Modelowanie procesów produkcyjnych za pomocą naiwnego klasyfikatora Bayesa i sztucznych sieci neuronowych

• Autorzy: Perzyk M. , Biernacki R.

Warianty tytułu

EN

Modeling of production processes by naive Bayesian classifier and artificial neural networks

• Języki publikacji: PL

Abstrakty

PL

Badania porównawcze przeprowadzone w niniejszej pracy pozwoliły na stwierdzenie, że błędy przewidywania naiwnego klasyfikatora Bayesa być mniejsze lub większe od błędów sieci neuronowej. Dla dwóch identycznych symulowanych zbiorów o wyjściu binarnym, różniących się tylko liczebnością, NKB wykazał mniejszy błąd (% mylnych kategorii) niż SSN w przypadku zbioru mniej licznego. Współczynnik istotności względnej wielkości weściowych związany z NKB w obecnej postaci daje mało precyzyjne wyniki dla sygnałów o mniejszym znaczeniu. Dla wyjścia typu binarnego NKB dał wyraźnie lepszy rezultat w postaci identyfikacji sygnału zdecydowanie wyróżniającego się, niż SSN. Należy stwierdzić, że główną zaletą NKB w stosunku do SSN jest jednoznaczność tego modelu, a także prostota jego stosowania. Sadzić można także, że NKB jest mniej wymagający, jeśli chodzi o liczebność zbioru uczącego (np. nie wymaga on zbioru weryfikującego przy uczeniu). Wydaje się, że NKB może stanowić pożyteczny dla zastosowań przemysłowych system uczący się, w niektórych przypadkach lepszy od SSN. Celowe są jednak dalsze, systematyczne badania, zwłaszcza nad rozszerzeniem możliwości interpretacji wyników obu systemów, w tym analizy istotności wielkości wejściowych. Obecna praca pozwoliła jedynie na zwrócenie uwagi na potencjalne możliwości zastosowań NKB do modelowania procesów przemysłowych, jako alternatywnego wobec SSN systemu uczącego się oraz zasygnalizowanie szeregu problemów z tym związanych.

EN

Modeling qualities of two types learning systems are compared: naive Bayesian classifier (NBC) and artificial neural networks (ANN), based on prediction errors and relevant importance factors of input signals. Simulated and real industrial data were used. It was found that NBC can be an effective and a better tool in some applications, compared to ANN.

Słowa kluczowe

PL

modelowanie procesów produkcyjnych; naiwny klasyfikator Bayesa; sztuczne sieci neuronowe; systemy uczące się

• Wydawca: Wydawnictwo Naukowe AKAPIT
• Czasopismo: Informatyka w Technologii Materiałów
• Rocznik: 2004
• Tom: T. 4, Nr 3
• Strony: 98--104
• Opis fizyczny: Bibliogr. 5 poz., rys.

Twórcy

autor

Perzyk M.

• Instytut Technologii Materiałowych Politechniki Warszawskiej

autor

Biernacki R.

• Instytut Technologii Materiałowych Politechniki Warszawskiej

Bibliografia

• Cichosz, P.: Systemy uczące się. WNT Warszawa 2000.
• Perzyk, M., Kochański, A., 2001, Prediction of ductile cast iron quality by artificial neural networks. J. Mat. Proc. Techn., 109, BOS¬SO?.
• Perzyk, M., Kochański, A., Kozłowski, J., 2003, Istotność względna sygnałów wejściowych sieci neuronowej. Informatyka w Technologii Materiałów, 3, 125 - 132.
• Perzyk, M., Kochański, A., 2003, Detection of causes of casting defects assisted by artificial neural networks. J. Eng. Manufacture, Proc. of the Institution of Mechanical Engineers, Part B. 217, 1279 - 1284.
• Yescas, M.A., Bhadeshia, H.K.D.H., MacKay, D.J., 2001, Estimation of the amount of retained austenite in austempered ductile irons using neural networks, Mat. Sci. Eng., A311, 162 ? 173.
• Perzyk, M., Kochański, A., Kozłowski, J., 2004, Significance analysis of production parameters assisted by artificial neural networks. Proc. Int. Conf. Advances in Production Engineering, Warsaw University of Technology, Warsaw.