Wyniki wyszukiwania - BazTech

1

Selekcja danych eksploatacyjnych z urządzeń sterowania ruchem kolejowym na potrzeby procesów gromadzenia i analizy danych z obiektów transportu kolejowego

Dyduch Janusz, Kornaszewski Mieczysław

Przegląd Komunikacyjny

|

2019

|

R. 74, nr 5

21--26

PL

Ocena niezawodności i bezpieczeństwa systemów technicznych wymaga gromadzenia i przetwarzania wiarygodnych danych charakteryzujących zachodzące procesy. Szczególnie istotnymi danymi dla procesów decyzyjnych są te pochodzące z bieżącej eksploatacji, gdyż mogą one posłużyć do zbudowania modeli zachodzących zjawisk eksploatacyjnych i pozwolą określić spodziewane zachowanie się obiektu w przyszłości. Urządzenia sterowania ruchem kolejowym (srk) funkcjonują często w bardzo trudnych warunkach eksploatacyjnych i środowiskowych. Gromadzenie informacji o ich stanie technicznym może być wykorzystywane do właściwej profi laktyki tych urządzeń, a także do predykcyjnego utrzymania ruchu kolejowego. Pozwoli to również na dobór takiej strategii utrzymania ruchu kolejowego, która będzie miała przełożenie na optymalne użytkowanie urządzeń srk.

EN

The evaluation of the technical systems reliability and safety requires collecting and processing of reliable data which characterizes the processes. The data from current exploitation is particularly important for decision-making processes. It can be used for creation of occurring exploitation phenomena models and allows to determine the expected object behaviour in the future. The railway traffic control devices often work in very difficult exploitation and environmental conditions. The information about their technical condition can be gathered and used for a proper prophylaxis as well as a predictive maintenance of railway traffic. It will allow to choose a maintenance strategy which will consist in optimal use of railway traffic control devices.

2

Data Selection for Neural Networks

Kordos M.

Schedae Informaticae

|

2016

|

Vol. 25

153--164

EN

Several approaches to joined feature and instance selection in neural network leaning are discussed and experimentally evaluated in respect to classification accuracy and dataset compression, considering also their computational complexity. These include various versions of feature and instance selection prior to the network learning, the selection embedded in the neural network and hybrid approaches, including solutions developed by us. The advantages and disadvantages of each approach are discussed and some possible improvements are proposed.

3

Metoda wyboru informacji z dedykowanych zbiorów danych

Wróbel M., Kaczmarek J.

Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej

|

2012

|

Nr 31

73-76

PL

Poszukiwanie skutecznych metod wyboru informacji wynika z obserwowanego obecnie nadmiaru danych. W artykule jest opisana metoda GQM (Goal, Question, Metric) wykorzystywana w informatyce między innymi do budowy wielowymiarowej funkcji jakości oprogramowania. Opiera się ona na jawnym zdefiniowaniu celu wyboru danych z uwzględnieniem punktu widzenia użytkownika. W artykule wykazano, że metoda ta może być również wykorzystywana do poszukiwania i wyboru danych z dedykowanych zbiorów informacji dziedzinowych. Metoda pozwala na ograniczenie zbioru danych w ściśle określony sposób z uwzględnieniem cech dziedziny, celu, w jakim dane będą wykorzystywane i konsekwencji wynikających z odrzucenia pozostałych danych. Metoda ta może być również stosowana do wyboru i budowy zorganizowanych w formie taksonomii zbiorów danych opisanych w języku naturalnym. Należy przypuszczać, że skuteczne metody wyboru danych będą w przyszłości powszechnie wykorzystywane w wyszukiwaniu i prezentacji informacji.

EN

Considering the excess of available data, it is necessary to design effective methods of data selection. This paper presents an application of the GQM (Goal, Question, Metric) method in data selection and processing. The GQM method is typically used in software development to define and specify multidimensional software quality functions that assume explicit definition of data selection purpose depending on user or software developer requirements. In this paper, it is shown that the method may also be used to select appropriate data from different dedicated domain data sets. The method enables a user to narrow the set of selected data in a strictly specified manner considering the characteristic of a target domain, the purpose of data selection and consequences of potential data rejection. As shown in the paper, the method may be applied to select data from educational data sets, taxonomy-based literature sets and natural language description of object oriented structures.

4

Wykorzystanie pakietowego przekształcenia falkowego do redukcji i selekcji danych w procesie klasyfikacji sygnałów z sonaru

Przyłucki S., Pawelski W.

Elektronika : prace naukowe

|

2000

|

nr 5

51-79

PL

Praca dotyczy zagadnień redukcji i selekcji informacji w danych podawanych na wejście układu klasyfikatora. Artykuł zawiera omówienie zagadnień związanych z wykorzystaniem funkcji bazowych jako narzędzia wstępnej analizy danych. Przedstawiono skrótowe omówienia własności transformacji falkowej WT oraz jej uogólnionej wersji w postaci pakietowego przekształcenia falkowego WPT. Wskazano na wady i zalety transformacji wykorzystujących funkcje bazowe z punktu widzenia zagadnienia klasyfikacji danych pomiarowych. Wnioski z tej analizy pozwoliły na zaproponowanie nowego algorytmu wstępnej analizy danych nazwanego algorytmem LDBFS. Jest to rozwiązanie hybrydowe, które posiada własności metod wydobywania cech (zagadnienie analizy informacji zawartej w zbiorze danych pomiarowych) jak i metod selekcji cech (zagadnienie redukcji wymiaru wektora cech). Algorytm LDBFS pozwala na dowolne definiowanie cech nowych zbiorów danych powstających przez przekształcenie pierwotnych zbiorów cech. Dobierając odpowiednią dla danego zagadnienia funkcję matkę w transformacji falkowej oraz funkcję wyróżniania informacji można uzyskać efekt uwypuklenia wyłącznie danych istotnych z punktu widzenia dalszej analizy. Praca zawiera szczegółowy opis algorytmu LDBFS. Własności nowego algorytmu zostały zweryfikowane poprzez porównanie wyników klasyfikacji danych pochodzących z sonaru. Wykorzystano w tym celu dwie metody klasyczne, tj. algorytm M1NERR (selekcja cech), algorytm PCA (wyszukiwanie cech), oraz opracowany przez autorów algorytm LDBFS.

EN

The primary goal of the paper is to present the new data preprocessing method which allows the improvement of the classification process. That method, which we called LDBFS (Local Discriminant Bases with Feature Selection) is based on the wavelet packet transform. The LDBFS algorithm is a hybrid approach which consists of two main parts: feature extraction block and feature selection block. It reduces the dimensionality of data sets and maximizes a class separability for classification problems. Thanks to possibility to define the information discriminant function related to the data characteristics, the most significant features can be easily separated while the others, less important from the classification point of view, can be rejected. We tested our method using sonar dataset. That example show the superiority of our approach over classical methods (M1NERR and PCA). The comparison, presented in the paper, proves that LDBFS algorithm provide us with better insight of relationships between the essential features of inputs signals and corresponding outputs what tends to enhances the performance of any classifier.