Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: artificial Immune Systems

Sortuj według:

Ogranicz wyniki do:

Combined clonal negative selection algorithm for diagnostics of combustion in individual PC burner

Smolarz A., Lytvynenko V., Kozhukhovskaya O., Gromaszek K.

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2013

nr 4

69--73

In pulverised coal (PC) burners that are most widespread in Poland an individual air excess ratio rules an amount of pollution generated, yet there is a lack of method that allows measurement of output parameters of a burner. It is therefore necessary to use indirect methods, which could primarily include acoustic, and optical methods. These methods are non-invasive and can provide virtually not delayed and additionally spatially selective information about the combustion process. Additional problems are generated biomass co-firing. The article shows application of relatively new class of classification methods – the artificial immunology algorithms to the combustion process diagnostics consisting in detection of incorrect air excess in PC burner.

W palnikach pyłowych, które są najbardziej rozpowszechnione w Polsce współczynnik nadmiaru powietrza decyduje o ilości emitowanych zanieczyszczeń, jednak brak metodyumożliwiającej pomiar parametrów wyjściowych palnika. Konieczne jest więc stosowanie metod pośrednich, do których można zaliczyć przede wszystkim metody akustyczne i optyczne. Metody te są bezinwazyjne i pozwalają na otrzymanie praktycznie nieopóźnionej i dodatkowo selektywnej przestrzennie informacji o zachodzącym procesie spalania. Dodatkowe problemy powstają przy współspalaniu biomasy. Artykuł przedstawia zastosowanie stosunkowo nowej klasy metod klasyfikacji - sztuczne algorytmy immunologiczne do diagnostyki procesu spalania polegająca na wykrywaniu nieprawidłowejwartości nadmiaru powietrza palnika pyłowego.

Immune K-Means : a novel immune algorithm for data clustering and multiple-class discrimination

Bereta M., Burczyński T.

Prace Naukowe Politechniki Warszawskiej. Elektronika

2006

z. 156

49-60

This paper presents a novel approach to data clustering and multiple-class classification problems. The proposed method is based on a metaphor derived from immune systems, the clonal selection paradigm. A novel clonal selection algorithm - Immune K-Means, is proposed. The proposed system is able to cluster real valued data efficiently and correctly, dynamically estimating the number of clusters. In classification problems discrimination among classes is based on the k-nearest neighbor method. Two different types of suppression are proposed. They enable the evolution of different populations of lymphocytes well suited to a given problem : clustering or classification. The first type of suppression enables the lymphocytes to discover the data distribution while the second type of suppression focuses the lymphocytes on the classes' boundaries. Primary results on artificial data and a real-world benchmark dataset (Fisher's Iris Database) as well as a discussion of the parameters of the algorithm are given.