
    Niedoba, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/220033.pdf
    Data publikacji:
    2015
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    Kohonen maps
    grained material analysis
    coal
    multidimensional data
    multidimensional visualization methods
    sieci Kohonena
    analiza materiału uziarnionego
    dane wielowymiarowe
    metody wizualizacji wielowymiarowej
    Opis:
    Multidimensional data visualization methods are a modern tool allowing to classify some analysed objects. In the case of grained materials e.g. coal, many characteristics have an influence on the material quality. The paper presents the possibility of applying visualization techniques for coal type identification and determination of significant differences between various types of coal. To achieve this purpose, the method of Kohonen maps was applied by means of which three types of coal – 31, 34.2 and 35 (according to Polish classification of coal types) were investigated. It was stated that the applied methodology allows to identify certain coal types efficiently and can be used as a qualitative criterion for grained materials.
    Metody wizualizacji wielowymiarowych danych są nowoczesnym narzędziem umożliwiającym klasyfikację analizowanych obiektów, którymi mogą być różnego typu dane opisujące wybrane zjawisko lub materiał. W przypadku materiałów uziarnionych, jakim jest np. węgiel, wiele cech ma wpływ na jakość materiału, tj. np. gęstość, wielkość ziaren, ciepło spalania, zawartość popiołu, zawartość siarki itp. Na potrzeby artykułu przeprowadzono rozdział węgli z trzech wybranych kopalni węgla kamiennego, zlokalizowanych w Górnośląskim Okręgu Przemysłowym. Każda z tych kopalni pracuje na innego typu węglu. W tym przypadku były to węgle o typach 31, 34.2 oraz 35 (według polskiej klasyfikacji typów węgla). Najpierw, materiał został podzielony na klasy ziarnowe a następnie za pomocą rozdziale w cieczy ciężkiej (roztwór chlorku cynku) na frakcje gęstościowe. Dla tak przygotowanego materiału przeprowadzono następnie analizy chemiczne mające na celu określenie takich parametrów, jak zawartość siarki, zawartość popiołu, zawartość części lotnych, ciepło spalania oraz wilgotność analityczną. W ten sposób, dla każdej klaso-frakcji uzyskano bogate charakterystyki badanego materiału. Nasuwa się więc pytanie, czy możliwa jest identyfikacja typu węgla za pomocą dostępnych danych. W tym celu zastosowano wielowymiarową technikę wizualizacji statystycznej. Istnieje wiele metod takiej wizualizacji, z których kilka było już przedmiotem wcześniejszych publikacji autorów. W tym wypadku autorzy zdecydowali się zastosować metodę sieci Kohonena. Metoda ta została opisana w rozdziale 2 pracy, gdzie oprócz opisu teoretycznego podano również główne wzory stosowane podczas modelowania tą metodą (wzory (1)-(5)). Do zbadania postawionego problemu wykorzystano optymalną liczbę iteracji i optymalny czas uczenia sieci. Pewnym problemem pojawiającym się przy takiej wizualizacji jest konieczność doboru parametrów, w celu uzyskania widoku, który w sposób czytelny prezentuje poszukiwane przez nas informacje. Należy wspomnieć, że w trakcie prowadzonych eksperymentów uzyskiwano widoki przy użyciu sieci neuronowej o wielkości od 10 × 10 do 100 × 100 neuronów. Widoki były uzyskiwane przy wartości parametru MAX_DISTANCE od 1 do wielkości sieci oraz parametru ITER od 1 do 5000. Eksperymenty były prowadzone dla różnych wzorów określających modyfikację wag. Przedstawione w pracy wyniki stanowią najbardziej czytelne z uzyskanych. Wizualizacja wielowymiarowa przy użyciu sieci Kohonena pozwala stwierdzić, że informacje zawarte w analizowanych siedmiowymiarowych danych są wystarczające do prawidłowej klasyfikacji typów węgla 31, 34.2 oraz 35, przy czym nawet zobrazowanie 3 typów węgla na jednym rysunku pozwala stwierdzić, że neurony reprezentujące próbki węgla danego typu gromadzą się w skupiskach, które można od siebie odseparować. Z tego wynika, że dane zawierają informacje wystarczające do prawidłowej klasyfikacji węgla. Zauważyć jednak warto, że przedstawienie przy pomocy sieci Kohonena, danych reprezentujących różne typy węgla parami, pozwala uzyskać jeszcze bardziej czytelne wyniki. Najlepsze efekty osiągnięto dla sieci o 40 wierszach oraz 40 kolumnach neuronów, co łącznie dało liczbę 1600 neuronów, zaś czytelność wyników rośnie wraz z postępem uczenia sieci neuronowej (wzrostem parametru ITER). Przeprowadzone doświadczenia w pełni potwierdzają, że zastosowana metoda może być z powodzeniem wykorzystana w badaniach jakościowych związanych z różnego typu materiałami uziarnionymi, w tym również węglem. Badania w tym zakresie są kontynuowane.
    Źródło:
    Archives of Mining Sciences; 2015, 60, 1; 39-50
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Selekcja podobrazów dla potrzeb dopasowywania zdjęć lotniczych oparta na histogramach gradientu i sieci neuronowej
    Selection of sub-images for aerial photographs matching purposes based on gradient distribution and neural networks
    Autorzy:
    Czechowicz, A.
    Mikrut, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/131000.pdf
    Data publikacji:
    2007
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    fotogrametria
    wzajemne dopasowanie
    algorytm Canny'ego
    histogram gradientów
    SOM
    sieci Kohonena
    sieci backpropagation
    photogrammetry
    mutual matching
    Canny edge detector
    gradient histogram
    Kohonen networks
    backpropagation networks
    Opis:
    Artykuł przedstawia wyniki wykorzystania sieci neuronowych do selekcji podobrazów oraz wyniki wyszukiwania wybranych obszarów na pozostałych zdjęciach z wykorzystaniem rozkładu odpowiedzi dla sieci SOM Kohonena. Zaproponowano reprezentacje fragmentu obrazu oparta na rozkładzie wartości modułu gradientu i jego kierunku. Badania przeprowadzono na dziewięciuset podobrazach zdjęć lotniczych okolic Krakowa o różnym pokryciu terenu podzielonych na trzy kategorie: obszarów korzystnych, pośrednich i niekorzystnych pod względem wyszukiwania cech do orientacji wzajemnej. Dla każdego z obrazów, w oparciu o algorytm Canny’ego, wyznaczono krawędzie. Na podstawie wartości gradientu i kierunków wykrytych krawędzi sporządzono histogram, który następnie posłużył wyznaczeniu reprezentacji podobrazu w postaci profilu kierunku. Tak przygotowana reprezentacje wykorzystano do uczenia sieci neuronowych metoda nadzorowana (backpropagation) oraz nienadzorowana (Kohonena), a następnie do klasyfikacji obszarów nauczonymi sieciami. W przypadku sieci backpropagation miara efektywności klasyfikacji był globalny współczynnik rozpoznania oraz macierz pomyłek. Dla sieci Kohonena wyznaczano współczynnik kompletności i poprawności. Wyniki zestawiono z rezultatami otrzymanymi na drodze uczenia metoda wstecznej propagacji błędów, gdzie generowane na mapie Kohonena odpowiedzi stanowiły sygnał wejściowy dla warstwy backpropagation. W dalszym etapie wytypowane obszary korzystne poszukiwano na sąsiednich obrazach. Wzmocniony funkcja preferująca wysokie wartości rozkład odpowiedzi na mapie cech siec Kohonena, uzyskany dla podobrazów korzystnych, porównywano z rozkładem dla podobrazów o tych samych wymiarach na sąsiednich zdjęciach. Za miarę podobieństwa obszarów przyjęto współczynnik korelacji dla porównywanych odpowiedzi sieci.
    This paper describes the application of neural networks for selection of sub-images and the result of the search for the selected areas on the remaining photographs with the utilisation of Kohonen’s SOM network responses distribution. Image fragment representation based on the gradient magnitude values distribution and its direction was proposed. The research was conducted on nine hundred sub-images, taken from aerial photographs of the Cracow’s environs with different terrain cover, divided into three categories: advantageous, intermediate and disadvantageous areas in respect of searching for the features for mutual matching. The edges were detected with Canny algorithm. Based on the gradient values and the directions of the edges, the histogram was created and used to determine the representation of the sub-image in the direction’s profile form. The prepared representation served for teaching the neural network using supervised (backpropagation) and unsupervised (Kohonen) method and later for the classification. For the backpropagation network, the classification effectiveness was measured using the global recognition coefficient and the cooccurrence matrix. For the Kohonen network, the completeness and correctness coefficients were determined. Afterwards, the two networks were put together: the responses generated on the Kohonen map constituted the input signal for the backpropagation layer. In the next step, the adjacent images were sought for the chosen areas. Response distribution on the Kohonen network feature map, amplified with the function preferring the high values, was compared with the distribution for the same size sub-images of the adjacent photographs. To measure the similarity of the subimages, the correlation coefficient to compare network’s responses was used.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2007, 17a; 149-158
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie sztucznych sieci neuronowych Kohonena do prognozowania dobowego poboru wody.
    Application of Kohonen Artificial Neural Networks to the Prediction of Daily Water Consumption.
    Autorzy:
    Licznar, P.
    Łomotowski, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/237690.pdf
    Data publikacji:
    2006
    Wydawca:
    Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
    Tematy:
    dobowy pobór wody
    prognozowanie
    sieci neuronowe Kohonena
    daily water consumption
    prediction
    artificial neural networks
    perceptron networks
    Self-Organizing Feature Map (SOFM)
    Opis:
    W pracy przedstawiono wyniki badań nad zastosowaniem samoorganizujących sieci Kohonena do prognozowania dobowego poboru wody. Dotychczas do prognozowania poboru wody używano sztucznych sieci neuronowych najprostszych typów, głównie sieci perceptronowych o pojedynczej warstwie ukrytej. Otrzymywano przy tym wyniki porównywalne lub lepsze od modeli stochastycznych opartych o analizę szeregów czasowych, jednakże sieci te nie pozwalały wniknąć w istotę kształtowania się procesu poboru wody. Wagi poszczególnych neuronów sieci perceptronowych, ustalane w trakcie ich uczenia, nie są bowiem powiązane z fizycznymi cechami prognozowanego szeregu czasowego. Z tego względu podjęto próbę zastosowania samoorganizujących sieci Kohonena dla prognozowania dobowego poboru wody w sieci wodociągowej. W badaniach wykorzystano szereg czasowy dobowego zużycia wody z lat 1996-2002 jednego z większych polskich wodociągów. Prognoza była wykonana dwuetapowo. Pierwszym jego etapem było prognozowanie sumarycznego tygodniowego rozbioru wody przy użyciu prostej sieci perceptronowej szeregu czasowego. W następnym etapie prognozowany całkowity, tygodniowy, rozbiór był rozdzielany na poszczególne dni tygodnia, zgodnie z wzorcami rozpoznanymi dla poszczególnych okresów roku przez samoorganizującą się strukturę sieci Kohonena. Otrzymywane wyniki były porównywalne z wcześniejszymi rezultatami autorów, uzyskanymi na tym obiekcie do prognozowania przy wykorzystaniu prostych sieci neuronowych oraz metody wygładzania wykładniczego. Dodatkowym - poznawczym - wynikiem przeprowadzonych badań są opracowane, przy wykorzystaniu sieci samoorganizującej się na zasadzie współzawodnictwa, profile tygodniowego poboru wody.
    The objective of the study was to develop a hybrid tool for predicting daily water consumption by the combined use of the perceptron and Kohonen artificial neural networks. The investigations included a 7-year time series of total daily water consumption in the time span of 1996 to 2002, coming from one of Poland's largest water distribution systems. The prediction process was a two-stage one. At the first stage, the Self-Organizing Feature Map (SOFM) was made in order to establish the weekly water distribution patterns that are typical for each season of the year. At the second stage, a simple single hidden layer perceptron networks was built to enable the prediction of total weekly water consumption. Owing to the combined use of the perceptron and Kohonen artificial neural networks it was possible to work out high-quality daily water consumption predictions and to identify typical seasonal patterns of weekly water consumption.
    Źródło:
    Ochrona Środowiska; 2006, R. 28, nr 1, 1; 45-48
    1230-6169
    Pojawia się w:
    Ochrona Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of different types of neuronal nets for failures location within water-supply networks
    Porównanie różnych typów sieci neuronowych do lokalizacji awarii w sieciach wodociągowych
    Autorzy:
    Rojek, I.
    Studziński, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/1365982.pdf
    Data publikacji:
    2014
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    sieci wodociągowe
    modele hydrauliczne sieci
    wykrywanie i lokalizacja wycieków wody
    sieci neuronowe MLP i Kohonena
    water supply networks
    network hydraulic models
    detection and location of water leaks
    MLP and Kohonen neuronal nets
    Opis:
    W artykule prezentowane są różne typy sieci neuronowych do lokalizacji awarii w sieci wodociągowej. Obecne wykorzystanie systemów monitorowania nie odpowiada ich możliwościom. Współcześnie systemy monitoringu służą jako autonomiczne programy do zbierania informacji o przepływach i ciśnieniach wody w pompowniach źródłowych, hydroforniach strefowych i końcówkach sieci wodociągowej, dając ogólną wiedzę o stanie jej pracy, gdy jednocześnie mogą i powinny być wykorzystane jako elementy IT systemów zarządzania siecią, w tym w szczególności w zakresie wykrywania i lokalizacji wycieków wody. Modele lokalizacji awarii sieci zostały utworzone przy wykorzystaniu jednokierunkowych sieci neuronowych ze wsteczną propagacją błędu typu MLP i sieci Kohonena.
    The different types of neuronal nets for failures location within a water-supply network are presented in the paper. The present utilization of the monitoring systems does not exhaust their possibilities. The monitoring systems operated as autonomic programs gather the information about flows and pressures of water in the source pumping stations, in the zones of hydrophore stations and also in some selected pipes of water network, giving general knowledge about state of its work, when simultaneously they could and should be used as elements of IT systems for network management, and particularly regarding detection and location of hidden water leaks. The models of network failures location are created by means of neuronal nets in the form of MLP and Kohonen nets.
    Źródło:
    Eksploatacja i Niezawodność; 2014, 16, 1; 42-47
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-11 z 11

      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