Wyniki wyszukiwania - BazTech

1

RFID tag group recognition based on motion blur estimation and YOLOv2 improved by Gaussian algorithm

Li Lin, Yu Xiao-Lei, Liu Zhen-Lu, Zhao Zhi-Min, Zhang Ke, Zhou Shan-Hao

Metrology and Measurement Systems

|

2022

|

Vol. 29, nr 1

53--74

EN

Effective recognition of tags in the dynamic measurement system would significantly improve the reading performance of the tag group, but the blurred outline and appearance of tag images captured in motion seriously limit the effectiveness of the existing tag group recognition. Thus, this paper proposes passive tag group recognition in the dynamic environment based on motion blur estimation and improved YOLOv2. Firstly, blur angles are estimated with a Gabor filter, and blur lengths are estimated through nonlinear modelling of a Generalized Regression Neural Network (GRNN). Secondly, tag recognition based on YOLOv2 improved by a Gaussian algorithm is proposed. The features of the tag group are analyzed by the Gaussian algorithm, the region of interest of the dynamic tag is effectively framed, and the tag foreground is extracted; Secondly, the data set of tag groups are trained by the end-to-end YOLOv2 algorithm for secondary screening and recognition, and finally the specific locations of tags are framed to meet the effective identification of tag groups in different scenes. A considerable number of experiments illustrate that the fusion algorithm can significantly improve recognition accuracy. Combined with the reading distance, the research presented in this paper can more accurately optimize the three-dimensional structure of the tag group, improve the reading performance of the tag group, and avoid the interference and collision of tags in the communication channel. Compared with the previous template matching algorithm, the tag group recognition ability put forward in this paper is improved by at least 13.9%, and its reading performance is improved by at least 6.2% as shown in many experiments.

2

Soft computing-based technique as a predictive tool to estimate blast-induced ground vibration

Arthur Clement Kweku, Temeng Victor Amoako, Ziggah Yao Yevenyo

Journal of Sustainable Mining

|

2019

|

Vol. 18, iss. 4

287--296

EN

The safety of workers, the environment and the communities surrounding a mine are primary concerns for the mining industry. Therefore, implementing a blast-induced ground vibration monitoring system to monitor the vibrations emitted due to blasting operations is a logical approach that addresses these concerns. Empirical and soft computing models have been proposed to estimate blast-induced ground vibrations. This paper tests the efficiency of the Wavelet Neural Network (WNN). The motive is to ascertain whether the WNN can be used as an alternative to other widely used techniques. For the purpose of comparison, four empirical techniques (the Indian Standard, the United State Bureau of Mines, Ambrasey-Hendron, and Langefors and Kilhstrom) and four standard artificial neural networks of backpropagation (BPNN), radial basis (RBFNN), generalised regression (GRNN) and the group method of data handling (GMDH) were employed. According to the results obtained from the testing dataset, the WNN with a single hidden layer and three wavelons produced highly satisfactory and comparable results to the benchmark methods of BPNN and RBFNN. This was revealed in the statistical results where the tested WNN had minor deviations of approximately 0.0024 mm/s, 0.0035 mm/s, 0.0043 mm/s, 0.0099 and 0.0168 from the best performing model of BPNN when statistical indicators of Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Relative Root Mean Square Error (RRMSE), Correlation Coefficient (R) and Coefficient of determination (R2) were considered.

3

Stochastic optimization algorithms for learning GRNN forecasting model – comparative study

Dudek G.

Przegląd Elektrotechniczny

|

2017

|

R. 93, nr 4

66--69

EN

This paper presents stochastic optimization algorithms for learning Generalized Regression Neural Network which is used as a patternbased short-term load forecasting model. For adjustment of the model parameters four types of stochastic optimization methods are used: evolution strategies, differential evolution, particle swarm optimization and tournament searching. The learning effectiveness when using these four algorithms is compared on real power system load data.

PL

W artykule zaprezentowano stochastyczne algorytmy uczenia sieci neuronowej regresji uogólnionej, która pełni funkcję modelu krótkoterminowego prognozowania obciążeń elektroenergetycznych. Do strojenia parametrów modelu użyto czterech metod optymalizacji stochastycznej: strategii ewolucyjnych, ewolucji różnicowej, optymalizacji rojem cząstek i przeszukiwania turniejowego. Efektywność tych metod w uczeniu sieci porównano w badaniach symulacyjnych przy użyciu rzeczywistych danych.

4

Friction modeling of Al-Mg alloy sheets based on multiple regression analysis and neural networks

Lemu H. G., Trzepieciński T., Kubit A., Fejkiel R.

Advances in Science and Technology. Research Journal

|

2017

|

Vol. 11, no 1

48--57

EN

This article reports a proposed approach to a frictional resistance description in sheet metal forming processes that enables determination of the friction coefficient value under a wide range of friction conditions without performing time-consuming experiments. The motivation for this proposal is the fact that there exists a considerable amount of factors affect the friction coefficient value and as a result building analytical friction model for specified process conditions is practically impossible. In this proposed approach, a mathematical model of friction behaviour is created using multiple regression analysis and artificial neural networks. The regression analysis was performed using a subroutine in MATLAB programming code and STATISTICA Neural Networks was utilized to build an artificial neural networks model. The effect of different training strategies on the quality of neural networks was studied. As input variables for regression model and training of radial basis function networks, generalized regression neural networks and multilayer networks the results of strip drawing friction test were utilized. Four kinds of Al-Mg alloy sheets were used as a test material.

5

Using Artificial Neural Networks to Establish a Customer-cancellation Prediction Model

Huang H.-C., Chang A. Y., Ho C.-C.

Przegląd Elektrotechniczny

|

2013

|

R. 89, nr 1b

178--180

EN

In the past, judgments concerning customer cancellations relied primarily on managers’ experience. Prediction errors can cause surpluses or insufficient service capacity. Data mining technology can improve prediction and judgment accuracy. This study applies back propagation neural networks and general regression neural networks to establish a customer-cancellation prediction model. The empirical results showed that both prediction models possessed good predictive abilities and can aid in service capacity scheduling.

PL

W artykule opisano zastosowanie sieci neuronowych o propagacji wstecznej (ang. BPNN) oraz regresji generalnej (ang. GRNN) w budowie modelu anulowania klientów. Działanie to zwykle opiera się na doświadczeniu manager’a, co może doprowadzić do błędnych decyzji. Rezultaty badań empirycznych dowodzą dobrych własności przewidywania i możliwej użyteczności w określaniu potencjalnych działań z klientem opracowanych modeli.

6

Analysis of tracking errors of multiple model neural filter for marine navigational radar

Kazimierski W.

Elektronika : konstrukcje, technologie, zastosowania

|

2012

|

Vol. 53, nr 7

47-50

EN

The paper presents the research focused on verification of multiple model neural filter in real environment. The filter is a result of the works in the research project and is implemented as a software application. The application is then connected to real radar making the off-line verification possible. The filter was checked against IMO requirements and was compared to other commercially used filters. Estimation errors and delay was the basis for the verification. Achieved results show that proposed solution might be an interesting alternative for numerical filters.

PL

Artykuł przedstawia wyniki badań mających na celu weryfikację wielomodelowego neuronowego filtra śledzącego z wykorzystaniem danych rzeczywistych. Filtr jest wynikiem badań prowadzonych w ramach projektu badawczego pt. Rozwinięcie metod radarowego śledzenia jednostek pływających z zastosowaniem wielomodelowej filtracji neuronowej. Został zaimplementowany w dedykowanym oprogramowaniu, które zostało z kolei podłączone do rzeczywistego urządzenia radarowego na statku. Dzięki temu możliwa była rejestracja danych z radaru, jak również weryfikacja opracowanej metody. Była ona prowadzona w trybie off-line. Podstawą weryfikacji była analiza błędów i opóźnień filtracji. Uzyskane rezultaty pokazują, że proponowana metoda może być interesującą alternatywą dla powszechnie stosowanych numerycznych filtrów.

7

Optymalizacja modeli neuronowych na przykładzie oceny aktywności biologicznej związków chemicznych

Szaleniec M., Tadeusiewicz R., Skoczowski A.

Computer Methods in Materials Science

|

2006

|

Vol. 6, No. 2

65-80

PL

W pracy podjęto próbę przedstawienia wybranych problemów doboru i optymalizacji modelu w postaci sieci neuronowej do posiadanego zestawu danych empirycznych. Przykładowy problem dotyczył próby zbudowania sieci przewidującej na podstawie danych topologicznych i kwantowo-chemicznych aktywność pewnej klasy związków chemicznych, jednak szczegóły chemiczne rozwiązywanego problemu nie miały tu zasadniczego znaczenia. Z punktu widzenia tej pracy ważne było, że rozwiązywany problem był trudny, a ponadto charakteryzował się szeregiem cech, które wyjątkowo często pojawiają się przy praktycznym stosowaniu sieci neuronowych: zadanie wymagało brania pod uwagę (w charakterze potencjalnych sygnałów wejściowych) dużej liczby danych o zróżnicowanym charakterze (były tam dane ilościowe i jakościowe); istniało uzasadnione podejrzenie, że nie wszystkie dane wejściowe są równie przydatne przy rozwiązywaniu postawionego zadania, ale brak było dokładnych przesłanek, żeby dokonać ich wstępnej selekcji przed zbudowaniem neuronowego modelu; liczba przykładów, na bazie których można było sieć uczyć, a także dokonywać walidacji i testowania jej działania, była bardzo ograniczona. Przy takich założeniach przebadano przydatność szeregu różnych struktur i zasad działania sieci, uzyskując następujące ważniejsze wyniki: -stwierdzono, że jakość modelu uzyskiwanego przy zastosowaniu liniowej sieci neuronowej jest bardzo istotnie gorsza, niż jakość najlepszego uzyskanego modelu nieliniowego w postaci sieci MLP; wykazano, że wprowadzenie do sieci MLP liniowego neuronu w jej wyjściowej warstwie nie polepsza jakości uzyskiwanego rozwiązania; •zaobserwowano, że niewielkie zwiększenie liczby neuronów warstwy ukrytej (o jednen neuron!) może prowadzić do tego, że sieć zamiast budować model problemu, nadający się do rozwiązywania całej klasy zadań podobnego typu, zaczyna uczyć się ,,na pamięć" zbioru uczącego i traci zdolność do generalizacji; -stwierdzono, że użycie sieci GRNN nie przynosi dobrych rezultatów - uzyskiwane wyniki były nie tylko gorsze od tych. jakie wykazywała najlepsze siec MLP. ale co gorsza - plasowały się poniżej wyników, jakie dawała sieć liniowa; próba stworzenia sieci hybrydowej, wykorzystującej doświadczenia zdobyte podczas optymalizacji struktury MLP oraz zalety struktury GRNN doprowadziła do powstania modelu dobrze dopasowanego do większości posiadanych danych, ale w sposób zasadniczy odbiegającego od rzeczywistości w przypadku pewnej liczby danych doświadczalnych, co uznano za przesłankę do nie używania tego modelu w dalszych pracach; wykazano, że transformacja zadania regresyjnego (wymagającego, by sieć obliczyła i podała określoną wartość sygnału wyjściowego) do postaci zadania klasyfikacyjnego, w którym odpo wiedź sieci może być interpretowana jako decyzja, pozwala uzyskać najlepsze rezultaty, które w rozważanym problemie osiągnęły poziom 100% zgodności zachowania sieci z wymaganiami wynikającymi z natury rozwiązywanego zadania. Przytoczone wyżej spostrzeżenia i sformułowane na ich podstawie wnioski z całą pewnością są silnie uwarunkowane właściwościami konkretnego rozwiązywanego tu zdania. Jednak można sądzić, że z dużym prawdopodobieństwem podobne prawidłowości będą wiązały się z innymi zastosowaniami techniki sieci neuronowych - dlatego zebrano te spostrzeżenia i przedstawiono w tej publikacji w celu ułatwienia pracy innym badaczom, którzy zdecydują się w swojej pracy na użycie sieci neuronowych jako narzędzia modelowania zjawisk rzeczywistego świata.

EN

Neural networks (NNs) are tools that are very frequently successfully applied in the modeling of various phenomena and processes. This is due to combination of characteristic for NNs wide approximation capabilities (manifesting especially in nonlinear modeling tasks) with their flexibility and high performance in fitting the model to the real data during the learning process. Taken together these features make NNs one of the best modeling tools available. However, it is a common practice to achieve success with neural network technique in a modeling of particular system while confining the research only to neural model selection, optimization of parameters and validation of the NN performance goodness. Frequently, neural models predictions are analyzed and compared with other modeling techniques or other neural systems. In this paper we provide a complementary approach to the above-mentioned scheme. We took one non-trivial modeling task as an example (i.e. prediction of biological activity of chemical compounds based on their structure and properties) and studied various types of neural networks in order to determine the optimal type of NN, which deals with modeling problem in the most efficient way. We analyzed both linear and non-linear neural networks of MLP and GRNN type. In non-linear MLP systems the linear or non-linear output layers were tested. Moreover a hybrid neural system was developed that joins results of architecture optimization of MLP and GRNN. The paper addresses also the issue of input parameters selection, optimal number of hidden neurons and data representation, especially in terms of an output results. A dozen or so thousands of neural models were developed, providing a rich dataset for assessment of neural networks usefulness. It seems that such a comparative study can be of a high value for other researchers using neural systems in modeling studies. It should allow to chose a type and size of NN used based less on arbitrary and more on rational basis. Our results provide also better understanding into the character and cause-result relationship of processes that take place in neural networks.

8

Sieć GRNN w kompresji obrazów radarowych

Praczyk T.

Zeszyty Naukowe Akademii Marynarki Wojennej

|

2004

|

R. 45 nr 1 (156)

39-48

PL

Obraz morskiego radaru nawigacyjnego może być podstawą perspektywicznego systemu wyznaczenia pozycji okrętu. Obrazy uzyskane z radarów nawigacyjnych zawierają zwykle ogromne ilości informacji. Wykorzystanie jej w całości w systemach pozycjonowania jest praktycznie niemożliwe. Wiąże się to z ograniczonymi możliwościami obliczeniowymi współczesnych komputerów. Konieczne staje się zatem skondensowanie występującej w każdym obrazie informacji do wielkości akceptowalnej z punktu widzenia praktycznych zastosowań. Efekt taki możemy uzyskać poprzez zastosowanie metod ekstrakcji cech z zarejestrowanych obrazów radarowych. Artykuł prezentuje jedną z metod ekstrakcji cech bazującą na możliwościach samoorganizującej sieci Kohonena oraz sieci GRNN.

EN

A picture from a navigation radar can be used to develop a future system for fixing ship position. Pictures obtained from navigation radars usually contain a large amount of information. It is impossible to use all of it in a position fixing system. This is mainly due to limited computation capacities of present day computers. Therefore it becomes necessary to condense information contained in each picture to the size acceptable from the point of view of practical application. Such a result can be obtained by employing methods of extraction of properties from radar pictures recorded. The paper presents one of the extraction methods based on Kohonen self-organizing net and GRNN net.