Bezpieczeństwo zaopatrzenia w wodę

• Autorzy: Biedugnis S. , Smolarkiewicz M. , Czapczuk A.

Warianty tytułu

EN

Safety of water supply

• Języki publikacji: PL

Abstrakty

PL

W roku 1958 Rosenblatt [8] opracował i zbudował sztuczną sieć neuronową nazwaną perceptronem. Ten częściowo elektromechaniczny, a częściowo elektroniczny układ przeznaczony był do rozpoznawania znaków alfanumerycznych z procesem uczenia jako metodą programowania systemu. Ważnym rezultatem Rosenblatta było ponadto udowodnienie tzw. twierdzenia o zbieżności perceptronu, które gwarantuje skończoną liczbę iteracji procesu uczenia, o ile dla zagadnienia modelowanego przy użyciu tego typu sieci optymalny układ wag istnieje. Pomimo iż działanie perceptronu nie było zadowalające z punktu widzenia zasadniczego celu (układ wykazywał dużą wrażliwość na zmianę skali rozpoznawanych obiektów oraz ich położenia w polu widzenia), był to ogromny sukces badań prowadzonych w tym zakresie. Przede wszystkim był to pierwszy fizycznie skonstruowany układ symulujący sieć nerwową, który wraz ze zdolnością do uczenia się wykazywał zdolność do poprawnego działania nawet po uszkodzeniu części jego elementów. Zastosowanie tego typu sieci neuronowych w modelowaniu on-line systemów zaopatrzenia w wodę pozwala na zwiększenie bezpieczeństwa w odniesieniu do ich prawidłowego modelowania, efektywności procesu on-line i jego niezawodności.

EN

In 1958 Rosenblatt developed and built an artificial neural network, called perceptron. This partly electro-mechanical and partly electronic system was intended to recognize the alphanumeric signs with learning process as a method of programming the system. An important result of Rosenblatt was also to proving of so called theorem of perceptron convergence, which guarantees a finite number of iterations of the learning process, if for the modeled problem using this type of network there is a optimal arrangement of weights. Although the operation of perceptron was not satisfactory from the point of view of the fundamental goal (the system showed high sensitivity to change of scale of recognized objects and their location in the field of view), it was a great success of research in this area. First of all, it was the first physically constructed system of simulating neural network, which together with the ability to learn demonstrated ability to work properly even after the damage of part of its components. Using this type of neural networks in on-line modeling ofwater supply networks helps to increase safety in relation to their proper modeling, the effectiveness of on-line process and its reliability. In its simplest form perceptron was constructed of two separate layers of neurons representing the input and output, respectively (Fig. 1). According to the assumed rule, neurons of output layer receive signals from neurons of input layer, but not vice versa. In addition, neurons of given layer do not communicate between themselves. In 1969 Minsky and Papert noticed that a lot of interesting functions cannot be modeled by a simple perceptron, because condition of existence of the weights vector from Rosenblatt theorem is not met. Limitation of linear separability of perceptron can be removed simply by introducing hidden layers. Structure of multilayer perceptron is shown in Fig. 4. Safety of water supply systems depends on efficient system of supervision and control. Construction of supervision and control system based on advanced neural models allows you to increase their effectiveness and in many cases to eliminate man as the weakest link in decision-making process during emergencies. Application of neural networks based on the theories of Rosenblatt allows to build a safe management system which, in the event of their auto failure can still work and function properly.

Słowa kluczowe

PL

zagopatrzenie w wodę; perceptron

EN

water supply; perceptron

• Wydawca: Politechnika Koszalińska
• Czasopismo: Rocznik Ochrona Środowiska
• Rocznik: 2010
• Tom: Tom 12
• Strony: 723--734
• Opis fizyczny: bibliogr. 23 poz.

Twórcy

autor

Biedugnis S.

autor

Smolarkiewicz M.

autor

Czapczuk A.

• Szkoła Główna Służby Pożarniczej

Bibliografia

• 1. Biedugnis S., Podwójci P.: Studium na temat danych wejściowych modeli optymalizacyjnych regionalnej gospodarki odpadami komunalnymi. VI Sem. Inst. ZWiBW PW, Oficyna Wyd. PW, Warszawa,177-189, 1999.
• 2. Gomółka B.: Podstawy ochrony środowiska. Wyd. Politechniki Wrocławskiej, 1980.
• 3. Harrison E., Angell R.: Waste Prevention Tool Kit for Local Governments. Cornell Waste Management Institute, 1992.
• 4. Hicman H.: Collection of Residential Solid Waste. In: The Solid Waste Handbook: A Practical Guide, ed. by Robinson W., John Wiley & Sons, NY, 1986.
• 5. Jóźwiak J.: Statystyka od podstaw. Polskie Wyd. Ekonomiczne, Warszawa, 1997.
• 6. Koniński R.A.: Sztuczne sieci neuronowe. WNT, Warszawa, 2002.
• 7. Marks D.H., Liebman J.C.: Mathematical analysis of solid waste collection, Bureau of Solid Waste Management, 1970.
• 8. McCutcheon J., Scott W.: An Introduction to the Mathematics of Finance. Butterworth-Heinemann, 1991.
• 9. Morrison D.: Wielowymiarowa analiza statystyczna. PWN, Warszawa, 1990.
• 10. Osowski S.: Sieci neuronowe do przetwarzania informacji. WFUJ, Kraków 2002.
• 11. Podwójci P., Biedugnis S.: Studium na temat danych wejściowych modeli optymalizacyjnych regionalnej gospodarki odpadami komunalnymi. Grant KBN nr 3 T09C 052 15, Warszawa, 2000.
• 12. Shuster K.A.: A Five-Stage Improvement Process for Solid Waste Collection Systems. US EPA, Washington D.C., 1974.
• 13. Siudak M.: Badania operacyjne. Oficyna Wydawnicza PW, Warszawa, 1997.
• 14. Staniszewski R.: Teoria systemów. Wszechnica Polskiej Akademii Nauk, Ossolineum, Wrocław, 1988.
• 15. StatSoft Polska: Statistica Pl dla Windows. Kraków, 1997.
• 16. Stevens J.: Applied multivariate statistics for the social sciences. Hillsdale, NJ Erlbaum, 1986.
• 17. Szajna J.: Turbo Prolog. Programowanie w języku logiki. WNT, Warszawa, 1991.
• 18. Tadeusiewicz R.: Wprowadzenie do sieci neuronowych. Kraków, 2001.
• 19. Witkowska D.: Sztuczne sieci neuronowe i metody statystyczne. C.H.Beck, Warszawa, 2002.
• 20. Wiśniewski M.: Elementy matematyki finansowej. maszynopis, Wydział Nauk Ekonomicznych, Uniwersytet Warszawski, Warszawa, 1999.
• 21. Zeigler B.: Teoria modelowania i symulacji, PWN, Warszawa, 1984.
• 22. http://www.lpa.co.uk – strona firmy LPA.
• 23. http://www.hallogram.com/science/lpaprolog/index.html – strona firmy Hallogram.