Wyniki wyszukiwania - BazTech

1

Application of hyperspectral imaging for cultivar discrimination of malting barley grains

Zapotoczny P., Ropelewska E

Agricultural Engineering

|

2016

|

Vol. 20, No. 3

207--217

EN

The aim of this study was to perform and evaluate the accuracy of classification of grains of different cultivars of malting barley. The grains of eight cultivars: Blask, Bor do, Con chita, Kormoran, Mercada, Serwal, Signora, Victoriana, with three moisture content: 12, 14, 16% were examined. The selected parameters of the surface texture of grain mass obtained from images taken using the techniques of hyperspectral imaging were determined. The accuracy of grains discrimination carried out using different methods of selection and classification of data was compared. The pairwise comparison and comparison of three, four and eight cultivars of malting barley were carried out. The most accurate discrimination was determined in the case of the pairwise comparison. Victoriana cultivar was the most different from the others. The most similar texture of grain mass was found in the comparison of cultivars: Blask and Mercada. In the case of eight examined cultivars of malting barley, the most accurate discrimination (classification error – 55%) was obtained for images taken at the moisture content of 14% and at a wavelength of 750 nm, for the attributes selection performed with the use of probability of error and average correlation coefficient (POE+ACC) method and the discrimination carried out using the linear discriminant analysis (LDA).

PL

Celem pracy było przeprowadzenie i ocena poprawności klasyfikacji ziaren należących do różnych odmian jęczmienia browarnego. Przebadano ziarna 8 odmian: Blask, Bordo, Conchita, Kormoran, Mercada, Serwal, Signora, Victoriana, o trzech poziomach wilgotności: 12, 14, 16%. Oznaczono wybrane parametry tekstury powierzchni ziarna w masie uzyskane ze zdjęć wykonanych przy użyciu technik obrazowania hiperspektralnego. Porównano dokładność dyskryminacji ziaren przeprowadzonej przy użyciu różnych metod selekcji i klasyfikacji danych. Dokonano porównania parami oraz porównania trzech, czterech i ośmiu odmian jęczmienia browarnego. Najbardziej dokładną dyskryminację stwierdzono w przypadku porównania parami. Odmiana Victoriana najbardziej odróżniała się od innych. Najbardziej podobną teksturę ziaren w masie stwierdzono w przypadku porównania odmian: Blask i Mercada. W przypadku ośmiu badanych odmian jęczmienia browarnego, najdokładniejszą dyskryminację (błąd klasyfikacji ‒ 55%) uzyskano dla obrazów wykonanych przy wilgotności 14% i długości fali 750 nm, dla selekcji atrybutów wykonanej z wykorzystaniem prawdopodobieństwa błędu klasyfikacji z uśrednionym współczynnikiem korelacji (POE + ACC) oraz dyskryminacji przeprowadzonej za pomocą liniowej analizy dyskryminacyjnej (LDA).

2

Metody selekcji cech diagnostycznych w prognozowaniu obciążeń energetycznych

Ciechulski T.

Logistyka

|

2015

|

nr 3

728--736, CD 1

PL

Praca dotyczy porównania metod selekcji cech diagnostycznych w prognozowaniu zapotrzebowania na energię elektryczną w małym systemie elektroenergetycznym w Polsce. W symulacji brały udział sieci neuronowe typu MLP, RBF i SVM, które zostały zaimplementowane w środowisku MATLAB. Do badań użyty został przedział czasowy obejmujący 729 dni. Spośród nich, 500 dni zostało przeznaczonych do zbioru danych uczących, pozostałe zaś przydzielono do zbioru danych testujących. Oprócz danych zużycia energii elektrycznej, włączone do analizy zostały również dane dotyczące typu dnia, pory roku oraz atmosferyczne zawierające wartości temperatury i prędkości wiatru. Symulacje zostały przeprowadzone w czterech etapach. W etapie pierwszym użyto całego zbioru dostępnych danych wejściowych, tzn. bez selekcji, co stanowi bazę porównawczą dla dalszych etapów. W etapie drugim użyto metodę selekcji cech bazującą na liniowej regresji krokowej. W etapie trzecim użyta została selekcja cech z zastosowaniem algorytmu genetycznego. W etapie czwartym użyto metodę selekcji cech za pomocą zespołu drzew decyzyjnych czyli lasu losowego.

EN

The paper compares methods of the input attribute selection for electrical load forecasting in a small power system in Poland. Three neural networks were used in the simulations: MLP, RBF and SVM implemented in the MATLAB computing environment. Forecasted period covers 729 days. 500 days were used as a training set and other 229 days as a test set. Except of the electrical load data, the day type bit, the season bits and the weather data such as values of temperature and wind speed were added to the analysis. The simulations were carried out in four stages. In the first one the whole data set without the selection was used in the forecast. It is done for the comparison to the other stages of simulations. In the second stage, the stepwise regression was used for the selection of the most important input attributes. In the third stage for the selection, genetic algorithm was used. In the fourth stage, the random forest was used as the selection method. The results of the simulations were shown in the last chapter of the article. The comparison of results has shown different influence of the selection methods to the improvement of prediction accuracy.

3

Identification of submersible pump temperature changes model using KDD methods

Wachla D.

Diagnostyka

|

2006

|

nr 2(38)

41-44

EN

This paper deals with the problem of the autoregressive model identification using KDD methods. In the considered problem, the autoregressive models are applied to describe dynamics processes of various technical systems. In particular, a method of functional dependencies discovering was presented. The method was designed for exploring data sets gathered by industrial SCADA systems. For the problem of the identification of pump temperature changes model, the method was verified. For this particular reason, a set of data was used which was gathered by submersible pumping station SCADA system. The assumptions, the exemplary results of the conducted research and conclusions were presented, as well.

PL

W artykule poruszono problem identyfikacji modeli autoregresyjnych opisujących dynamikę obserwowanych procesów. W szczególności przedstawiono metodę odkrywania zależności funkcyjnych w zbiorach danych gromadzonych przez przemysłowe systemy SCADA. Opracowaną metodę zweryfikowano dla problemu identyfikacji modelu zmian temperatury pompy głębinowej. W tym celu zastosowano fragment danych zgromadzony przez system rejestracji danych współpracujący pompownią głębinową. Przedstawiono przyjęte założenia, fragmenty uzyskanych wyników oraz wnioski z przeprowadzonych badań.