Wyniki wyszukiwania - BazTech

1

Wykrywanie uszkodzeń węzłów w modelu ramy stalowej na podstawie analizy inertancji

Ziaja D., Miller B.

Czasopismo Inżynierii Lądowej, Środowiska i Architektury / Journal of Civil Engineering, Environment and Architecture

|

2017

|

z. 64, nr 2/I

247--255

PL

W artykule przedstawiono możliwość detekcji uszkodzeń węzłów na podstawie analizy proporcji pomiędzy wytypowanymi fragmentami funkcji przejścia (FRF). W ramach zadania wykonano eksperyment na modelu laboratoryjnym dwukondygnacyjnej ramy portalowej, którą poddano testom dynamicznym i dla której określono model modalny. Funkcję przejścia odpowiadającą wybranym punktom układu potraktowano jako sygnał w dziedzinie częstotliwości. Wyznaczono odcięte środków ciężkości kwadratów sygnału wybranych fragmentów funkcji, które następnie potraktowano jako dane wejściowe w metodzie wektorów nośnych. Zaproponowane podejście umożliwia skuteczną detekcję uszkodzeń węzłów badanego modelu.

EN

The article presents the possibility of nodes failures detecting based on the analysis of the proportions between the selected intervals of FRF function. Within the scope of the task an experiment was performed on the laboratory model of a two-storey portal frame, which was subjected to dynamic tests and for which a modal model was defined. FRF function for selected system points was treated as a signal in the frequency domain. For the relevant fragments, the centers of gravity of the signal squares were determined, which were then used as input data in the Support Vector Machines (SVM) method. The proposed approach enables effective detection of connection damage in the tested structure.

2

Detecting clusters of microcalcifications in high-resolution mammograms using support vector machines

Kurdziel M., Boryczko K., Yuen D. A.

Bio-Algorithms and Med-Systems

|

2007

|

Vol. 3, no. 6

11--22

EN

This paper presents a new method for detecting clusters of microcalcifications in high-resolution digital mammograms. Using cluster analysis, we have designed a descriptive set of mammogram image features which enables precise recognition of microcalcifications. These features are fed into the Support Vector Machine classifier trained to discriminate between normal image occlusions and deposits of calcium in breast tissue. Initial candidates for microcalcifications, i.e. suspicious regions on a mammogram image, are selected by means of a discrete wavelet transform, image filtering and morphological operations. Once microcalcifications are detected, our algorithm assesses whether they form groups (clusters) and for each such group verifies its diagnostic significance. This verification is performed by employing another, appropriately trained, Support Vector Machine classifier. Accuracy of our system has been evaluated on the Breast Cancer Research Program (BCRP) volumes of the DDSM database. On this largest publicly available databases of mammograms our system achieved a sensitivity of 85.1% with average number of 5.0 false positive detections per image. Such an accuracy is competitive with other published results obtained on the same dataset.

PL

W artykule przedstawiono nową metodę wykrywania skupisk mikrozwapnień na cyfrowych zdjęciach mammograficznych wysokiej rozdzielczości. Zaproponowana metoda korzysta ze zbioru statystycznych cech obszarów zdjęć mammograficznych, zaprojektowanego za pomocą technik analizy skupisk. Tak skonstruowany zbiór cechy umożliwia precyzyjne rozpoznawania mikrozwapnień. Cechy statystyczne obszarów zdjęć mammografi cznych są wykorzystywane przez klasyfikator SVM (od ang. Support Vector Machine) wyuczony do rozróżniania pomiędzy normalnymi strukturami na zdjęciach, a okluzjami sugerującymi obecność mikrozwapnień. Pierwotna selekcja podejrzanych obszarów na zdjęciach mammograficznych prowadzona jest za pomocą dyskretnej transformaty falkowej, szeregu operacji fi ltrowania i morfologicznych przekształceń obrazu. Po wykryciu mikrozwapnień, algorytm ustala, czy tworzą one skupiska. Następnie każde wykryte skupisko oceniane jest pod kątem wartości diagnostycznej. Oceny tej dokonuje kolejny klasyfikator SVM. Skuteczność proponowanej metody została oszacowana na podzbiorze Breast Cancer Research Program (BCRP) bazy danych DDSM. Na tej największej publicznie dostępnej bazie danych zdjęć mammograficznych zaproponowana metoda wykazuje czułość na poziomie 85.1% przy średniej liczbie 5.0 wskazań fałszywie dodatnich na jedno zdjęcie. Wynik ten jest konkurencyjny w stosunku do innych opublikowanych rezultatów uzyskanych dla tego samego zbioru zdjęć mammograficznych.

3

Computational intelligence in manufacturing quality control

Ribeiro B.

Przegląd Elektrotechniczny

|

2004

|

R. 80, nr 4

286-290

EN

The field of Computational Intelligence (Cl) comprises well established technologies of neural networks, fuzzy systems. evolutionary computation and other adaptive and biologically motivated computational paradigms. Support Vector Machines (SVMs) and Kernel Methods (KM) are emerging fields among others. We look at one of these technigues (SVMs), in the setting of a defects detection model of automobile plastic parts within the framework of a manufacturing quality control problem.

PL

W pracy omówiono dziedzinę sztucznej inteligencji zwaną Techniką Wektorów Podtrzymujących (ang. Support Vector Machines, SVMs) z wykorzystaniem Metod Funkcji Jądra (ang. Kernel Methods. KM). Przedstawiono problem fabrycznej kontroli jakości jako przykład zadania klasyfikacji. Wyniki ilustrowane są praktycznym wykorzystaniem SMVs do wykrywania uszkodzeń w częściach samochodowych wyprodukowanych z tworzyw sztucznych.

4

Complexity control of SVM network applied to text categorisation

Jurczak M.

Przegląd Elektrotechniczny

|

2004

|

R. 80, nr 4

343-346

EN

In this paper we discuss practical manner of the Vapnik-Chervonenkis dimension estimation for Support Vector Machines (SVMs). It will be demonstrated again that VC dimension has an influence on generalization ability. Results are ilustrated through examples in which SVM networks are used for automatic text categorization.

PL

W artykule omówiono praktyczny sposób oszacowania wartości wymiaru Vapnika-Chervonenkisa (Vcdim) dla sieci neuronowej typu Support Vector Machines (SVMs). Przedstawiono wpływ wymiaru Vcdim na zdolności generalizacyjne sieci. Wyniki ilustrowane są przykładami zastosowania sieci SVMs do automatycznej kategoryzacji tekstu.