Knn method applied to tests of artillery igniters

• Autorzy: Ampuła Dariusz

Identyfikatory

DOI

10.5604/01.3001.0055.0626

Warianty tytułu

PL

Metoda KNN w zastosowaniu do badań zapłonników artyleryjskich

• Języki publikacji: EN

Abstrakty

EN

Knn method applied to tests of artillery igniters Metoda KNN w zastosowaniu do badań zapłonników artyleryjskich In the introduction of this article the „k” nearest neighbors method is presented, which can be use both for classification and regression tasks. The process of designing and built the model of the „k” nearest neighbors method was characterized, noting the lack of a generalizing model for the analyzed problem in the method and the possibility of making predictions for new predictor values. Based on the diagnostic laboratory test results, the „k” nearest neighbors model was designed for artillery igniters of the KW-4 type. The predictors and input parameters were specified, on the basis of which the proprietary model was built in the „k” nearest neighbors method. The obtained form of the model was analyzed in terms of the validity of the cross-test and the value of the number „k”. Further models were also built according to the „k” nearest neighbors method for other artillery igniters and for RGM-6 fuses, the results of which were much worse than the KW-4 igniters. Finally, the model was designed according to the input parameters suggested by the Statistica software. The model built in this way turned out to be the optimal model from the point of view of the obtained initial indicators and it should be implemented for use.

PL

W artykule we wstępie przedstawiono metodę „k” najbliższych sąsiadów, którą można stosować zarówno do zadań klasyfikacyjnych jak i do zadań regresyjnych. Scharakteryzowano proces projektowania oraz budowy modelu metody „k” najbliższych sąsiadów, zwracając uwagę na brak modelu generalizującego badanego analizowanego problemu w metodzie oraz możliwość dokonywania predykcji dla nowych wartości predyktorów. Na podstawie posiadanych wyników diagnostycznych badań laboratoryjnych, zaprojektowano model „k” najbliższych sąsiadów dla zapłonników artyleryjskich typu KW-4. Wyszczególniono predyktory oraz parametry wejściowe, na podstawie których zbudowano autorski model w metodzie „k” najbliższych sąsiadów. Dokonano analizy otrzymanej postaci modelu pod kątem oceny trafności sprawdzianu krzyżowego oraz wartości liczby „k”. Zbudowano także kolejne modele według metody „k” najbliższych sąsiadów dla innych zapłonników artyleryjskich oraz dla zapalników typu RGM-6, których wyniki były znacznie gorsze od zapłonników KW-4. Na końcu, zaprojektowano model według sugerowanych przez oprogramowanie Statistica parametrów wejściowych. Tak zbudowany model okazał się modelem najlepszym z punktu widzenia otrzymanych wskaźników wyjściowych i to on powinien być wdrożony do użytkowania.

Słowa kluczowe

EN

„k” nearest neighbors method; predictor; test; igniter; inconsistence

PL

metoda k najbliższych sąsiadów; predyktor; badanie; zapłonnik; niezgodność

• Wydawca: Wydawnictwo Instytutu Technicznego Wojsk Lotniczych
• Czasopismo: Journal of KONBiN
• Rocznik: 2025
• Tom: Vol. 55, iss.1
• Strony: 121--135
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Ampuła Dariusz

• Military Institute of Armament Technology (Wojskowy Instytut Techniczny Uzbrojenia), Poland

• https://orcid.org/0000-0002-9036-9498

Bibliografia

• 1. “k-nearest neighbors algorithm”, Wikipedia, https://wikipedia.org/wiki/K_nearest neighbors.
• 2. https://aigeekprogrammer.com/pl/k-nearest-neighbors-in-classification-writings/
• 3. “Evelyn Fix”, Wikipedia, https://en.wikipedia.org/wiki/Evelyn_Fix.
• 4. J. Huang and M. Perry, “A semi-empirical approach using gradient boosting and k-nearest neighbors regression for GEFCom2014 probabilistic solar power forecasting”, International Journal of Forecasting, vol. 32(3), pp. 1081÷1086, 2016.
• 5. M. Zamouche, M. Chermat, Z. Kermiche, H. Tahraoui, M. Kebir, J.C. Bollinger, A. Amrane, and L. Mouni, “Predictive Model Based on K-Nearest Neighbor Coupled with the Grey Wolf Optimizer Algorithm (KNN_GWO) for Estimating the Amount of Phenol Adsorption on Powdered Activated Carbon”, Water, vol. 15(3), 2023.
• 6. M. Łapczyński and T. Demski, Data mining – predictive methods – materials from course, Statsoft Poland, pp. 78÷80, 2019.
• 7. G. Migut, Classification methods in science – built, construction and evaluation – materials from course, Statsoft Poland, pp. 16-18, 2022.
• 8. A. Horzyk and A. Starzyk, Associative Data Model in Search for Nearest Neighbors and Similar Patterns, IEEE Symposium on Computational Intelligence (SSCI), Xiamen, China, pp. 933-940, 2019.
• 9. Electronic handbook „Statistica” – Statsoft Poland, 2022.
• 10. Cards from laboratory tests of artillery igniters of the KW-4 type – archive Military Institute of Armament Technology (MIAT).
• 11. Ammunition of land forces, collective work, Publishing House Ministry of National Defence, Uzbr. 2307/83, pp. 196÷198, Warsaw 1985.
• 12. Methodology of diagnostic tests artillery ammunition after long-term storage, collective work, Index N-5001b – 1985 r. – archive MIAT.
• 13. Statistics 13.3 PL, Statsoft Poland, computer software, 2023.