MLP and SVM classifiers for fault detection

• Autorzy: Osowski S.

Warianty tytułu

PL

Klasyfikatory neuronowe MLP i SVM dla potrzeb diagnostyki

• Języki publikacji: EN

Abstrakty

EN

The paper presents a comparative analysis of two of the most important neural network classifiers: the multilayer perceptron (MLP) and Support Vector Machine (SVM) in application to diagnostic problems. The structure as well as learning algorithms of both networks have been presented and compared. The results of numerical experiments comparing the performance of both classifiers on the artificial and real life problems are presented and discussed.

PL

Praca przedstawia dwa rozwiązania klasyfikatorów neuronowych na potrzeby diagnostyki. Jednym z nich jest perceptron wielowarstwowy (ang. MultiLayer Perceptron - MLP), drugim sieć wektorów podtrzymujących (ang. Support Vector Machine (SVM). Przedstawiono struktury oraz podstawowe metody uczenia takich sieci. Działania obu klasyfikatorów sprawdzono i porównano na problemach testowych, zarówno typu syntetycznego, jak i problemie rzeczywistym rozpoznawania uszkodzeń elementów w rzeczywistym układzie filtru elektrycznego.

Słowa kluczowe

EN

diagnostic; neural classifier; SVM; MLP; electrical circuits

PL

klasyfikatory neuronowe; perceptron wielowarstwowy; MLP; sieć wektorów podtrzymujących; SVM; sztuczna inteligencja; diagnostyka

• Wydawca: Wydawnictwo Naukowe Instytutu Technologii Eksploatacji - Państwowego Instytutu Badawczego
• Czasopismo: Problemy Eksploatacji
• Rocznik: 2006
• Tom: nr 2
• Strony: 149--167
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Osowski S.

• Institute of the Theory of Electrical Engineering, Measurements and Information Systems, Warsaw University of Technology, Warsaw Military University of Technology, Warsaw

Bibliografia

• 1. Alippi C., Catelani M., Fort A.: Automatic selection of test frequencies for the diagnosis of soft faults in analog circuits, IEEE Instr. Measurem. Techn. Conf., Anchorage, 2002, p. 1503-1507.
• 2. Burges C.J.: A tutorial on Support Vector Machines for pattern recognition, (in "Knowledge discovery and data mining ", ed. Usama Fayyad, Kluwer, 2000, p. 1-43).
• 3. Guyon I., Elisseeff A.: An introduction to variable and feature selection, JMLR, 3, 1158-1182,2003.
• 4. Haykin S., Neural networks, comprehensive foundation, Prentice Hall, 1999, New Jersey.
• 5. Hsu C.W., Lin C.J.: A comparison methods for multi class support vector machines, IEEE Trans. Neural Networks, 13, (2002), p. 415-425.
• 6. Liu R.: Testing and diagnosis of analog circuits and systems, Van Nostrand Reinhold, 1991, New York.
• 7. Platt L.: Fast training of SVM using sequential optimization, (in Scholkopf B., Burges B., Smola A., Eds.: Advances in kernel methods - support vector learning. Cambridge: MIT Press), (1998), p. 185-208.
• 8. Rubner-Petersen T: NAP2 - a nonlinear analysis program for electronic circuits, user manual, University, 1972.
• 9. Scholkopf B., Smola A.: Learning with Kernels, 2002, Cambridge, MA: MIT Press.
• 10. Schurmann J.: Pattern classification, a unified view of statistical and neural approaches, 1996, Wiley, New York.
• 11. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza PW, 2001.
• 12. Vapnik V.: Statistical learning theory, 1998, Wiley, New York.
• 13. Neural Network Toolbox of Matlab, user manual, Math Works, Natick, 2001.