Zastosowanie algorytmów mrówkowych do selekcji in formacji diagnostycznej

• Autorzy: Ciupke K.

Warianty tytułu

EN

Application of ant algorithm to selection of diagnostic information

• Języki publikacji: PL

Abstrakty

PL

Pozyskiwanie wiedzy diagnostycznej metodami uczenia maszynowego na podstawie danych z eksperymentów i obserwacji diagnostycznych, wymaga wstępnego przetworzenia tych danych. Przetwarzanie to obejmuje między innymi selekcję podzbioru cech spośród licznego zbioru cech. W breferacie przedstawiono wyniki badań dotyczących wyboru cech istotnych z uwagi na możliwość oceny stanu lub oceny rodzaju powstałej niesprawności diagnozowanego obiektu. Do selekcji cech zastosowano metodę z wykorzystaniem algorytmu uczenia maszynowego oraz algorytmu mrówkowego.

EN

Data used in a knowledge acquisition process should be preprocessed. One of the preprocessing stage is selection of attributes, called also selection of information. In the paper there are presented results of a research concerning diagnosis of a technical object - rotation machine. In the research the selection of attributes was earned out using the ant colony optimization approach combined with the wrapper approach.

Słowa kluczowe

PL

systemy doradcze; pozyskiwanie wiedzy; selekcja atrybutów; algorytmy mrówkowe

EN

expert systems; knowledge acquisition; feature selection; ant algorithm

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2005
• Tom: R. 51, nr 9 bis
• Strony: 134--135
• Opis fizyczny: Bibliogr. 10 poz., wzory

Twórcy

autor

Ciupke K.

• Politechnika Śląska, Katedra Podstaw Konstrukcji Maszyn

Bibliografia

• [1] Bently Nevada: Rotor Kit. Instruction Manual No. TW8029319, Minden NV, 1996.
• [2] Bonabeau E., Dorigo M., Theraulaz G.: From natural to artificial swarm intelligence. Oxford University Press, 1999.
• [3] Ciupke K.: Metoda .selekcji i redukcji informacji w diagnostyce maszyn. Zeszyty Katedry Podstaw Konstrukcji Maszyn, Z. 118, Politechnika Śląska, Gliwice, 2001.
• [4] Dorigo M., Di Caro G.: The ant colony optimization mc la-heuristic. W: Comne D., Dorigo M., Glover F. (cd.): New ideas in optimization. McGraw-Hill, London, ss. 11-32.
• [5] Dorigo M., Di Caro G., Gambardella L.: Ant algorithms for discrete optimization. Atrificial Life, Vol. 5, No. 3, ss. 137-172, 1999.
• [6] Jensen R., Shen Q.: Finding Rough Set Reducts with Ant Colony Optimization. Proceedings of the 2003 UK Workshop on Computational Intelligence, ss. 4, 15-22, 2003.
• [7] Michalski R.; Machine learning, data mining and knowledge discovery. Principles and applications. Tutorial, IIS'97, IPI PAN, Zakopane, 1997.
• [8] Pawlak Z.: Rough Sets: Theoretical Aspects of Reasoning About Data. Kluwer Academic Publishing. Dordrecht, 1991.
• [9] See5: Internet: http://www.nileo.ucst.com
• [10] Stawinoga J.: Badania porównawcze metod określania progów kwantyzacji cech ilościowych dla potrzeb diagnostyki maszyn. Praca dyplomowa, KPKM, Politechnika Śląska, 1997.

Uwagi

Badania zostały częściowo zrealizowane w ramach projektu badawczego nr 4 T07B 01 827 finansowanego przez MNiI