Przydatność różnych typów sieci neuronowych w klasyfikacji gleb

• Autorzy: Gruszczyński S.

Warianty tytułu

EN

Application of different types of the neural networks in soils classification

• Języki publikacji: PL

Abstrakty

PL

Zaprezentowano zastosowanie trzech algorytmów sieci neuronowych do klasyfikowania gleb na podstawie cech możliwych do interpretacji z dostępnej, analogowej dokumentacji kartograficznej. Spośród przebadanych algorytmów najlepsze wyniki klasyfikacji dają sieci typu MLP oraz probabilistyczne (PNN). Połączenie wyników działania sieci PNN oraz SOM pozwala na pogłębioną analizę zależności klasyfikacyjnych w obszarze opracowania, polegającą między innymi na zobrazowaniu rozmytych relacji między poszczególnymi kompleksami w terenie

EN

The application of three neural networks algorithm in task soils classification, on the basis of features obtained from analog cartographic documentation, is presented. The MLP (Multi-Layer Perceptron) type net and PNN (Probabilistic Neural Network) give the best classification results among examined algorithms. The PNN and SOM (Self-Organizing Map) combination of net operational results gives more deep classification relations within sphere this study, based among others on fuzzy relationships visualization between complexes in analyzed area

Słowa kluczowe

PL

sieci neuronowe; klasyfikacja gleb

EN

neural network; soils classification

• Wydawca: Wydawnictwa AGH
• Czasopismo: Inżynieria Środowiska / Akademia Górniczo-Hutnicza im. S. Staszica w Krakowie
• Rocznik: 2006
• Tom: T. 11, z. 1
• Strony: 13--25
• Opis fizyczny: Bibliogr. 16 poz., tab., wykr.

Twórcy

autor

Gruszczyński S.

• Akademia Górniczo-Hutnicza, Wydział Geodezji Górniczej i Inżynierii Środowiska

Bibliografia

• [1] Ameskamp M.: Three-Dimensional Rule-Based Continuous Soil Modelling. Christian-Albrechts-Universitat Kiel, Institut fur Informatik und Praktische Mathematik, February 1997 (praca doktorska)
• [2] Baja S., Chapman D.M., Dragovich D.: A conceptual model for defining and assessing land management units using a fuzzy modeling approach in gis environment. Environmental Management, 29(5), April 2002, 647–661
• [3] Budinich M., Taylor J.G.: On the ordering conditions for self-organizing maps. Neural Computation, 7(2), 1995, 284–289
• [4] Duch W., Diercksen G.H.F.: Feature space mapping as a universal adaptive system. Computer Physics Communications, 341–371, 1994, 87(16)
• [5] Enea M., Salemi G.: Fuzzy approach to the environmental impact evaluation. Ecological Modelling, (135), 2001, 131–147
• [6] Gruszczyński S.: Ocena zagrożenia gleb w rejonach górniczych za pomocą sztucznych sieci neuronowych. Geoinformatica Polonica, 1(1), 1999, 45–62
• [7] Gruszczyński S.: Symulacja skutków przekształceń gleb na terenach górniczych za pomocą klasyfikatorów neuronowych. Kraków, Uczelniane Wydawnictwa Naukowo-Dydaktyczne AGH 2000
• [8] Gruszczyński S.: Szkody górnicze na terenach użytkowanych przyrodniczo – niektóre problemy dokumentowania, prognozy i oceny. Prace Naukowe GIG, 2002, 167–172
• [9] Gruszczyński S.: Szkody górnicze w użytkach rolnych – prognozowanie. Inżynieria Rolnicza, 8 (41), 2002, 231–241
• [10] Luttrell S.P.: A Bayesian analysis of self-organizing maps. Neural Computation, 6(5), 1994, 767–794
• [11] Masters T.: Sieci neuronowe w praktyce. Programowanie w języku C++. Warszawa, Wydawnictwa Naukowo-Techniczne 1996
• [12] McBratney A., Mendonca Santos M., Minasny B.: On digital soil mapping. Geoderma, 117 (1–2), November 2003, 3–52
• [13] Silvert W.: Ecological impact classification with fuzzy sets. Ecological Modelling, (96), 1997, 1–10
• [14] Yin H., Allinson N.M.: On the distribution and the convergence of feature space in self-organizing maps. Neural Computation, 7(6), 1995, 1178–1187
• [15] Zadeh L.A.: Fuzzy sets. Information and Control, 8(3), June 1965, 338–353
• [16] Zhu A.-X., Hudson B., Burt J., Lubich K., Simonson D.: Soil mapping using GIS, expert knowledge, and fuzzy logic. Soil Science Society of America Journal, 65(1), September – October 2001, 1463–1472