Modelowanie powierzchni dna morskiego z wykorzystaniem sieci RBF

• Autorzy: Kozak M.

Warianty tytułu

EN

Modelling of the Sea Bottom Using RBF Networks

• Języki publikacji: PL

Abstrakty

PL

Numeryczny model rzeźby terenu (NMT) ma coraz większe zastosowanie zarówno przy modelowaniu powierzchni lądowych, jak i dna morskiego oraz innych akwenów. Znajduje on również zastosowanie w nawigacji do oceny bezpieczeństwa żeglugi statku, w komputerowych programach symulacji ruchu statku, czy w nawigacji porównawczej do tworzenia mapy wzorców dna. W artykule przedstawiono badania służące zmniejszeniu liczby potrzebnych danych do wizualizacji powierzchni dna morskiego z wykorzystaniem sieci neuronowych RBF.

EN

The Digital Terrain Model (DTM) has been used more and more often in modelling the land or the bottom of the sea and other water systems. It has been adopted in navigation to estimate the safety, in computer vessel traffic simulating programms and in comparative navigation to create the patterns of the bottom of the sea. This article presents the research in reducing the amount of data that is necessary for the visualisation of the bottom of the sea with the use of RBF networks.

Słowa kluczowe

PL

numeryczny model terenu; sieci RBF; Inżynieria Ruchu Morskiego 2005

EN

digital terrain model (DTM); RBF networks

• Wydawca: Wydawnictwo Naukowe Akademii Morskiej w Szczecinie
• Czasopismo: Zeszyty Naukowe / Akademia Morska w Szczecinie
• Rocznik: 2005
• Tom: nr 6 (78)
• Strony: 235--241
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Kozak M.

• Politechnika Szczecińska Wydział Informatyki ul. Żołnierska 49 71-210 Szczecin

• Politechnika Szczecińska Wydział Informatyki ul. Żołnierska 49, 71-210 Szczecin,

Bibliografia

• 1. Balicki J., Kitowski Z., Stateczny A., Artificial Neural Networks for Modelling of Spatial Shape of Sea Bottom. IV Conference of Neural Networks and Their Applications, Zakopane 1999.
• 2. Łubczonek J., Stateczny A., Concept of neural model of the sea bottom surface. 6th International Conference Neural Networks and Soft Computing, Zakopane 2002.
• 3. Stateczny A., Praczyk T., Neuronowa metoda modelowania kształtu dna morskiego. X Konferencja Naukowo-Techniczna Systemy Informacji Przestrzennej, Warszawa 2000.
• 4. Stateczny A., The neural method of sea bottom shape modelling for spatial maritime information system. WIT Press Southampton, Boston 2000.
• 5. Strumiłło P., Kamiński W., Orthogonalisation Procedure for Training Ra-dial Basis Functions Neural Networks. Technical Sciences, Polish Academy of Science, Warszawa 2001.
• 6. Chen, S., Wu Y., Luk, B. L., Combined genetic algorithm optimization and regularized orthogonal least squares learning for radial basis function net-works. IEEE Transactions on Neural Networks 10(5),pp. 1239-1243, 1999.
• 7. Chen S., Cowan C. F. N., Grant, P. M., Orthogonal least squares learning algorithm for radial basis function networks. IEEE Transactions on Neural Networks 2(2), pp. 302-309, 1991.
• 8. Chen S., Chng E.S., Alkadhimi K., Regularized orthogonal least squares algorithm for constructing radial basis function networks. International Journal of Control 64(5), pp. 829-837, 1996.
• 9. Ossowski S., Sieci neuronowe w ujęciu algorytmicznym. Wydawnictwo Naukowo- Techniczne, Warszawa 1996.
• 10. Beliczyński B., Przyrostowa aproksymacja funkcji za pomocą sieci neuro-nowych. Politechnika Warszawska, Elektryka, Warszawa 2000.