Neural techniques in agricultural engineering

• Autorzy: Boniecki P.

Warianty tytułu

PL

Wykorzystanie technik neuronowych w inżynierii rolniczej

• Języki publikacji: EN

Abstrakty

EN

Neural technigues constitute an alternative to describing and analyzing empirical systems in agricultural engineering. Artificial neural networks, referred to as neural networks for short, are a rapidly growing field of knowledge with applications reaching into many areas of science. The properties of such networks are ideal for many practical applications. Neural networks constitute a universal approximation system for representing multi-dimensional data sets. They have an ability to learn and adapt to changing environments and generalize on the acquired knowledge, which makes them a system of artificial intelligence. At the heart of the network's operation are learning algorithms which allow for designing a proper network structure and selecting its parameters to best suit the problem at hand. Unfortunately, in studies on agricultural engineering phenomena, one is frequently left with no mathematical model to illustrate them in a precise manner. In effect, all we have to go on are findings of studies while our knowledge of the structure of the problem at hand usually remains fragmentary and incomplete. Of course, this is because agricultural engineering systems are highly complex in their structures. Research on such systems reguires a combination of natural (empirical) and technical (exact) sciences. For that reason, it seems appropriate to employ an alternative method of analyzing agricultural technology problems, namely neural networks.

PL

Wśród licznych zastosowań komputerów w inżynierii rolniczej, wynikających z ogólnego rozwoju informatyki oraz zapotrzebowania na nowoczesne technologie w rolnictwie, gwarantujące wysoką jakość produktu końcowego, trudno nie wspomnieć o klasycznym już dziś zastosowaniu, jakim są obliczenia. Szczególną pozycję w metodach obliczeniowych stosowanych w technice rolniczej zajmują techniki uwzględniania losowości, występującej w większości systemów empirycznych. Na skuteczność tych metod znaczący wpływ wywiera sposób generowania liczb pseudolosowych. Alternatywnym podejściem do opisu i ana1izy systemów empirycznych inżynierii rolniczej jest wykorzystanie technik neuronowych. Sztuczne sieci neuronowe zwane w skrócie sieciami neuronowymi, stanowią intensywnie rozwijająca się dziedzinę wiedzy stosowaną w wielu obszarach nauki. Mają właściwości pożądane w wielu zastosowaniach praktycznych: stanowią uniwersalny układ aproksymacyjny odwzorowujący wielowymiarowe zbiory danych, mają zdolność uczenia się i adaptacji do zmieniających się warunków środowiskowych, zdolność uogólniania nabytej wiedzy, stanowiąc pod tym względem system sztucznej inteligencji. Podstawą działania sieci są algorytmy uczące, umożliwiające zaprojektowanie odpowiedniej struktury sieci i dobór parametrów tej struktury, dopasowanych do problemu polegającemu rozwiązaniu. Niestety, w badaniach zagadnień inżynierii rolniczej często zdarza się, że nie dysponujemy modelem matematycznym, precyzyjnie opisującego dane zjawisko. Oznacza to, że posiadamy jedynie wyniki badań, podczas gdy nasza wiedza o strukturze badanego problemu jest zazwyczaj fragmentaryczna, a zatem niepełna. Wiąże się to niewątpliwie z ogromnie skomplikowaną strukturą, jaką reprezentują systemy inżynierii rolniczej, wiążącej w sobie elementy nauk przyrodniczych (empirycznych) i technicznych (ścisłych). W takim wypadku celowe wydaje się być skorzystanie z alternatywnej metody analizy zagadnień techniki rolniczej, jaką reprezentują sieci neuronowe.

Słowa kluczowe

EN

neural technique; agricultural engineering; neural network

PL

sieć neuronowa; inżynieria rolnicza; technika rolnicza

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
• Czasopismo: Prace Przemysłowego Instytutu Maszyn Rolniczych
• Rocznik: 2001
• Tom: Vol. 46, nr 1
• Strony: 80--83
• Opis fizyczny: Bibliogr. 5 poz.

Twórcy

autor

Boniecki P.

• Institute of Agricultural Engineering, Agricultural University of Poznań, Poland