Wyniki wyszukiwania - BazTech

1

The application of sentence sequences in the diagnosis of Parkinson’s disease from handwriting samples using convolutional neural networks

Białek Kamila, Potulska-Chromik Anna, Jakubowski Jacek, Nojszewska Monika, Kostera-Pruszczyk Anna

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 2

10--13

EN

This paper presents the application of convolutional neural networks with the aim to recognize Parkinson's disease from handwriting samples. A method to improve binary classification results in disease diagnosis is presented using a series of images representing individual sentences derived from their sequence recording.

PL

W artykule zaprezentowano zastosowanie konwolucyjnych sieci neuronowych do rozpoznawania choroby Parkinsona na podstawie próbek pisma. Przedstawiono metodę poprawy wyników klasyfikacji binarnej w diagnostyce choroby poprzez użycie serii obrazów prezentujących pojedyncze zdania pochodzące z zapisu ich sekwencji.

2

The application of convolutional neural networks in age recognition based on handwriting samples

Białek Kamila, Jakubowski Jacek, Białek Rafał

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 3

24--27

EN

This paper presents an attempt to use a convolutional neural network to recognize the age group of people based on handwriting images recorded on a graphics tablet. A binary classification was performed between three age groups: young adults, middle-aged adults, and older adults.

PL

Artykuł przedstawia próbę wykorzystania konwolucyjnej sieci neuronowej do rozpoznawania przynależności do grupy wiekowej osób na podstawie obrazów pisma ręcznego zarejestrowanych za pomocą tabletu graficznego. Przeprowadzono klasyfikację binarną między trzema grupami wiekowymi: młodszymi dorosłymi, dorosłymi w średnim wieku i starszymi dorosłymi.

3

Porównanie dokładności odtwarzania prędkości kątowej silnika prądu stałego z wykorzystaniem obserwatora Luenbergera oraz sztucznej sieci neuronowej

Nowak Marcjan, Popenda Andrzej

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 3

103--106

PL

Artykuł przedstawia porównanie dokładności odtwarzania prędkości kątowej silnika prądu stałego z wykorzystaniem sztucznej sieci neuronowej oraz obserwatora Luenbergera. Przedstawiono wyniki symulacji komputerowych z silnikiem prądu stałego. Model symulacyjny został zaprojektowany w programie Matlab Simulink. Symulacje przeprowadzono dla modelu zawierającego silnik prądu stałego oraz sztuczną sieć neuronową. Zaprezentowano wyniki symulacji komputerowej.

EN

n the paper the comparison of the accuracy of estimating the angular velocity of a DC motor using a Luenberger observer and an artificial neural network are presented. The results of simulation of DC motor were presented. The simulation model was designed in Matlab Simulink. Simulations were performed for a model containing a DC motor and an artificial neural network. The results of computer simulation are presented.

4

Methods of classifying voltage surges using Deep Neural Networks

Krawczyk-Borysiak Zuzanna, Kluge Paweł, Łasica Andrzej, Sul Przemysław, Ciuba Maciej

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 3

211--214

EN

The paper focuses on exploring the potential application of neural networks for the classification of voltage surges compliance with the norm. Three potential neural network architectures were considered for the task - a convolutional neural network (further referred to as CNN), a model combining convolutional and LSTM layers (CNN+LSTM) and a transformer model. The best results were achieved by the simple transformer model (accuracy of 93% on the test dataset), followed by CNN+LSTM model (accuracy: 81%), and CNN (accuracy: 69%).

PL

Artykuł koncentruje się na badaniu potencjalnego zastosowania sieci neuronowych do klasyfikacji zgodności udarów napięciowych z normą. Do tego zadania rozważono trzy potencjalne architektury sieci neuronowych - konwolucyjną sieć neuronową (CNN), model łączący warstwy konwolucyjne i LSTM (CNN+LSTM) oraz model transformatora. Najlepsze wyniki uzyskał prosty model transformatora (dokładność 93% w zestawie danych testowych), następnie model CNN+LSTM (dokładność: 81%) i CNN (dokładność: 69%).

5

Comparison of ML classifiers in automatic diagnostics of PV panels using deep image features

Lenarczyk Alicja

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 10

178--183

EN

This paper presents a hybrid approach for diagnosing photovoltaic panels using deep image features extracted from the ResNet18 network and classical machine learning classifiers such as SVM and Random Forest. A comparative analysis of various classifiers was conducted, showing that the CNN combined with SVM provided the highest classification accuracy (95.5%). The solution is computationally efficient and effective for detecting defects commonly encountered in PV installations.

PL

Artykuł przedstawia hybrydową metodę diagnostyki paneli fotowoltaicznych, wykorzystującą głębokie cechy obrazowe pozyskane z sieci ResNet18 oraz klasyfikatory uczenia maszynowego takie jak SVM czy Random Forest. Przeprowadzono analizę skuteczności różnych klasyfikatorów, wskazując, że połączenie CNN i SVM osiągnęło najwyższą dokładność klasyfikacji (95,5%). Rozwiązanie jest wydajne obliczeniowo oraz skuteczne w wykrywaniu defektów typowych dla instalacji PV.

6

Cancer classification through the selection of genes extracted from microarray data

Maiza Mohamed, Chouraqui Samira, Cherif Chahira, Taleb-Ahmed Abdelmalik

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 4

71--78

EN

In this work we propose to compare tree methods for feature selection in the binary classification context. We focus on the case where the number of variables is very large and much more important than the sample size, as is the case in most microarray data. Four classification algorithms were selected: Decision Tree (DT), k-Nearest Neighbors (K-NN), Neural Networks (NN), and Support Vector Machines (SVM), along with three filter-based feature selection criteria using mutual information: MIM (Mutual Information Maximization), JMI (Joint Mutual Information), and MRMR (Max-Relevance Min-Redundancy).First, we applied these classification algorithms to the microarray datasets without any preprocessing or feature selection, allowing us to establish a baseline for assessing the impact of preprocessing and feature selection on improving classification performance. The second method involved classification after data preprocessing but without feature selection, which enabled us to evaluate the impact of preprocessing on classification performance. Finally, the last method applied classification after both preprocessing and feature selection, allowing us to measure the combined impact of preprocessing and feature selection on improving classification performance.

PL

W niniejszym badaniu proponujemy porównanie trzech metod selekcji cech w kontekście klasyfikacji binarnej. Skupiamy się na przypadkach, w których liczba zmiennych jest wyjątkowo duża i znacznie przewyższa rozmiar próbki, co często występuje w danych z mikromacierzy. Wybraliśmy cztery algorytmy klasyfikacji: drzewo decyzyjne (DT), k-najbliższych sąsiadów (K-NN), sieci neuronowe (NN) oraz maszyny wektorów nośnych (SVM), a także trzy kryteria selekcji oparte na filtrach wykorzystujące informacje˛ wzajemną: MIM (Maksymalizacja Informacji Wzajemnej), JMI (Wspólna Informacja Wzajemna) oraz MRMR (Maksymalna Trafność, Minimalna Redundancja). Początkowo zastosowaliśmy te algorytmy klasyfikacji bezpośrednio do zbiorów danych z mikromacierzy bez przetwarzania wstępnego ani selekcji cech, aby ustanowić punkt odniesienia do oceny wpływu przetwarzania wstępnego i selekcji cech na wydajność klasyfikacji. Drugie podejście polegało na klasyfikacji po przetworzeniu danych, ale bez selekcji cech, co pozwoliło nam ocenić wpływ przetwarzania wstępnego na wyniki klasyfikacji. W trzecim podejściu klasyfikację przeprowadzono po przetwarzaniu wstępnym i selekcji cech, co umożliwiło ocenę łącznego wpływu tych kroków na poprawę wydajności klasyfikacji.

7

Application of electrical tomography in technological processes

Mazurek Mariusz, Dziadosz Marcin, Kłosowski Grzegorz, Wójcik Dariusz, Król Krzysztof

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 2

72--75

EN

The article focuses on developing an advanced electrical impedance tomography (EIT) system designed for optimizing and controlling technological processes. The authors present an innovative tomographic system that integrates modern hardware solutions with sophisticated signal processing techniques and machine learning algorithms, specifically multi-branch neural networks.

PL

Artykuł koncentruje się na opracowaniu zaawansowanego systemu tomografii impedancji elektrycznej (EIT) przeznaczonego do optymalizacji i kontroli procesów technologicznych. Autorzy przedstawiają innowacyjny system tomograficzny, który integruje nowoczesne rozwiązania sprzętowe z zaawansowanymi technikami przetwarzania sygnałów oraz algorytmami uczenia maszynowego, w szczególności z wykorzystaniem wielogałęziowych sieci neuronowych.

8

A TinyML-powered classifier designed for 2D data analysis in device diagnostics

Dominikowski Bartosz

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 11

225--231

EN

The development of electronics enables the execution of complex tasks thanks to the increasing computational power of digital systems. The article describes the implementation of a machine learning algorithm in a microprocessor-based system. The proposed system can be applied to device operation diagnostics. The intelligent algorithm assigns labels to sectors of the device's working surface depending on its operating state. The author presents the entire design process of this algorithm.

PL

Rozwój elektroniki umożliwia realizację złożonych zadań dzięki rosnącej mocy obliczeniowej układów cyfrowych. W artykule opisano wdrożenie algorytmu uczenia maszynowego w układzie mikroprocesorowym. Proponowany system można zastosować w diagnostyce pracy urządzenia. Inteligentny algorytm przypisuje etykiety sektorom powierzchni roboczej urządzenia w zależności od jego stanu pracy. Autor pracy przedstawił cały proces projektowania tego algorytmu.

9

Siatkówka oka jako sieć neuronowa

Zając Marek

Optyka

|

2025

|

Nr 4

36--44

10

Geniusze, oszuści i pierwsza sieć neuronowa. Nieopowiedziane historie z narodzin AI

Tadeusiewicz Ryszard

Napędy i Sterowanie

|

2025

|

R. 27, nr 12

50--55

PL

Artykuł zawiera wybrane informacje na temat historii rozwoju sztucznej inteligencji. Nie są to informacje o najważniejszych wydarzeniach, jakie miały miejsce w tej historii, ale wybrane i przedstawione zostały wiadomości, które autor uważał za szczególnie ciekawe. Może mimo arbitralnego charakteru tego wyboru przeczytanie o owych ciekawostkach skłoni Czytelnika do sięgnięcia po obszerną książkę „Krótka historia sztucznej inteligencji”, która ukaże się na początku przyszłego roku. Tam wszystko jest opisane po kolei, szczegółowo i w oparciu o historyczne źródła, więc pozwala stworzyć sobie dokładne wyobrażenie na temat dziejów jednego z najważniejszych wydarzeń w historii ludzkości. Natomiast tutaj są same ciekawostki. Ale też zdecydowanie warte poznania!

EN

This article contains selected information about the history of artificial intelligence development. It doesn't cover the most important events in this history, but rather selects and presents information that the author considers particularly interesting. Perhaps, despite the arbitrary nature of this selection, reading about these curiosities will encourage the reader to reach for the comprehensive book ”A Brief History of Artificial Intelligence”, which will be published early next year. Everything is described in order, in detail, and based on historical sources, allowing you to form a precise understanding of one of the most important events in human history. However, here are only curiosities. But they are definitely worth knowing!

11

Data-driven prediction of asphalt pavement temperature profiles

Sudyka Jacek, Mazurek Grzegorz, Buczyński Przemysław

Materiały Budowlane

|

2025

|

nr 12

142--156

EN

Reliable knowledge of the temperature distribution within asphalt pavements is essential for maintenance and structural diagnosis. To forcast the asphalt layers temperature the recurrent neural networks (RNN, including LSTM and BiLSTM) and gradient-boosted decision trees (XGBoost) have been used based on a multi-month field dataset (March – October) with multi-depth temperature measurements and meteorological variables. RNNs captured both diurnal fluctuations and seasonal trends with high predictive accuracy. While the classical XGBoost setup was slightly less precise, it offered very short training times and greater interpretability; its depth-generalized experimental variant enabled interpolation across the full depth range with an error of ~0,97°C (R² ≈ 0,988). The findings support hybridization (RNN + XGBoost) to combine temporal-pattern extraction with efficient regression on static features (e.g., depth, time-of-day).

PL

Utrzymanie i diagnostyka nawierzchni asfaltowych wymagają wiarygodnej informacji o rozkładzie temperatury w czasie i w głąb konstrukcji. Do prognozowania temperatury warstw asfaltowych zastosowano rekurencyjne sieci neuronowe (RNN, w tym LSTM i BiLSTM) oraz gradientowe modele drzew decyzyjnych (XGBoost) na podstawie wielomiesięcznych danych terenowych (marzec – październik) obejmujących pomiary na wielu głębokościach oraz parametry meteorologiczne. Modele RNN wiernie odwzorowały zarówno wahania dobowe, jak i sezonowe. XGBoost, choć w wariancie klasycznym nieco mniej precyzyjny, zapewnił bardzo krótki czas obliczeń i większą interpretowalność; jego wariant eksperymentalny z uogólnieniem po głębokości umożliwił interpolację temperatury w całym zakresie badanych głębokości z błędem rzędu ~0,97°C (R² ≈ 0,988). Wyniki wskazują na zasadność hybrydyzacji podejść (RNN + XGBoost), łączącej identyfikację wzorców czasowych z efektywną regresją po cechach statycznych (m.in. głębokość, pora doby).

12

Object detection algorithm in a navigation systemfor a rescue drone

Stelmakh Nataliia, Yukhymenko Yurii, Rudkovskiy Ilya, Lavrinenkov Anton

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2025

|

T. 15, nr 2

32--36

EN

This article focuses on improving object recognition algorithms for rescue drones, in particular, enhancing the methodology for classifying human poses by expanding the set of key body points and using more effective mathematical models. A methodology is proposed that analyzes 11 key body points, enabling the classification of human positions (standing, lying down, sitting, kneeling, bent) with greater accuracy. Additionally, a gesture recognition algorithm is proposed, detecting gestures such as arm-waving as a signal for help, which increases the effectiveness of rescue operations.The paper also considers the possibilities of implementing the system on the limited hardware resources of onboard UAV computers. Using geometric relationships between body points reduces computational costs without sacrificing accuracy, making the proposed model suitable for real-world use.The conducted research confirms that the improved system can automatically assess victims’ conditions, prioritize rescue efforts, and optimize drone navigation. In future work, it is planned to integrate the algorithms with drones’ multisensory systems and test them in real-world conditions.

PL

Niniejszy artykuł koncentruje się na udoskonaleniu algorytmów rozpoznawania obiektów w dronach ratowniczych, w szczególnościna ulepszeniu metodologii klasyfikacji pozy człowieka poprzez rozszerzenie zestawu kluczowych punktów ciałaoraz zastosowanie bardziej efektywnych modeli matematycznych. Zaproponowano metodykę analizującą 11 kluczowych punktów ciała, która umożliwia dokładniejszą klasyfikację pozycji człowieka (stojąca, leżąca, siedząca, klęcząca, zgięta). Ponadto zaproponowanoalgorytm rozpoznawania gestów –wykrywanie takich sygnałówjak machanie ręką jako wezwanie pomocy –co zwiększa skuteczność akcji ratowniczych.W artykule rozważono również możliwości wdrożenia systemu przy ograniczonych zasobach sprzętowych komputerów pokładowych UAV. Wykorzystanie zależności geometrycznych między punktami ciała obniża koszty obliczeniowebez utraty dokładności, dzięki czemu proponowany model nadaje się do zastosowań w warunkach rzeczywistych. Przeprowadzone badania potwierdzają, że ulepszony system może automatycznie oceniać stan poszkodowanych, ustalać priorytety działań ratowniczych oraz optymalizować nawigację drona.W przyszłych pracach planuje się integrację algorytmów z wielosensorowymi systemami dronów oraz przeprowadzenie testóww warunkach rzeczywistych.

13

Time-varying probability model of the reduction in bending capacity of RC beams due to corrosion of steel bars

Tan Peng, Kang Shibin, Feng Zhanqiang

Archives of Civil Engineering

|

2025

|

Vol. 71, nr 3

231--245

EN

Due to the reduction in bending capacity of RC beams being affected by multiple stochastic uncertainties, employing a deterministic function model to study the bending capacity of RC beams often leads to analysis errors that are difficult to accept. This paper, by analyzing the significant discrepancies between calculated values derived from computational models and results obtained from experiments, adopts a model bias coefficient to describe the uncertainty of the computational model. Building on the consideration of parameter and model uncertainties, this paper establishes a Bayesian neural network model for predicting the bending load capacity of RC beams due to reinforcement corrosion. The model is compared with the traditional Back Propagation (BP) neural networks and the Genetic Algorithm-optimized BP (GA-BP) neural networks. The results indicate that the Bayesian neural network model has the least number of iterations and the highest efficiency, with comparable average prediction accuracy to the commonly used GA-BP neural network model. It improves the accuracy by 7.44% compared to the traditional BP neural network model. Finally, based on case studies, the time-variant probability distribution of the bending carrying capacity of corroded RC beams for a service life of 100 years is obtained. It is concluded that the time-variant probability model of the resistance of corroded RC beams follows a log-normal distribution, and the established Bayesian neural network model for predicting the time-variant resistance of corroded RC beams yields better results.

14

Analysis of building energy efficiency optimization design effectiveness based on multi-objective optimization algorithm

Guo Wei, Dong Yaqiong

Archives of Civil Engineering

|

2025

|

Vol. 71, nr 3

33--48

EN

With the increasing attention of society to sustainable development and environmental friendly design, building energy saving design has become a research hotspot. In this paper, a method combining multi-objective optimization algorithm and neural network backpropagation strategy is proposed to solve the problem that traditional design methods are difficult to balance multi-objective. By dividing the architectural design problem into multiple sub-problems, each sub-problem corresponds to a design objective, and applying multi-objective optimization technology, the global optimization is realized. The experimental results show that the error of energy consumption prediction model is almost 0, while the error of daylighting prediction model is between 0 and 5, and the average error is about 3. The correlation coefficients of all models exceeded 0.9845, highlighting the excellent performance of neural networks in forecasting accuracy. The BP neural network showed good convergence in 2800 to 3000 iterations, further demonstrating the high efficiency of the method in energy consumption and daylighting prediction. The research not only provides a scientific and feasible strategy for building energy efficiency optimization design, but also enhances its scientific value and practicability through the display of quantitative results.

15

Seismic capacity evaluation of corroded reinforced concrete frame structures

Li Ya-Hui, Zheng Shan-Suo, Dong Li-Guo, Wang De-Liang, Sang Zi-Wei

Archives of Civil and Mechanical Engineering

|

2025

|

Vol. 25, no. 1

art. no. e21, 2025

EN

In-service reinforced concrete (RC) structures trigger complex deterioration mechanisms in seismic performance due to corrosion, leading to difficulties in evaluating the seismic capacity. To scientifically evaluate the seismic capacity of corroded RC frame structures, this paper proposes a quantifiable framework for absolute seismic capacity evaluation. The study establishes numerical models of typical RC frame structures considering the number of stories, service years, seismic fortification intensity, and different versions of design codes. Additionally, classification criteria for structural failure states based on the proportion of component damage are proposed. The seismic capacity of corroded RC frame structures under different failure states is determined using elastoplastic time-history analysis, and the influence of various parameters on the structural seismic capacity is investigated. Based on the results of the structural seismic capacity evaluation, a prediction model for the seismic capacity of corroded RC frame structures is developed using the BP neural network to establish the nonlinear mapping relationship between key parameters and structural seismic capacity. The results indicate that the seismic capacity of corroded RC frame structures continuously decreases with an increase in the service years and the number of stories. Earlier versions of design codes result in smaller residual seismic capacity of RC frame structures under different failure states, with a faster degradation rate. The sensitivity of the structural seismic capacity to various parameters is ranked as follows: structural failure states, the number of stories, seismic fortification intensity, service years, and versions of design codes.

16

Claim Frequency Estimation in Motor Third-Party Liability (MTPL): Classical Statistical Models versus Machine Learning Methods

Vít Ondřej, Seif Lubomír, Štěpánek Lubomír

Annals of Computer Science and Information Systems

|

2025

|

Vol. 45

161--166

EN

This paper compares classical statistical models and machine learning techniques for claim frequency estimation in compulsory motor third-party liability insurance (MTPL). We evaluate Generalized Linear Models (GLMs), Hurdle models, and feedforward neural networks on real-world insurance data. Emphasis is placed on the trade-off between interpretability and predictive power, especially in segments with scarce data. Our findings show that expert-driven data preparation enables GLMs to perform competitively with complex neural networks. Hurdle models further improve performance in zero-inflated settings. While neural networks offer improved predictive performance in some segments, they struggle in underrepresented ones. Results highlight that careful preprocessing is as important as model complexity.

17

Smart solutions in agricultural robotics

Kiktev Nikolay, Vasylenko Oksana, Horetska Iryna, Panchenko Anatolii, Slobodian Sergii, Kuboń Maciej, Skibko Zbigniew, Hutsol Taras

Agricultural Engineering

|

2025

|

Vol. 29, No. 1

157--186

EN

The article contains an overview and prospects for the introduction of smart and robotic technologies in the agricultural industry. Today, robotization of agriculture and food technology is not a leading industry compared to robotization of other sectors of the economy. Analytical review of the global robotics market revealed that robots in the food industry account for 2% of the total, and robots for agricultural operations account for less than 1%. We analyzed global trends in robotization and the introduction of artificial intelligence in agriculture in various countries. A review of smart robotic technologies, in particular, smart sensors and actuators, the Internet of Things, cloud technologies, methods of data analysis, forecasting, classification, and image recognition using neural networks, is provided. Methods and means are considered in relation to both crop production and livestock production. Four main classes of intelligent technologies in agriculture were identified: robotics, Internet of Things, machine learning, and UAVs. In crop production, robots are common in harvesting, controlling weeds, processing trees, monitoring trees at different stages of the growing season, including leaf and fruit diseases, counting the number of flowers and fruits, and other operations. Identification of fruits, leaves, weeds, as well as diseases of fruits and leaves is performed using computer vision, and in recent years convolutional neural networks have become widespread. Field monitoring is performed using UAVs with subsequent image processing using spectral analysis methods. In livestock farming, smart technologies are represented by feeding and milking robots, livestock monitoring, detection of predators, navigation in livestock buildings, monitoring animal health and behavior. Smart technologies are also used in fish farming to create smart farms. In this mini review, we have tried to integrate advanced smart and robotic technologies for various agricultural operations.

PL

Artykuł stanowi przegląd inteligentnych i zautomatyzowanych technologii stosowanych w przemyśle rolniczym. Jego celem jest analiza perspektyw wdrożenia i integracji najnowszych rozwiązań z zakresu inteligentnych i zrobotyzowanych technologii wspierających różne aspekty tego sektora. Obecnie poziom robotyzacji rolnictwa i produkcji żywności pozostaje niski w porównaniu z innymi sektorami gospodarki. Zgodnie z danymi z globalnego rynku robotyki, roboty wykorzystywane w przemyśle spożywczym stanowią jedynie 2% ogółu, a udział robotów w operacjach rolniczych nie przekracza 1%. W artykule przeanalizowano światowe trendy w zakresie robotyzacji i wdrażania sztucznej inteligencji w rolnictwie, z uwzględnieniem doświadczeń różnych krajów. Przedstawiono przegląd technologii inteligentnej robotyki, w tym: inteligentnych czujników i siłowników, Internetu rzeczy (IoT), technologii chmurowych, metod analizy danych, prognozowania, klasyfikacji oraz rozpoznawania obrazów przy użyciu sieci neuronowych. Omówiono ich zastosowanie zarówno w produkcji roślinnej, jak i zwierzęcej. Wyróżniono cztery główne klasy inteligentnych technologii w rolnictwie: robotykę, Internet rzeczy, uczenie maszynowe oraz bezzałogowe statki powietrzne (drony). W produkcji roślinnej roboty są stosowane m.in. w zbiorach, zwalczaniu chwastów, pielęgnacji i monitorowaniu drzew w różnych fazach sezonu wegetacyjnego - w tym w wykrywaniu chorób liści i owoców, liczeniu kwiatów i owoców oraz innych procesach. Identyfikacja owoców, liści, chwastów i chorób odbywa się przy użyciu technik wizji komputerowej, a w ostatnich latach szczególną popularność zyskały konwolucyjne sieci neuronowe. Monitoring upraw realizowany jest za pomocą dronów, a pozyskane obrazy poddawane są analizie spektralnej. W produkcji zwierzęcej inteligentne technologie obejmują roboty do karmienia i dojenia, systemy monitorowania zwierząt gospodarskich, detekcję drapieżników, nawigację w budynkach inwentarskich oraz monitorowanie stanu zdrowia i zachowań zwierząt. Zaawansowane technologie znajdują również zastosowanie w hodowli ryb - w tworzeniu inteligentnych gospodarstw akwakultury.

18

Global-scale explainable AI assessment for OBIA-based classification using Deep Learning and Machine Learning methods

Kavzoglu Taskin, Uzun Yakup Kaan, Berkan Emre, Yilmaz Elif Ozlem

Advances in Geodesy and Geoinformation

|

2025

|

Vol. 74, no. 1

art. no. e62, 2025

EN

Over the past decade, object-based image analysis (OBIA) has gained prominence as a widely adopted method for generating land use/land cover (LULC) maps. This study aims to evaluate the performance of various classification algorithms within the OBIA framework using SPOT-6 satellite imagery. The research methodology involved segmenting the images with the multi-resolution segmentation (MRS) algorithm, followed by the application of convolutional neural networks (CNN), random forest (RF), and support vector machine (SVM) algorithms for classification. The study was conducted in the Perpignan province, located in the Pyrénées-Orientales region of France. After the segmentation stage, CNN, RF, and SVM classifiers were employed to classify the image segments based on both spectral and spatial attributes. The accuracy of the resulting thematic maps was assessed using standard metrics, including overall accuracy (OA), the Kappa coefficient (KC), and the F��score (FS). Of the three classifiers, CNN achieved the highest overall accuracy at 91.28%, outperforming SVM, which attained an OA of 90.50%, and RF, which recorded an OA of 87.28%. Additionally, this study explored the integration of explainable artificial intelligence (AI) techniques, specifically the Shapley Additive Explanations (SHAP) algorithm, to enhance the interpretability of the machine learning models. This approach fosters greater trust, accountability, and acceptance in decision-making processes. By leveraging SHAP values, the study provides deeper insights into the decision-making processes of the CNN, SVM, and RF classifiers, ultimately enhancing the transparency and comprehensibility of these models.

19

Establishment of near-surface Q model using a shallow neural network

Wu Jizhong, Gao Jing, Wang Kexin, Shi Ying

Acta Geophysica

|

2025

|

Vol. 73, no. 4

3373--3383

EN

Due to insufficient compaction of the overlying strata, near-surface layers are classified as unconsolidated formations. These layers exhibit complex velocity structures and significant attenuation, which severely impair the resolution of deep seismic data. In practical seismic data processing, obtaining a detailed near-surface Q field is essential for improving the imaging resolution of medium- to deep-depth layers. Currently, seismic data from uphole surveys are commonly used to generate near-surface Q fields. However, this approach faces challenges such as high per-well costs and low well density, making it insufficient for constructing a detailed near-surface Q field. To address these issues, this study employs a BP neural network, leveraging its powerful nonlinear fitting capabilities to establish a functional relationship between input data-including velocity, position, and travel time derived from seismic data-and Q values. This method offers an efficient and high-precision approach for predicting near-surface Q fields, overcoming the limitations of conventional methods that typically suffer from low fitting accuracy and high data requirements. By implementing this approach, we successfully derived the near-surface Q field from a field dataset and performed absorption compensation. The results of this application validate the effectiveness of the proposed method.

20

The impact of macroeconomic factors on the profitability of companies. Analysis using neural networks

Szutowski Dawid

Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska

|

2024

|

z. 193

667--683

EN

Purpose: Despite the central role of profitability in economic analysis, previous research has yielded diverse and often unstructured conclusions regarding its determinants. To address this gap, this empirical investigation aimed to explore the major determinants of company profitability. Design/methodology/approach: It conducted a comprehensive analysis of factors, encompassing: changes in the gross domestic product, Consumer Price Index, Producer Price Index, NBP’s Reference rate, investment outlays, intramural expenditures on research and development, expenditures on innovation activities in enterprises, and patents granted, alongside company-level profitability indicators. The study's sample consisted of companies representing 19 sectors of the economy, spanning from 2004 to 2021. For data analysis, a neural network was employed, specifically a multi-layer perceptron (MLP) utilizing the sigmoid activation function. Findings: The findings suggest that alterations in macroeconomic variables can significantly impact the profitability of companies. The analysis carried out revealed that consumer price index, reference rate, gross domestic product and producer price index were the most important exogeneous factors. Originality/value: This study introduces several novelties, including the application of neural networks, which are infrequently utilized in this field, and the simultaneous analysis of a comprehensive set of independent variables.