PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników
Powiadomienia systemowe
  • Sesja wygasła!
  • Sesja wygasła!
  • Sesja wygasła!
  • Sesja wygasła!

Znaleziono wyników: 8

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

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Klasyfikator rozmyty użyteczny we wstępnym doborze profili łopatkowych turbin parowych
Szewczuk-Krypa N.
Przegląd Mechaniczny
|
2018
|
nr 9
25--27
PL
W artykule przedstawiona została próba stworzenia wstępnego modelu klasyfikatora rozmytego użytecznego we wstępnym doborze profili łopatkowych turbin parowych. Dobór odpowiedniego rozwiązania dokonywany jest na podstawie parametrów przepływu czynnika przez wieńce turbiny. Tego typu narzędzie decyzyjne może okazać się przydatne zarówno w przypadku modernizacji istniejącego już obiektu, w którym zdiagnozowane uszkodzenia wymuszają kapitalny remont układu przepływowego, jak i przy projekcie nowego urządzenia.
EN
The article presents an attempt to create a preliminary fuzzy classifier model in the preliminary selection of steam turbines blade profiles. The selection of the appropriate solution is made on the basis of the parameters of the flow of the medium through the turbine rims. This type of decisionmaking tool may prove useful both in the case of the modernization of anexisting facility, in which the diagnosed faults force a complete overhaul of the flow system as well as the design of a new device.
2
Optymalizacja przy pomocy roju cząstek bazy reguł klasyfikatora rozmytego
Głuszek A., Gorzałczany M. B., Rudziński F.
Logistyka
|
2014
|
nr 6
3960--3968
PL
Systemy rozmyte wykorzystywane są często jako systemy eksperckie, w tym systemy klasyfikacji danych. Szczególnie ważną kwestią jest w tym przypadku stworzenie i optymalizacja bazy reguł rozmytych na podstawie danych, opisujących konkretne zagadnienie. W tym celu stosowane są głównie metody z obszaru tzw. inteligencji obliczeniowej (ang. computational intelligence), zwłaszcza z zakresu algorytmów ewolucyjnych. Pierwsza część niniejszego artykułu prezentuje zastosowanie, należącego do obszaru tzw. inteligencji rojowej, algorytmu optymalizacji rojem cząstek PSO (ang. Particle Swarm Optimization) do optymalizacji bazy reguł klasyfikatora rozmytego. W drugiej części artykułu przedstawiono zastosowanie proponowanego podejścia do problemu klasyfikacji dwóch zbiorów danych, pochodzących ze znanej bazy UCI Machine Learning Repository (tzw. Iris Data i Glass Identification Data). Uzyskane wyniki porównano z rezultatami działania metod alternatywnych  algorytmu największego spadku oraz klasycznego algorytmu genetycznego.
EN
Fuzzy systems are often used as expert systems including data classification systems. Very important issue is designing and optimization of their fuzzy rule bases from available pattern data. For this purpose, methods from the area of computational intelligence (especially evolutionary algorithms) are usually applied. The first part of this paper presents an application of the particle swarm optimization algorithm for optimizing rule base of the fuzzy classifier. Particle swarm optimization belongs to the class of swarm intelligence algorithms. Swarm intelligence techniques use the collective behaviors of many simple agents which interact with each other and with their environment. The second part of the paper describes the application of the presented method for the classification of two well-known data sets from UCI Machine Learning Repository (Iris Data and Glass Identification Data). The proposed approach is also compared with two alternative methods - gradient descent and genetic algorithm
3
Content available Reguły decyzyjne z rozmytą granulacją wiedzy
Sosnowski Z. A.
Symulacja w Badaniach i Rozwoju
|
2012
|
Vol. 3, nr 4
225--232
PL
W pracy przedstawiono architekturę klasyfikatora rozmytego opartego na klastrowo-kontekstowych rozmytych drzewach decyzyjnych oraz zbadano jego wydajność na standardowych zestawach danych: Dermatology i Housing Data Sets. Wyniki symulacji pokazują, że przedstawiony klasyfikator daje zadowalające wskaźniki klasyfikacji.
EN
In this paper, we present the architecture of fuzzy classifier based on context fuzzy cluster-oriented decision trees and examine its performance on Dermatology and Housing data sets. Simulation results show that the presented classifier has a satisfactory classification rate.
4
Content available Badanie klasyfikatora rozmytego z wykorzystaniem entropii rozmytej
Sosnowski Z. A.
Symulacja w Badaniach i Rozwoju
|
2012
|
Vol. 3, nr 2
99--106
PL
W pracy przedstawiono architekturę klasyfikatora rozmytego opartego na entropii rozmytej oraz zbadano jego wydajność na standardowych zestawach danych: Iris i Wisconsin breast cancer. Wyniki symulacji pokazują, że przedstawiony klasyfikator daje zadawalające wskaźniki klasyfikacji.
EN
In this paper, we present the architecture of fuzzy classifier based on fuzzy entropy and examine its performance on Iris and Wisconsin breast cancer data sets. Simulation results show that the presented classifier has a satisfactory classification rate.
5
Content available On choosing the fuzziness parameter for identifying TS models with multidimensional membership functions
Kroll A.
Journal of Artificial Intelligence and Soft Computing Research
|
2011
|
Vol. 1, No. 4
283--300
EN
Fuzzy clustering is a well-established method for identifying the structure/fuzzy partitioning of Takagi-Sugeno (TS) fuzzy models. The clustering algorithms require choosing the fuzziness parameter m. Prior work in the area of pattern recognition shows, that a suitable choice of m is application- dependent. Yet, the default of m=2 is commonly chosen. This paper examines the suitable choice of m for identifying TS models. The focus is on models that use the classifiers resulting from fuzzy clustering as multi-dimensional membership functions or their projection and approximation. At first, the differentiability and grouping properties of the fuzzy classifiers are analyzed to make a general recommendation of choosing m(1;3). Besides, the effect of the cluster number c on the classification fuzziness is examined. Finally, requirements that are specific to TS modeling are introduced, which narrow down the suitable range for m. Building on algorithm analysis and four case studies (function approximation, a vehicle engine and an axial compressor application for nonlinear regression), it is demonstrated that choosing m2(1;1.3) for local and m2(1;1.5) for global estimation will typically provide for good results.
6
Content available remote Diagnostics of induction motor based on spectral analysis of stator current signal with application of fuzzy classifier
Głowacz A., Głowacz W., Głowacz A.
Archives of Foundry Engineering
|
2010
|
Vol. 10, iss. 3 spec.
299--302
EN
New implementation of diagnostics of imminent failure conditions of induction motor was presented. Software to recognize the current of induction motor was implemented. System of current recognition is based on a study of the frequency spectrum of stator current signal. Fuzzy classifier was applied. The studies were carried out for four imminent failure conditions of induction motor. The results confirm that the system can be useful for detecting damage and protect the engines.
7
Content available Diagnostics of synchronous motor based on sound recognition with application of Linear Predictive Cepstrum Coefficients and fuzzy classifier
Głowacz A.
Studia Informatica : systems and information technology
|
2009
|
Vol. 2(13)
63--72
EN
This document provides the concept of investigations of acoustic signals of imminent failure conditions of synchronous motor. Measurements were made by recorder OLYMPUS WS-200S. Sound recognition software has been implemented. Algorithms of signal processing and analysis have been used. The system is based on the LPCC algorithm and fuzzy classifier with triangular membership function. Results confirm the correct operation of the system of sound recognition of synchronous motor.
8
Content available remote Zastosowanie rozmytego i rozmyto-neuronowego klasyfikatora w zadaniu rozpoznawania faz lotu
Mieszkowicz-Rolka A., Rolka L.
Zeszyty Naukowe Politechniki Rzeszowskiej. Mechanika
|
2001
|
z. 56[186], t.1
79-86
PL
W referacie proponuje się zastosowanie klasyfikatora rozmytego i rozmytego klasyfikatora neuronowego do rozwiązania zadania rozpoznawania faz lotu. Przedstawiona i omówiona została struktura klasyfikatora rozmytego rozwiązującego zadanie rozpoznawania wybranych faz lotu samolotu. Przyjęto, że konstruowanie funkcji przynależności oraz budowa bazy reguł odbywa się w oparciu o wiedzę eksperta, a reguły przyjmuje się w postaci dysjunkcyjno - koniunkcyjnej. Moduł wnioskowania klasyfikatora działa na zasadzie wnioskowania uproszczonego z zastosowaniem operatora implikacji Mamdaniego, zaś funkcje przynależności zbiorów - rozmytych związanych z wyjściem przyjmuje się w postaci singletonów. Tak zbudowany klasyfikator rozmyty stał się punktem wyjścia do konstrukcji rozmytego klasyfikatora neuronowego, który łączy zalety zbiorów rozmytych i zdolność do uczenia jaką posiadają sztuczne sieci neuronowe.
EN
In this paper, application of fuzzy and neuro-fuzzy classifier in flight phases recognition task is proposed. The fuzzy classifier structure applied to recognition of a pIane phases is presented. lt is assumed that the construction of membership functions and the building of the rules base are done using the expert knowledge. The rules have a disjunction-conjunction form. The classifier lnference Module works on simpler inference with Mamdani implication operator. The output membership functions have singletons form. The fuzzy classifier made in this way, is the first step to neuro-fuzzy classifier construction. lt aggregates the advantages of fuzzy sets with artificial neural networks ability to learn.
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.