SVM based classification method of railway`s defects

• Autorzy: Bojarczak P. , Lesiak P.
• Języki publikacji: EN

Abstrakty

EN

Railway's surface defects belong to some kind of railway's flaws not been detected by traditional ultrasonic method and therefore they pose a major thread to the safety of railway traffic. Paper's aim is to present the Method of Metal Magnetic Memory along with SVM network allowing for detection of surface defects. Signals coming from the device whose operation is based on this method are given to wavelet's packet block extracting the most important features characterizing surface defects, followed by SVM network operating as a classifier.

PL

W artykule przedstawiono próbę wykorzystania metody magnetycznej pamięci metalu wraz z klasyfikatorem opartym o sieć SVM (Support Vector Machines) do wykrywania wad powierzchniowych występujących w szynach kolejowych. Wady te są niewykrywalne przez tradycyjne metody oparte na ultradźwiękach a przez to stanowią poważne zagrożenie dla bezpieczeństwa ruchu pociągów.

Słowa kluczowe

EN

Method of Metal Magnetic Memory; wavelets transform

PL

metoda magnetycznej pamięci metalu; transformata falkowa; sieci SVM

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2007
• Tom: R. 53, nr 12
• Strony: 15--17
• Opis fizyczny: Bibliogr. 10 poz., rys., wykr., wzory

Twórcy

autor

Bojarczak P.

autor

Lesiak P.

• Institute of Automatics and Telematics of Transport, Radom University of Technology,

Bibliografia

• [1] V. T. Vlasov, A. A. Dubov: Physical bases of the metal magnetic memory method, Physica ZAO Publishing House, Moscow, 2004.
• [2] Ren Ming, Song Kai, Wu Guanhua, Lin Junming: Mechanism study of metal magnetic memory testing. 10 Asia-Pacific Conference on Non-destructive Testing. Brisbane, Qeensland, Australia, 2001.
• [3] P. Lesiak, A. Radziszewski: Diagnostyka szyn metoda magnetycznej pamięci metalu. Prace Naukowe Politechniki Radomskiej, Elektryka Nr 2(8) 2004, Radom 2004.
• [4] C. M. Bishop: Neural Networks for Pattern Recognition. Oxford University Press, 1996.
• [5] B. Ripley: Pattern Recognition and Neural Networks. Cambridge University Press, 1996.
• [6] I. Daubechies: Ten lectures on wavlets, SIAM Press, 1988.
• [7] R. Ciofman, M. Wickerhauser: Entropy-based algorithm for best basis selection, IEEE Trans. Info. Theory 38(2) March, 1992.
• [8] R. E. Learned, A. S. Willsky: A wavelet packet approach to transient signal classification, Applied and Computation Harmonic Analysis 2, 1995.
• [9] K. I. Diamantras, S. Y. Kung: Principal component neural networks, Wiley, 1996.
• [10] B. Scholkopf, A. Smola: Learning with Kernels, Support Vector Machines, Regularization, Optimization and Beyond. MIT Press, Cambridge, Massachusetts, London, England 2002.