Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 3

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  zmienna wejściowa
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
EN
In this research paper, we propose a novel approach to digital circuit design using XOR-based decomposition. The proposed technique utilizes XOR gates as a fundamental building block for decomposing complex Boolean functions into simpler forms, leading to more efficient and compact digital circuits. We demonstrate the effectiveness of our approach in two different contexts: memory-based logic synthesis and reversible logic synthesis. In particular, we demonstrate that the proposed technique can efficiently reduce the number of input variables, which is a crucial task when using memories in the design. Obtained results prove that the XOR-based approach can efficiently complement variable reduction and dimensionality reduction algorithms. Furthermore, we show its application in generating the XOR-AND-XOR form of a reversible function and demonstrate how to combine it with another technique, i.e., a functional decomposition for reversible logic synthesis
EN
The paper presents application of measurements of pollutant concentrations and meteorological conditions to create neural networks able to predict the pollutant concentrations on the basis of meteorological conditions. The measured quantities comprised 30-min concentrations of SO2, NO, NO2, and meteorological parameters, such as direction and speed of wind, air temperature, solar radiation, air humidity, and Pasquill stability class of atmosphere. The data were developed with the use of the StatSoft's Statistica Neural Networks computer program. The Levenberg - Marquardt algorithm was used to train networks. About 600 networks were created, trained and tested for each of SO2, NO and NO2 to predict their concentrations in ambient air and from among them the best performing network was selected. The chosen networks were used to compute concentrations on the basis of meteorological parameters. The neural models were run subsequently for SO2, NO and NO2. Measured and computed concentrations of the pollutants were presented in charts, as well as errors made by networks while predicting.
PL
W niniejszej pracy posłużono się wynikami pomiarów warunków meteorologicznych do wygenerowania sieci neuronowych prognozujących wartość stężenia na podstawie znajomości warunków meteorologicznych. Wyniki pomiarów obejmują: stężenia trzydziestominutowe: SO2, NO, NO2, parametry meteorologiczne: kierunek i prędkość wiatru, temperatura powietrza, natężenie promieniowania słonecznego, wilgotność powietrza i klasa stabilności atmosfery. Do analizy danych zastosowano program Statistica Neural Networks firmy StatSoft. Proces uczenia przeprowadzono stosując algorytm Levenberga - Marquardta. Dla celów prognozy zanieczyszczeń (SO2, NO2, NO) stworzono, wyuczono i przetestowano około 600 sieci dla każdej substancji i z nich wybrano trzy najlepsze. Wybrane sieci zostały wykorzystane do przewidywania wartości stężeń na podstawie parametrów meteorologicznych. Kolejno uruchamiano modele neuronowe dla: SO2, NO, NO2. Sporządzono, dla każdego zanieczyszczenia, wykresy przedstawiające przebiegi stężenia rzeczywistego i prognozowanego oraz wykresy błędu, jaki popełnia sieć podczas predykcji kolejnych stężeń.
EN
The essentiality of variables in Artificial Neural Networks (ANN) application in predicting concentrations of pollutants in the ambient air is considered in the paper. Evaluation of the essentiality was based on the data on concentrations of pollutants and meteorological conditions recorded by an automatic station monitoring the air quality in Gliwice. The data were analysed with the use of the StatSoft's Statistica Neural Networks (SNN) software, which is designed to simulate performance of artificial neural networks. In total, for all output variables (concentrations of SO2, NO, NO2, PM10), more than 3500 models were tested to create the final neural networks. The best performing models were used to determine the influence of each input variable on levels of pollutant concentrations. Based on these analyses the conclusions were drawn concerning the importance of individual meteorological parameters.
PL
W prezentowanej pracy badano istotność doboru zmiennych wejściowych (mechanizmów i czynników meteorologicznych) w predykcji stężeń zanieczyszczeń powietrza za pomocą sztucznych sieci neuronowych. Posłużono się danymi pomiarowymi ze stacji monitoringu powietrza w Gliwicach. Do analizy danych zastosowano program Statistica Neural Networks firmy StatSoft. Podczas tworzenia sieci neuronowych, dla wszystkich zmiennych wyjściowych (stężeń kolejnych zanieczyszczeń), przetestowano ponad 3500 modeli neuronowych. Przy pomocy najlepszych modeli określono oddziaływanie danego parametru na poziom stężenia zanieczyszczenia (Analiza Wrażliwości Sieci). Na podstawie wykonanych analiz wyciągnięto wnioski, co do wagi konkretnych parametrów meteorologicznych.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.