Modelowanie neuronowe wybranych obiektów rolniczych z wykorzystaniem superformuły Johana Gielisa

• Autorzy: Boniecki P. , Olszewski T.

Warianty tytułu

EN

Neuronal modelling of selected agricultural objects with usage of Johan Gielis's supershape

• Języki publikacji: PL

Abstrakty

PL

Celem pracy było badanie mozliwości klasyfikacyjnych sieci neuronowych w procesie identyfikacji ziarniaków pszenicy, jęczmienia oraz kukurydzy. Wykorzystana metoda separacji polegała na rozpoznawaniu różnic kształtów analizowanych obiektów. W celu identyfikacji kształtu, a następnie zakodowania pozyskanych danych empirycznych do postaci zbiorów uczących, wykorzystano tzw. superformułę zaproponowaną przez Johana Gielisa. Formuła ta pozwala na odwzorowanie dowolnego kształtu za pomocą sześciu niezależnych parametrów.

EN

The aim of the work was to study the classifying possibilities of neural networks in the identification process of the wheat's, barley's and corn's kernel. Applied separation method depended on recognizing the shape differences of analysed objects. In order to identify the shape, and afterwards to encode the obtained empirical data into the training data sets the Johan Gielis's supershape formula was used. This formula permits for projection of any shape with a help of six independent parameters.

Słowa kluczowe

PL

modelowanie neuronowe; sieć neuronowa; superformuła Johana Gielisa

EN

neuronal modelling; neural network; Johan Gielis's supershape formula

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2008
• Tom: Vol. 53, nr 1
• Strony: 22--25
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Boniecki P.

autor

Olszewski T.

• Akademia Rolnicza im. Augusta Cieszkowskiego w Poznaniu, Instytut Inżynierii Rolniczej

Bibliografia

• [1] Osowski S.: Sieci neuronowe do przetwarzania informacji: Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej, 2000.
• [2] Hertz J., Krogh A., Palmer R. G.: Wstęp do teorii obliczeń neuronowych. Warszawa: WNT, 1993.
• [3] Boniecki P.: Sieci neuronowe typu MLP oraz RGB jako komplementarne modele aproksymacyjne w procesie predykcji plonu pszenżyta. Journal of Research and Applications in Agricultural Engineering, 2004, Vol. 49(1), s. 28-33.
• [4] Boniecki P., Weres J.: Wykorzystanie technik neuronowych do predykcji wielkości zbiorów wybranych płodów rolnych: Journal of Research and Applications in Agricultural Engineering, 2003, Vol. 48(4), s. 56-60.
• [5] Jaszkiewicz A.: Inżynieria oprogramowania. Gliwice: Wydawnictwo Helion S.A., 1997.
• [6] Cieślar K., Superwzór. Foton, 2004, nr 85, s. 27-28, Kraków: Instytut Fizyki Uniwersytetu Jagiellońskiego.
• [7] Tadeusiewicz R., Lula P.: Statistica Neural Networks PL: wprowadzenie do sieci neuronowych. StatSoft Polska, Kraków, 2001.
• [8] http://www.kik.pcz.czest.pl/nn/index.php
• [9] http://edward_ch.republika.pl/
• [10] http://www.digitalstar.net/microecologies/?cat=3
• [11] http://local.wasp.uwa.edu.au/~pbourke/surfaces_curves/supershape3d/
• [12] http://www.north.one.pl/~tmp-bit/neuronki/
• [13] http://pl.wikipedia.org/wiki/Johan_Gielis
• [14] http://local.wasp.uwa.edu.au/~pbourke/surfaces_curves/supershape/
• [15] http://www.activeart.de/dim-shops/training/SuperShape/