PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 11

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  algorytm uczenia
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Applied Machine Learning in Structural Glass Design
Griffith J., Marinov V., Antonutto G.
Świat Szkła
|
2018
|
R. 23, nr 2
4--7
2
Content available Porównanie charakterystyk wydajnościowych algorytmu uczenia dla Standardowej Sieci Neuronowej oraz sieci zdekomponowanej i koordynowanej metodą prognozowania wartości interfejsów
Płaczek S.
Poznan University of Technology Academic Journals. Electrical Engineering
|
2018
|
No. 96
59--70
PL
Standardową Sieć Neuronową zdefiniujemy jako zintegrowany moduł składający się z wielu warstw, bez wewnętrznych sprzężeń zwrotnych i pełnym pokryciem wag w poszczególnych warstwach. Warstwa składa się z macierzy wag łączących wektor wejściowy X z wewnętrznym wektorem U, który z kolei przetwarzany jest przez funkcję aktywacji tworząc wektor wyjściowy Y. Algorytmy uczenia tak zdefiniowanej sieci są znane. Napotykają one jednak na określone problemy numeryczne związane z szybkością zbieżności do wartości minimum. W artykule proponuje się zastąpienie jedno poziomowej, wielowarstwowej sieci, siecią zdekomponowaną. Konfiguracja składa się z niezależnych modułów zawierających warstwy sieci pierwotnej oraz koordynatora. Koordynator koncepcyjnie znajduje się na drugim poziomie, Jego celem jest skoordynowanie lokalnych funkcji celu warstw w taki sposób, aby realizując swoje lokalne funkcje celu , zostało jednocześnie osiągnięte minimum globalnej funkcji celu. Sieć jako całość będzie przygotowana do realizacji zadań klasyfikacji. Porównuje się charakterystyki uczenia dwóch przedstawionych konfiguracji sieci.
EN
A Standard Neural Network is defined as an integrated module of a set of layers with both forward and full weight coefficient connections in all layers. Every layer is built by the matrix of the weight coefficients connecting an input vector X with an internal vector U, which, in the next step, is the input of the activation function, and the output vector Y is calculated. For these kinds of neural networks, the teaching algorithms are well known. Unfortunately, in an algorithm practice realization, a lot of numeric problems appear to achieve fast convergence. A lot of components have negative impacts on the entire calculation process. In the article, a decomposed network replaces a level in a multilayer network. A network is built by independent layers in the first level and the coordinator in the second. Layers have to solve their local optimization task using their own algorithms. Local solutions are coordinated by the coordinator. The coordinator, working together with the first level, is responsible for solving the global optimization task, which is laid outside the network. Finally, a network is ready to classify new input data. In the article, quality and quantity characteristics for these two networks are compared.
3
Content available remote Multidimensional neo-fuzzy-neuron for solving medical diagnostics tasks in online-mode
Mahmoud S. M. K., Perova I., Pliss I.
Journal of Applied Computer Science
|
2017
|
Vol. 25, nr 1
39--48
EN
In this paper neuro-fuzzy approach for medical data processing is considered. Special capacities for methods and systems of Computational Intelligence were introduced for Medical Data Mining tasks, like transparency and interpretability of obtained results, ability to classify nonconvex and overlapped classes that correspond to various diagnoses, necessity to process data in online mode and so on. Architecture based on the multidimensional neo-fuzzy-neuron was designed for situation of many diagnoses. For multidimensional neo-fuzzy-neuron adaptive learning algorithms that are a modification of Widrow-Hoff algorithm were introduced. This system was approbate on nervous system diseases data set from University of California Irvine (UCI) Repository and show high level of classification results.
4
Content available remote A modified teaching-learning based optimization for the location and size of two SVCs to compensate the railway’s voltage drop
Samet H., Kavousi-Fard A, Rajabi S
Przegląd Elektrotechniczny
|
2015
|
R. 91, nr 1
41-45
EN
The recent concerns about fossil fuels have made mass transportations such as electric railways more popular than before. Meanwhile, traction loads are generally complex electrical loads that should be managed by the main electric grid when operated by the Railway Company. In this way, static VAr compensators (SVCs) is a precious tool for preserving the power quality of the electric grid in the presence of electric railways. Therefore, this paper discusses the locating of two SVCs in a rail way with modified teaching- learning based optimization (MTLBO). The results are compared with performing the optimization by Particle swarm optimization (PSO) algorithm.
PL
W artykule analizuje się metody optymalizacji położenia i rozmiaru statycznego kompensatora mocy biernej SVCs w sieci trakcyjnej. Do tego celu wykorzystuje się zmodyfikowaną metodę optymalizacji bazującej na algorytmie nauczania/uczenia się MTLBO.
5
Content available Dekompozycja hierarchicznej struktury sztucznej sieci neuronowej i algorytm koordynacji
Płaczek S.
Poznan University of Technology Academic Journals. Electrical Engineering
|
2014
|
No. 80
223--230
PL
W artykule zaproponowano przeprowadzenie dekompozycji struktury sieci na dwie warstwy. W warstwie I poziomu znajduje się N1 niepowiązanych podsieci. Natomiast w warstwie II poziomu (nadrzędnej) znajduje się podsieć warstwy ukrytej. Warstwy te powiązane są sygnałami V1, V2, które pozwalają na zastosowanie niezależnych algorytmów uczenia dla warstwy I oraz II. Prosty algorytm koordynacji umożliwia obliczenie wartości sygnałów między warstwowych, a tym samym osiągnięcie minimum globalnej funkcji celu.
EN
The article presents decomposition of Artificial Network Structure into two layers. Layer one (lower one) consist of N1 independent sub layers. The second layer (upper one) is a hidden layer. Vectors V1 and V2 are introduced as coordinator between two layers. The coordinator uses different algorithms connecting vectors V1 and V2. In this way, the coordinator is able to coordinate two independent learning algorithms for each layer. The coordination algorithm was described and final learning results are presented. Presented results of an on - line learning algorithm were used for both, the first and the second layer. For the future study, an off-line learning algorithm will be used.
6
Zastosowanie rozmytej mapy kognitywnej z dwukrokowym algorytmem uczenia opartym na markowskim modelu gradientu w predykcji szeregów czasowych
Jastriebov A., Poczęta K.
Logistyka
|
2014
|
nr 6
4905-4915
PL
Rozmyta mapa kognitywna FCM to inteligentny model, stanowiący efektywne narzędzie modelowania systemów predykcji szeregów czasowych. Zaletą FCM jest zdolność uczenia macierzy relacji na podstawie dostępnych danych z zastosowaniem nadzorowanych lub populacyjnych algorytmów. Niniejsza praca poświęcona jest analizie zastosowania dwukrokowego algorytmu uczenia rozmytej mapy kognitywnej bazującego na markowskim modelu gradientu w prognozowaniu szeregów czasowych. W procesie uczenia i testowania działania nauczonej FCM zastosowano dane idealne oraz dane z błędami pomiarowymi o różnym stopniu zaszumienia, wygenerowane na podstawie rzeczywistego systemu zarządzania biznesem elektronicznym. Dokonano analizy porównawczej dwukrokowej metody markowskiego modelu gradientu oraz jednokrokowej metody gradientowej pod kątem szybkości zbieżności algorytmu oraz uzyskanej dokładności predykcji szeregów czasowych.
EN
Fuzzy cognitive map FCM is an intelligent model, that can be used as a useful tool for modeling systems for time series prediction. The advantage of FCMs is their ability to learn the relations matrix based on real data with the use of supervised or population-based algorithms. This paper is devoted to the analysis of the application of FCM with two-step learning algorithm based on Markov model of gradient in time series prediction. Ideal data and data with measurement errors of varying degrees of noise were generated based on real-life system for e-commerce strategic planning and used in learning and testing process. The comparative analysis of two-step method of Markov model of gradient to one-step gradient method from the point of view of the speed of convergence of learning algorithm and the obtained precision of time series prediction was performed.
7
Content available Analiza wybranych algorytmów uczenia w relacyjnej rozmytej mapie kognitywnej
Słoń G.
TTS Technika Transportu Szynowego
|
2012
|
R. 19, nr 9
1741--1751, CD
PL
Relacyjna rozmyta mapa kognitywna jest pewnym modelem matematycznym wykorzystującym metody inteligencji obliczeniowej, który może być stosowany do modelowania złożonych systemów charakteryzujących się nieprecyzyjnością. Kluczowym problemem w tego rodzaju zagadnieniach jest adaptacja parametrów (uczenie) modelu w sposób, dzięki któremu jego praca będzie jak najdokładniej odwzorowywać zachowanie rzeczywistego obiektu. W artykule przedstawiono podstawowe informacje dotyczące problematyki uczenia modelu relacyjnej rozmytej mapy kognitywnej oraz efekty stosowania różnych podejść do uczenia w zależności od celów modelowania.
EN
Relational fuzzy cognitive map is a certain mathematical model which uses some methods of the computational intelligence and can be used to model complex systems characterized by imprecision. A key problem in this kind of issues is an adaptation of parameters of the model (learning) in the way in which his work will imitate as closely as possible the behavior of a real object. The article presents basic information about problems of the model of fuzzy relational cognitive map learning and the effects of different approaches to the learning in dependence on the modeling purposes.
8
Content available remote A Novel Structure Design and Training Algorithm for Quantum Neural Network
Sun J., Zhang X., Cao T., Yang J., Sun X., Liao Q.
Przegląd Elektrotechniczny
|
2012
|
R. 88, nr 2
315-320
EN
In the structure of original Quantum Neural Network (QNN), only multi-sigmoid transfer function is adopted. Besides that, due to the conflict of the two objective functions in original training algorithm, the training process converges slowly and presents constant variation. In this paper, the QNN with multi-tan-sigmoid transfer function and a novel training algorithm which combines the two objective functions are proposed. Experimental results demonstrate the effectiveness of the structure improvement and the new training algorithm.
PL
W oryginalnym algorytmie kwantowej sieci neuronowej QNN tylko multisigmoidalna funkcja przejścia jest wykorzystywana. W pracy zaprezentowano sieć z multi-tan-sigmoidalną funkcją przejścia z nowym algorytmem uczenia.
9
Content available remote The UD RLS Algorithm for Training Feedforward Neural Networks
Bilski J.
International Journal of Applied Mathematics and Computer Science
|
2005
|
Vol. 15, no 1
115-123
EN
A new algorithm for training feedforward multilayer neural networks is proposed. It is based on recursive least squares procedures and U-D factorization, which is a well-known technique in filter theory. It will be shown that due to the U-D factorization method, our algorithm requires fewer computations than the classical RLS applied to feedforward multilayer neural network training.
10
Global optimization based learning for recurrent neural networks
Strzelczyk M., Domański P. D.
Prace Naukowe Politechniki Warszawskiej. Elektronika
|
2002
|
z. 139
163--172
EN
This chapter describes the application of two different global optimization algorithms (CRS3 and the evolutionary strategy) to the problem of recurrent neural network learning. The performance has been compared with the standard multilayer perceptron with classical gradient learning strategy. The performance has been tested on different dynamic test models. The efficiency of the global optimization approach is shown.
11
Content available Neuro-fuzzy TSK network for approximation of static and dynamic functions
Linh T., Osowski S.
Control and Cybernetics
|
2002
|
Vol. 31, no 2
309-326
EN
The paper presents the neuro-fuzzy network in application to the approximation of the static and dynamic functions. The network implements the Takagi-Sugeno inference rules. The learning algorithm is based on the hybrid approach, splitting the learning phase into two stages : the adaptation of the linear output weights using the SVD algorithm and the conventional steepest descent backpropagation rule in application to the adaptation of the nonlinear parameters of the membership functions. The new approach to the generation of the inference rules, based on the fuzzy self-organization is proposed and the algorithm of automatic determination of the number of these rules has been also implemented. The method has been applied for the off-line modelling of static nonlinear relations and on-line simulation of the dynamic systems.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.