Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Control and Cybernetics
1 Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały
1 Scientific Papers of The Institute of Electrical Machines, Drives and Measurements of the Wrocław University of Science and Technology Series: Studies and Research
1 Technical Sciences / University of Warmia and Mazury in Olsztyn

Znaleziono wyników: 4

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: classification of data

Sortuj według:

Ogranicz wyniki do:

The PM-M prototype selection system

Grudziński K.

Control and Cybernetics

2016

Vol. 45, no. 4

539--561

In this paper, the algorithm, realizing the author’s prototype selection method, called PM-M (Partial Memory - Minimization) is described in details. Computational experiments that have been carried out with the raw PM-M model and with its majority ensembles indicate that even for the system, for which the average size of the selected prototype sets constitutes only about ﬁve percent of the size of the original training datasets, the obtained results of classiﬁcation are still in a good statistical agreement with the 1-Nearest Neighbor (IB1) model which has been trained on the original (i.e. unpruned) data. It has also been shown that the system under study is competitive in terms of generalization ability with respect to other well established prototype selection systems, such as, for example, CHC, SSMA and GGA. Moreover, the proposed algorithm has shown approximately one to three orders of magnitude decrement of time requirements with respect to the necessary time, needed to complete the calculations, relative to the reference prototype classiﬁers, taken for comparison. It has also been demonstrated that the PM-M system can be directly applied to analysis of very large data unlike most other prototype methods, which have to rely on the stratiﬁcation approach.

Stability of Optimal Parameters for Classifier Based on Simple Granules of Knowledge

Artiemjew P.

Technical Sciences / University of Warmia and Mazury in Olsztyn

2011

nr 14(1)

57-69

Searching for optimal parameters of a classifier based on simple granules of knowledge investigated recently by the author (ARTIEMJEW 2010) raises a question about stability of optimal parameters. In this article, we will check dependence of stability of the optimal radius of granulation on random damage of decision system. The results of experiments show the dependence of stability on size of damage and strategies of treating missing values. This kind of research aims at finding methods of protecting decision systems which are vulnerable to damage against decreasing their classification effectiveness, which means preserving classifying possibilities similar to undamaged decision systems.

Przeprowadzone w ostatnim czasie badania (ARTIEMJEW 2010) zmierzające do wyszukiwania optymalnych parametrów klasyfikacji modułów decyzyjnych opartych na prostych granulach wiedzy zrodziły pytanie o stabilność optymalnych parametrów klasyfikacji. W pracy sprawdzono zależność stabilności optymalnych promieni granulacji od losowego uszkadzania systemu decyzyjnego. Wyniki badań wskazały jednoznacznie, że istnieje zależność między stabilnością a wielkością uszkodzenia i strategiami traktowania wartości uszkodzonych. Tego typu badania mają na celu szukanie metod zabezpieczania systemów decyzyjnych, które są podatne na uszkodzenia, przed zmniejszaniem ich efektywności klasyfikacyjnej. Celem było zachowanie możliwości klasyfikacyjnych zbliżonych do efektywności nieuszkodzonych systemów decyzyjnych.

Zastosowanie detektorów neuronowych w detekcji ekscentryczności silników indukcyjnych

Kamiński M., Ewert P., Kowalski C. T.

Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały

2010

Vol. 64, nr 30

303-311

Wczesna detekcja ekscentryczności w silnikach indukcyjnych ma duże znaczenie w eksploatacji napędów ze względu na skutki jej występowania. Monitorowanie ekscentryczności jest z reguły realizowane na podstawie analizy widmowej prądu stojana i oceny amplitud charakterystycznych częstotliwości. W artykule przedstawiono możliwość zastosowania detektorów neuronowych do wykrywania ekscentryczności silnika. Do trenowania i testowania sieci neuronowej wykorzystano dane uzyskane z modelowania polowo-obwodowego silnika z różnymi rodzajami i stopniami ekscentryczności. Przedstawiono badania prezentujące wpływ struktury sieci neuronowej oraz wstępnego przygotowania danych wejściowych na dokładność detekcji uszkodzeń.

Early detection of eccentricity in induction motors is very important in the exploitation of motors due to the consequences of its occurrence. Monitoring of the eccentricity is usually made on the basis of spectral analysis of the stator current and observation of the characteristic frequency amplitudes. In the article possibility of neural networks application for detection of eccentricity in induction motors is presented. The training and test of the neural network is based on data obtained from field-circuit modeling of the motor with different types and degrees of eccentricity. Influence of the neural networks structure and initial data scaling on precision of fault detection is presented.

Selection of prototypes with the EkP system

Grudziński K.

Control and Cybernetics

2010

Vol. 39, no 2

487-503

A new system for selection of reference instances, which is called the EkP system (Exactly k Prototypes), has been introduced by us recently. In this paper we study suitability of the EkP method for training data reduction on seventeen datasets. As the underlaying classifier the well known IB1 system (1-Nearest Neighbor classifier) has been chosen. We compare generalization ability of our method to performance of IB1 trained on the entire training data and performance of LVQ, Learning Vector Quantization, for which the same number of codebooks has been chosen as the number of prototypes selected by the EkP system. The comparison indicates that even with only a few prototypes which have been chosen by the EkP method on nearly all seventeen datasets statistically indistinguishable results from those given by the IB1 system have been obtained. On many datasets generalization ability of the EkP method has been higher than the one attained with LVQ.