BazTech - Yadda

1

Klasyfikatory neuronowe typu SVM w zastosowaniu do klasyfikacji przemieszczeń pionowych na obszarze LGOM

Mrówczyńska M.

Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN

|

2014

|

nr 86

69--81

PL

W prezentowanym artykule przedstawiono podstawowe zasady budowania i uczenia sieci neuronowych SVM (ang. Support Vector Machine) zwane inaczej metodą (techniką) wektorów podtrzymujących. Sieci SVM znajdują głównie zastosowanie w rozwiązywaniu zadań klasyfikacji danych separowalnych i niesparowalnych liniowo oraz zadań regresji. W ostatnich latach zakres zastosowań tego typu sieci został poszerzony i sieci rozwiązują również takie problemy jak rozpoznawanie sygnałów i obrazów, identyfikacja mowy oraz diagnostyka medyczna. W pracy sieci nieliniowe SVM wykorzystano do klasyfikacji danych nieseparowalnych liniowo w postaci przemieszczeń punktów sieci pomiarowo-kontrolnej reprezentujących obszar, na którym prowadzona jest eksploatacja górnicza. Uczenia sieci neuronowej SVM wymaga implementacji programowania kwadratowego w poszukiwaniu punktu optymalnego funkcji Lagrange'a względem optymalizowanych parametrów. W przypadku danych nieseparowalnych liniowo, metoda SVM pozwala na znalezienie hiperpłaszczyzny, która klasyfikuje obiekty na tyle poprawnie, na ile jest to możliwe i jednocześnie przebiega możliwe daleko od typowych skupień dla każdej z klas. Za pomocą metody SVM można również znaleźć krzywoliniową granicę separacji o dużym marginesie separacji, wykorzystując zabieg podniesienia wymiarowości. Jakość uzyskanych wyników separacji jest uzależniona od przyjętej postaci funkcji jądra.

EN

This article presents basic rules for constructing and training SVM neural networks. SVM neural networks are mainly used for solving tasks involving the classification of linearly and non-linearly separable data, as well as regression tasks. In recent years, the application of these types of networks has expanded, and now they are also used for solving problems such as recognition of signals and pictures, speech identification, and in medical diagnostics. In this analysis non-linear SVM networks were used for classifying linearly non-separable data in the form of vertical displacements of points representing a mining area in a measurement and control network. Training an SVM neural network requires the use of quadrant programming in search of an optimum point of a Lagrangian function in relation to the parameters which are being optimised. In the case of linearly non-separable data, the SVM method makes it possible to find a hyper plane which classifies objects as correctly as possible, and at the same time is located far enough from concentrations typical of each class. By means of raising dimensionality, the SVM method can also be used to find a curvilinear separation boundary with a wide separation margin. The quality of the results obtained depends on the adopted form of the kernel function.

2

Prognozowanie obciążeń w systemie elektroenergetycznym przy użyciu sieci neuronowych SVM i MLP

Ciechulski T.

Spektrum

|

2014

|

nr 9-10

I--IV

PL

W artykule dokonano analizy metod predykcji obciążeń małego systemu elektroenergetycznego w centralnej Polsce. Bazują one na wykorzystaniu modeli predykcyjnych w postaci dwóch rodzajów sieci neuronowych: SVM i MLP. Symulacje sieci neuronowych zostały przeprowadzone w środowisku MATLAB. Uwzględniono wyprzedzenie dobowe (24 - godzinne).

EN

An analysis is made of load prediction methods applied in a small power system in central Poland. The methods are based on the use of prediction models in the form of two types of neural networks: SVM and MLP. Neural networks’ simulations were conducted in the MATLAB environment. An advance period of 24 hours was taken into account.

3

Wyznaczenie parametrów ruchowych silnika reluktancyjnego przełączalnego z toczącym się wirnikiem przy wykorzystaniu metody elementu skończonego i sztucznych sieci neuronowych

Wrotek H., Sałat R.

Przegląd Elektrotechniczny

|

2010

|

R. 86, nr 12

276-279

PL

W artykule przedstawione są wyniki analizy konstrukcji silnika reluktancyjnego przełączalnego z toczącym się wirnikiem cylindrycznym (SRPTW). Do analizy wykorzystano model SRPTW z czterema pasmami fazowymi wykonanymi w formie uzwojeń skupionych. Dokonano analizy momentu elektromagnetycznego SRPTW z wykorzystaniem metody elementu skończonego (MES) i sztucznej sieci neuronowej SVM (SVM). Do uczenia SVM wykorzystano przebieg momentu elektromagnetycznego obliczony z wykorzystaniem MES.

EN

The paper presents research into rolling rotor switched reluctance motor (RRSRM). Paper describes a four-band construction RRSRM. The electromagnetic torque calculations are formulated using finite element method (FEM). The approximation of electromagnetic torque using artificial neural network (SVM) are given.