Porównanie skuteczności wybranych klasyfikatorów neuronowych w identyfikacji grup macerałów węgla kamiennego oraz materii nieorganicznej

• Autorzy: Skiba M. , Młynarczuk M.

Warianty tytułu

EN

Comparison of the effectiveness of selected neural classifiers for maceral groups and inorganic matter identification

• Języki publikacji: PL

Abstrakty

PL

Jednym z podstawowych zastosowań sztucznych sieci neuronowych jest rozpoznawanie i klasyfikacja wzorców. W ramach pracy przeprowadzono automatyczną identyfikację grup macerałów oraz materii nieorganicznej za pomocą trzech klasyfikatorów neuronowych: dwuwarstwowej sieci jednokierunkowej (Multi-Layer Perceptron, MLP), sieci o radialnych funkcjach bazowych (Radial Basis Function, RBF) oraz samoorganizującej mapy Kohonena (Self- -Organizing Maps, SOM). Do analiz wykorzystano zbiór 3000 mikroskopowych zdjęć próbek węgla kamiennego. Każde z nich opisano 12 – wymiarowym wektorem cech. Dla każdej z rozpatrywanych sieci dokonano 100 – krotnego powtórzenia losowego wyboru ciągu uczącego, treningu sieci oraz rozpoznania badanych obiektów. Analizy wykazały wysoką skuteczność zastosowanych klasyfikatorów neuronowych w identyfikacji grup macerałów oraz materii nieorganicznej. Najlepsze rezultaty, na poziomie przekraczającym 98% poprawnych rozpoznań, uzyskano dla klasyfikatorów bazujących na uczeniu nadzorowanym (MLP oraz RBF). Nieznacznie niższą skuteczność rozpoznań otrzymano w przypadku sieci SOM – 95,9% klasyfikacji zgodnych z decyzjami obserwatora.

EN

One of the main applications of artificial neural networks is the recognition and classification of different patterns. In the framework of the work an automatic identification of maceral groups and inorganic matter was carried. Three neural classifiers were used: a Multi-Layer Perceptron (MLP), a network of Radial Basis Function (RBF) and Kohonen Self-Organizing Maps (SOM). For the purposes of the analysis a collection of 3,000 images of microscopic samples of coal was used. Each image was described by 12-dimensional feature vector. For each network were carried out: a hundredfold draw of learning set, the network training and classification of objects under study. The analyses have shown high effectiveness of the neural classifi ers used to identify maceral groups and inorganic matter. The best results were obtained for the classifiers based on supervised learning (MLP and RBF). They were at a level exceeding 98% of correct diagnoses. Slightly lower efficiency of diagnosis was obtained in the case of SOM network – 95.9% of classification compatible with the observer decisions.

Słowa kluczowe

PL

sztuczne sieci neuronowe; grupy macerałów; uczenie nadzorowane; uczenie nienadzorowane; MLP; RBF; SOM

EN

artificial neural network; maceral group; supervised learning; unsupervised learning; MLP; RBF; SOM

• Wydawca: Instytut Mechaniki Górotworu PAN
• Czasopismo: Prace Instytutu Mechaniki Górotworu PAN
• Rocznik: 2016
• Tom: T. 18, nr 4
• Strony: 133--138
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Skiba M.

• Instytut Mechaniki Górotworu PAN, ul. Reymonta 27; 30-059 Kraków

autor

Młynarczuk M.

• Instytut Mechaniki Górotworu PAN, ul. Reymonta 27; 30-059 Kraków

Bibliografia

• Bishop Ch., 1995: Neural Networks for Pattern Recognition. Clarendon Press, Oxford.
• Haykin, S., 1994: Neural Networks: A Comprehensive Foundation. New York: Macmillan Publishing.
• Kohonen T., 1982: Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43:59-69.
• Kohonen T., 1995: Self-organizing maps. Springer Verlag, Berlin.
• Korbicz J., Obuchowicz A., Uciński D., 1994: Sztuczne sieci neuronowe. Podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• Młynarczuk M., Godyń K., Skiba M., 2015: Wykorzystanie sztucznych sieci neuronowych do klasyfikacji struktur odmienionych węgla kamiennego w strefach przyuskokowych. Przegląd Górniczy, n. 11, s 15-20.
• Muszyński K., Knapik K., 2007: Metoda SSN w bieżącym prognozowaniu zapotrzebowania na wodę. IV Ogólnopolska Konferencja Naukowo-Techniczna „Aktualne zagadnienia w uzdatnianiu i dystrybucji wody”, Szczyrk 10-12 maj 2007.
• Osowski S., 2006: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• PN-ISO 7404-3, 2001: Metody analizy petrograficznej węgla kamiennego (bitumicznego) i antracytu. Polski Komitet Normalizacyjny.
• Skiba M., Młynarczuk M., 2015a: Możliwości wykorzystania sztucznych sieci neuronowych do identyfikacji macerałów grupy inertynitu. Prace Instytutu Mechaniki Górotworu PAN, Vol. 17, No. 3-4.
• Skiba M., Młynarczuk M., 2015b: Możliwości wykorzystania sztucznych sieci neuronowych w badaniach petrograficznych węgla kamiennego. 10. czesko-polska konferencja „Geologia Zagłębi Węglonośnych”, Documenta Geonica, Ostrava.
• Tadeusiewicz R., 1993: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa.
• Tadeusiewicz R., 1998: Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami. Akademicka Oficyna Wydawnicza, Warszawa.
• Tadeusiewicz R., Lula P., 2001: Wprowadzenie do sieci neuronowych. StatSoft, Kraków.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).