PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Wyniki zastosowania algorytmów indukcji reguł do klasyfikacji stanu zagrożenia tąpaniami w kopalniach węgla kamiennego

Treść / Zawartość
Identyfikatory
Warianty tytułu
EN
Results of application of algorithms of rule induction for classification of a state of rock burst hazards in hard coal mines
Języki publikacji
PL
Abstrakty
PL
W artykule przedstawiono wyniki prób zastosowania algorytmów indukcji reguł do wyprzedzającej klasyfikacji stanu zagrożenia tąpaniami w wyrobisku górniczym. Na początku artykułu krótko opisano sposób pozyskiwania i przekształcania danych będących przedmiotem analizy. W części teoretycznej przedstawiono schemat algorytmu indukcji reguł będących podstawą działania klasyfikatora, a także sposób dostrajania klasyfikatora umożliwiający uzyskanie lepszej dokładności klasyfikacji. W części eksperymentalnej zaprezentowano wyniki analizy danych pochodzących z dwóch wyrobisk górniczych.
EN
The results of attempts at application of algorithms of rule induction for an anticipatory classification of a state of rock burst hazards in a mine working have been presented in the paper. A method of acquisition and processing of data to be analysed has been presented briefly at the beginning of the paper. In the theoretical part of the paper there has been presented a scheme of the algorithm of rule induction being a basis of operation of a classifier. There has been presented also a method of a fine tuning of the classifier allowing a better accuracy of classification to be gained.
Rocznik
Strony
5--13
Opis fizyczny
Bibliogr. 26 poz.,Wz., tab.,
Twórcy
autor
autor
  • Centrum Elektryfikacji i Automatyzacji Górnictwa EMAG
Bibliografia
  • 1. Ajdukiewicz K.: Logika pragmatyczna. Warszawa: PWN, 1974.
  • 2. An, A., Cercone, N.: Rule quality measures for rule induction systems – description and evaluation. Computational Intelligence 17(2001) 409-424.
  • 3. Bazan, J., Szczuka, M., Wróblewski, J.: A new version of rough set exploration system. Lecture Notes in Computer Sciences 2475, Springer (2002) 14-16.
  • 4. Breiman, L., Friedman J., Olshen R., Stone R.: Classification and Regression Trees. Pacific Grove: Wadsworth (1984).
  • 5. Bruha, I.: Quality of Decision Rules: Definitions and Classification Schemes for Multiple Rules. In: Nakhaeizadeh, G., Taylor, C.C. (Eds.) Machine Learning and Statistics, The Interface. Wiley, NY, USA (1997) 107-131.
  • 6. Cianciara A., Cianciara B.: The meaning of seismoacustic emission for estimation of time of the mining tremors occurrence. Archives of Mining Sciences. Vol. 51(4) 2006, pp.563-575.
  • 7. Cichosz P.: Systemu uczące się. WNT Warszawa 2000.
  • 8. Grzymała-Busse J., Wang C.P.: Classification Methods in Rule Induction. Intelligent Information Systems. Proceedings of the Workshop held in Dęblin, Poland 2-5 June, 1996, pp. 120-126.
  • 9. Grzymała-Busse, J.W.: LERS - a system for learning from examples based on rough sets. In: Słowiński, R. (Ed.) Intelligent Decision Support. Handbook of applications and advances of the rough set theory. Kluwer Academic Publishers, Dordrecht, Boston, London (1992)3-18.
  • 10. Guillet F., Hamilton H.J. (Eds.): Quality Measures in Data Mining. Computational Intelligence Series, Springer 2007.
  • 11. Kubat M., Bratko I., Michalski R.: Machine learning and data mining. Methods and applications. John Wiley and Sons 1998.
  • 12. Dubiński J., Lurka A., Mutke I.: Zastosowanie metody tomografii pasywnej do oceny zagrożenia sejsmicznego w kopalniach. Przegląd Górniczy Nr. 3, 1998.
  • 13. Kornowski J.: Linear prediction of aggregated seismic and seismoacustic energy emitted from a mining longwall. Acta Montana Ser. A, No 22 (129), 2003, str.4-14.
  • 14. Kornowski J.: Linear prediction of hourly aggregated AE and tremors energy emitted form a longwall and its performance in practice. Archives of Mining Sciences, Vol. 48, No. 3, 2003, str. 315-337.
  • 15. Łęski J.: Systemu neuronowo-rozmyte. WNT Warszawa 2008.
  • 16. Michie D., Spiegelhalter D. J., Taylor C. C: Machine Learning, neural and statistical classification. England: Ellis Horwood Limited, 1994.
  • 17. Pawlak Z.: Rough sets: Theoretical aspects of reasoning about data. Dordrecht Kluwer 1991.
  • 18. Salzberg S. L.: On Comparing Classifiers: Pitfalls to Avoid and a Recommended Approach. Data Mining and Knowledge Discovery 1, 1997, pp. 317-328.
  • 19. Sikora M.: System wspomagania pracy stacji geofizycznej -Hestia. Mechanizacja i Automatyzacja Górnictwa, 12/395, Katowice 2003.
  • 20. Sikora M.: Rule quality measures in creation and reduction of data rule models. Lecture Notes in Artificial Intelligence Vol. 4259, Springer-Verlag, Berlin Heidelberg, 2006, pp. 716-725.
  • 21. Sikora M:. Decision rules-based data models using TRS and NetTRS - methods and algorithms. Transaction on Rough Sets X. LNCS 5300 (w druku, ukaże się w 2009).
  • 22. Skowron A., Rauszer C.: The Discernibility Matrices and Functions in Information systems. Słowiński R. (ed.): Intelligent Decision Support. Handbook of Applications and Advances of the Rough Sets Theory. Dordrecht: Kluwer, 1992, pp. 331-362.
  • 23. Stefanowski J.: Rough set based rule induction techniques for classification problems. In: Proceedings of the 6th European Congress of Intelligent Techniques and Soft Computing, Achen, Germany (1998) 107-119.
  • 24. Weiss S. M. Kulikowski C. A.: Computer Systems That Learn. San Mateo: Morgan Kaufmann, 1991.
  • 25. Zhong, N., Skowron, A.: A rough set-based knowledge discovery process. International Journal of Applied Mathematics and Computer Sciences. No. 11 (2001) 603-619.
  • 26. Zasady stosowania metody kompleksowej i metod szczegółowych oceny stanu zagrożenia tąpaniami w kopalniach węgla kamiennego. Główny Instytut Górnictwa, Seria Instrukcje Nr 20, Katowice 2007.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-BGPK-2582-0008
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.