Analiza wybranych nieparametrycznych metod automatycznej klasyfikacji obiektów wielowymiarowych w aplikacji do nieniszczącej detekcji uszkodzeń

• Autorzy: Giżewski T. , Wac-Włodarczyk A. , Goleman R. , Czerwiński D.

Warianty tytułu

EN

The analysis of the selected nonparametric automatic multidimensional object classifications method in nondestructive testing application

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia problematykę nieparametrycznych metod klasyfikacji w odniesieniu do numerycznego modelu obiektu fizycznego. Głównym tematem jest analiza skuteczności algorytmów pod kątem zastosowań w nieniszczącej detekcji uszkodzeń. Szczególną uwagę zwrócono na parametryzację modelu, jako czynnika istotnego przy minimalizacji kosztów procesu uczenia.

EN

The article presents the discussion on nonparametric classification methods in relation to the numerical model of a physical object. The main theme is the analysis of algorithms in applications to non-destructive testing of ferromagnetic materials. The particular attention was given to model parameterization as a significant factor in minimizing the cost of the learning process.

Słowa kluczowe

PL

badania nieniszczące; klasyfikator; model wielowymiarowy

EN

non-destructive testing; classifier; multidimensional model

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2012
• Tom: R. 88, nr 9b
• Strony: 234--237
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Giżewski T.

• Politechnika Lubelska, Instytut Podstaw Elektrotechniki i Elektrotechnologii

autor

Wac-Włodarczyk A.

• Politechnika Lubelska, Instytut Podstaw Elektrotechniki i Elektrotechnologii

autor

Goleman R.

• Politechnika Lubelska, Instytut Podstaw Elektrotechniki i Elektrotechnologii

autor

Czerwiński D.

• Politechnika Lubelska, Instytut Podstaw Elektrotechniki i Elektrotechnologii

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] Mayergoyz I. D., Mathematical Models of Hysteresis, Springer-Verlag, Berlin 2002.
• [13] Henze O., Rucker W.M., Identification procedures of Preisach model, IEEE Trans. Magn., Vol. 38, pp. 833 – 836, 2002.
• [14] Wac-Włodarczyk A., Goleman R., Giżewski T.: The experimental identification of the Preisach differential surface in the arrangement of AC bridge, Electrical Review 12/2010, pp. 160-163.
• [15] Wac-Włodarczyk A., Goleman R., Giżewski T.: The methodology of magnetic materials classification, Electrical Review 03/2011, pp. 216-219.