Zastosowanie neuronowych klasyfikatorów grup podobieństwa dla wybranych wirtualnych obrazów wad materiałowych

• Autorzy: Giżewski T. , Wac-Włodarczyk A. , Goleman R. , Kowalski I.
• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono metodologię klasyfikacji materiałów magnetycznych na podstawie charakterystycznego modelu statycznego, który jest analogiczny do funkcji gęstości klasycznego modelu Preisacha. Badana powierzchnia jest wirtualnym obrazem uzyskanym przez przetworzenie histerezy różnicowej. Jej postać umożliwia modelowanie rozkładu funkcji wagi, charakteryzującego dany typ wady materiałów ferromagnetycznych.

EN

The article presents a methodology for classification of magnetic materials based on the characteristic static model, which is analogous to the classical model of the density function Preisacha. The study area is a virtual image obtained by differential hysteresis processing. It’s character allows modeling of the weight function distribution, that is typical for the type of defects in ferromagnetic materials. (Neural classifier of similarity groups applied in selected virtual image of defects).

Słowa kluczowe

PL

klasyfikacja; identyfikacja; badania nieniszczące; probabilistyczne sieci neuronowe

EN

classification; identification; non-destructive testing; probabilistic neural networks

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2011
• Tom: R. 87, nr 12b
• Strony: 53--56
• Opis fizyczny: Bibliogr. 16 poz., rys.

Twórcy

autor

Giżewski T.

autor

Wac-Włodarczyk A.

autor

Goleman R.

autor

Kowalski I.

• Politechnika Lubelska, Instytut Podstaw Elektrotechniki i Elektrotechnologii, ul. Nadbystrzycka 38a, 20-618 Lublin,

Bibliografia

• [1] Honkela T., Duch W., Girolami M., Kaski S., Artificial Neural Networks and Machines Learning-ICANN 2011, Springer 2011.
• [2] Principe J. C., Information Theoretic Learning, Springer 2010.
• [3] Hung-Chih Chiang Moses R.L., Potter L.C., Model-based classification of radar images, IEEE Transactions on Information Theory, Vol. 46, pp. 1842 - 1854, 2002.
• [4] El-Helw A.M., Moniri M., Chibelushi C.C., Error-resilient pattern classification using a combination of spreading and coding gains, IET Image Processing, Vol. 1, 2007.
• [5] Parekh R., Yang J., Honavar V., Constructive neural-network learning algorithms for pattern classification, IEEE Transactions on Neural Networks, Vol. 11, pp. 436-451, 2002.
• [6] Stąpor K., Automatyczna klasyfikacja obiektów. Akademicka Oficyna Wydawnicza EXIT, Warszawa 2005.
• [7] Kukiełka L., Podstawy badań inżynierskich, Wydawnictwo Naukowe PWN, Warszawa 2002.
• [8] Seo S., Bode M., Obermayer K., Soft nearest prototype classification, IEEE Trans. on Neural Networks, Vol. 14, pp. 390 - 398, 2003.
• [9] Hemion G., The Classification of Knots and 3-Dimensional Spaces, Oxford University Press 1992.
• [10] Cichosz P., Systemy uczące się. Wydawnictwo Naukowo- Techniczne, Warszawa 2000.
• [11] Weinberger S., The Topological Classification of Stratified Spaces, Lectures in Mathematics, University of Chicago 1995.
• [12] Giżewski T., Kowalski I., Zarzycki D., Radomska-Wilczewska A., Lewandowski R., Kotwicki T., Model systemu samouczącego w diagnostyce medycznej, Polish Annales of Medicine. Vol 15. Olsztyn 2008.
• [13] Mayergoyz I. D., Mathematical Models of Hysteresis, Springer- Verlag, Berlin 2002.
• [14] Henze O., Rucker W.M., Identification procedures of Preisach model, IEEE Trans. Magn., Vol. 38, pp. 833 – 836, 2002.
• [15] Wac-Włodarczyk A., Goleman R., Gi(ewski T.: The experimental identification of the Preisach differential surface in the arrangement of AC bridge, Przegląd Elektrotechniczny, 12/2010.
• [16] Wac-Włodarczyk A., Goleman R., Gi(ewski T.: The methodology of magnetic materials classification, Przegląd Elektrotechniczny 03/2011.