Wyniki wyszukiwania - BazTech

1

Prediction of Properties of Unknotted Spliced Ends of Yarns Using Multiple Regression and ArtificialNeural Networks.Part 1, Identification of Spliced Joints of Combed Wool Yarn by Artificial Neural Networks and Multiple Regression

Lewandowski S., Drobina R.

Fibres & Textiles in Eastern Europe

|

2008

|

Vol. 16, no. 5 (70)

33--39

EN

Applying the software environment Statistica for neural networks allowed the use of artificial neural networks and regression analysis to predict the physical properties of unknotted joints of yarn ends. The database entered into the network was built on the basis of determining characteristic geometric dimensions and the strength properties of joints, as well as assessing non-additive features, represented by teaseling and tangling. Networks of the multilayer perceptron type (MLP) and generalized regression neural networks (GRNN) were used. In order to compare the results, multiple regression was also applied

PL

Zastosowanie środowiska oprogramowania Statistica + Sztuczne Sieci Neuronowe pozwoliło na wykorzystanie sztucznych sieci neuronowych realizujących zadania regresyjne, do przewidywania właściwości fizycznych bezwęzłowych połączeń końców nitek. Bazę danych wprowadzonych do sieci zbudowano na podstawie wyznaczenia charakterystycznych wymiarów geometrycznych i właściwości wytrzymałościowych połączeń, oraz oszacowania cech nieaddytywnych, reprezentowanych przez splątanie i zmechacenie. Posłużono się sieciami typu perceptron wielowarstwowy MLP oraz sieciami neuronowymi realizującymi regresję uogólnioną GRNN. W celach porównawczych dokonano również predykcji właściwości omawianych połączeń przy użyciu regresji wielokrotnej.

2

Calculation of selected engine parameters of S.I. engine with the use of neural network with radial basis function

Różycki A.

Journal of KONES

|

2003

|

Vol. 10, No. 3-4

285-292

EN

The article presents the radial basis network architecture which was used to calculate the selected parameters combustion process. For teaching the network on algorithm of back propagation errors were used. The input and output teaching data files were received from the measurement and from the calculation was based on the First Thermodynamics’ Law. The application of the radial basis network enabled to minimize the input data files. In order to verify the structure of the net, the calculations of the accidentally chosen engine cycles were carried out. Additionally, some calculation results obtained with the use of the feedforward multilayer perceptron network were presented. Analysis of results obtained from calculation carried out with the use of both methods shows that the radial basis network allows to reduce input data files and minimize calculation errors.

PL

W artykule przedstawiono architekturę sztucznej sieci neuronowej o radialnej funkcji bazowej, którą wykorzystano do obliczeń wybranych parametrów procesu spalania. W procesie uczenia sieci zastosowano algorytm propagacji wstecznej. Wejściowe i wyjściowe zbiory uczące zastosowane do trenowania sieci uzyskano z pomiarów wykonanych na stanowisku hamownianym oraz z metody bazującej na pierwszej zasadzie termodynamiki. Zastosowanie sieci neuronowej o radialnej funkcji bazowej pozwoliło zminimalizować zbiory wejściowe. W celu weryfikacji struktury sieci przeprowadzono obliczenia dla przypadkowo wybranych przebiegów ciśnień. Wyniki obliczeń przeprowadzonych przy użyciu sieci neuronowej wykazały dużą zbieżność z obliczeniami za pomocą wspomnianej wyżej metody. Dodatkowo przedstawiono porównanie wyników obliczeń otrzymanych przy pomocy sieci jednokierunkowej wielowarstwowej. Z porównania wynika, że zastosowanie sieci o radialnej funkcji bazowej pozwala na znaczne zredukowanie wielkości zbiorów uczących przy jednoczesnym zmniejszeniu błędów obliczeń. Również czas uczenia sieci neuronowej uległ znacznemu skróceniu.

3

Próba zastosowania sieci neuronowych z algorytmem propagacji wstecznej do oszacowania jakości uszczelnienia pułapek złożowych

Darłak B., Kowalska-Włodarczyk M.

Nafta-Gaz

|

2002

|

R. 58, nr 2

75-82

PL

W opracowanym zagadnieniu sieć neuronowa została wykorzystana do nowych zadań, mianowicie do zespolenia danych laboratoryjnych uzyskanych z badań porozymetrycznych z danymi sejsmicznymi, w celu odtworzenia całkowitych profili twardości akustycznej oraz impedancji, a następnie, na ich podstawie do odtworzenia przepuszczalności w całym profilu sejsmicznym. Obliczenia przy użyciu sieci neuronowej (ANN) prowadzono w trzech kolejnych etapach: I Tworzenie podstawowej bazy danych poprzez dobór parametrów za pomocą wstępnej weryfikacji neuronowej z zastosowaniem podstawowej analizy korelacyjnej, II Rekonstrukcja profili impedancji i twardości akustycznej w oparciu o zweryfikowaną bazę danych obejmującą wyniki analiz porozymetrycznych, III Uzupełnienie przepuszczalności w oparciu o zrekonstruowane profile impedancji i twardości akustycznej. Zestawienie otrzymanych wyników z danymi geologicznymi pozwala stwierdzić, że tam, gdzie mamy do czynienia ze skałą uszczelniającą, sieć z dużym prawdopodobieństwem odzwierciedla ten stan. W przypadku skal przepuszczalnych pojawiają się pewne rozbieżności, nie mniej jednak zostają zachowane trendy - sieć z dużą dokładnością wyróżnia warstwy uszczelniające wobec obecnych w profilu warstw o większej przepuszczalności.

EN

The paper suggests some news application of neural networks to solve new tasks, viz. coupling of laboratory data from porosimetry surveys with seismic data, in order to reconstruct full profiles of acoustic hardness and impedance and further, on this basis, to reconstruct permeabilities in the full seismic profile. On applying the neural networks (ANN) computations were being performed in the following phases: I Creating essential database through selection of parameters with preliminary neural verification, on employing fundamental correlation analyses; II Reconstruction of impedance profiles and acoustic hardness, issuing from the verified database containing results of porosimetry analyses; . III Completing of permeability data basing on reconstructed impedance and acoustic hardness profiles. Comparison of obtained results with geological data allows to state that when having to do with a sealing rock, the network reflects a state with a high probability. In the case of permeable rocks appear some discrepancies, however - trends are preserved, and the network with a high precision distinguishes sealing layers from the other, present in the profile of layers being more permeable.