The use of neuron networks for the analysis of empirical data in linear problems of agricultural engineering

• Autorzy: Boniecki P.

Warianty tytułu

PL

Wykorzystanie sieci neuronowych do analizy danych empirycznych w liniowych zagadnieniach inżynierii rolniczej

• Języki publikacji: EN

Abstrakty

EN

The information processing power of a neuron network results from the fact that the individual neurons can process information simultaneously. Since the outputs of the neurons in a certain layer depend only on the outputs of the neurons in the preceding layer, so the neurons in each layer are independent, and it is possible to apply parallel processing. The individual network layers can also perform calculations simultaneously, sending the results in cycles into the network. Therefore, information processing is a stream process, which significantly influences the efficiency of neuron processing. It is worth noticing that the information stored in a neuron network has a dissipated nature, i.e. it is almost impossible to say which part of the network reflects which network feature. As a consequence neuron networks have a very interesting property, namely their relatively high resistance to damage. There are many problems which cannot be solved (or for which a good solution cannot be obtained) with the use of linear methods. The strong non-linearity of an investigated problem usually manifests itself in neuron techniques in such a way that it is not possible to match the position of the previously mentioned discrimination hyperplane, which turns out to be a geometrical formation which is "too rigid" to be able to reflect the relationship being modelled In such n case the only solution is to use neuron networks with more complex structures, which in particular reflect the non-linearity of the investigated problem. However, there are problems in which the linear technique turns out to be very useful. Therefore, one must consider as groundless the omission of this simple technique and the direct use of more complex methods in a situation where no appropriate comparative research was performed. When solving a certain problem with the use of a neuron network it is always good to carry out the teaching of a linear network in the beginning, because it is often a satisfactory solution (and one can confine oneself to it). Even if it is not possible to obtain satisfactory results with the use of a linear network only, it is often a convenient point of reference, when comparison is made with more complex models.

PL

Komplementarnym podejściem do opisu i analizy systemów empirycznych inżynierii rolniczej jest wykorzystanie technik sztucznej inteligencji, a w szczególności metod opartych na sieciach neuronowych. Sztuczne sieci neuronowe, zwane w skrócie sieciami neuronowymi, stanowią intensywnie rozwijającą się dziedzinę wiedzy utylitarnej stosowaną w wielu obszarach nauki. Mają właściwości pożądane w wielu zastosowaniach praktycznych, m.in. dlatego, że stanowią uniwersalny układ aproksymacyjny, odizolowujący wielowymiarowe zbiory danych. Mają zdolność uczenia się i adaptacji do zmieniających się warunków środowiskowych. Są odporne na zakłócenia. Posiadają zdolność uogólniania nabytej wiedzy, stanowiąc pod tym względem system sztucznej inteligencji. W pracy omówiono nowoczesne techniki przetwarzania rozproszonego z wykorzystaniem liniowych sieci neuronowych. W szczególności zajęto się neuronowym przetwarzaniem danych empirycznych pochodzących z badań dotyczących zagadnień przepływu oraz kumulacji ciepła, zachodzących w kamiennym magazynie energii cieplnej. Analizie poddano szereg struktur liniowych sieci neuronowych. Następnie, wyselekcjonowano oraz przetestowano liniowy model neuronowy, opisujący proces ładowania kamiennego akumulatora. Dokonano weryfikacji wybranego modelu w stosunku do wyników uzyskanych metodami klasycznymi. Na koniec porównano adekwatność modelu z bardziej złożonymi strukturami neuronowymi, jakimi są nieliniowe sieci neuronowe.

Słowa kluczowe

EN

neural network; neural technique; agricultural engineering

PL

sieć neuronowa; inżynieria rolnicza

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2001
• Tom: Vol. 46, nr 4
• Strony: 41--47
• Opis fizyczny: Bibliogr. 6 poz., rys., tab.

Twórcy

autor

Boniecki P.

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

Bibliografia

• [1] Tadeusiewicz, R. (1993). Neuron networks. Warszawa: Academic Publishing House.
• [2] Fishman G.S.: Computer simulation. PWE. Warsaw 1981 (in Polish).
• [3] Bishop, C. (1995). Neural Networks for Pattern Recognition. Oxford: University Press.
• [4] Weres J.. Boniecki P., Walczak R. (2000). Computer aided analysis of agricultural systems with the use of knowledge engineering elements. Wrocław University of Technolog Publishing House. ed. by Z. Bubnicki and A. Grzech, ISBN 83-7-85-476-1, Wrocław pp. 407-412.
• [5] Duch W., Tadeusiewicz R., Korbicz J. et al. (2000). Neuron networks. Warsaw: EXIT Academic Publishing House.
• [6] Boniecki P., (2000). Neural Networks as an Alternative to the Classic Analysis of Empirical Systems in Agricultural Engineering. Prace PIMR Vol. 45(4), 2000. p. 68-72.