Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: intelligent techniques

Sortuj według:

Ogranicz wyniki do:

A cloud-based urban monitoring system by using a quadcopter and intelligent learning techniques

Khanmohammadi Sohrab, Samadi Mohammad

Journal of Automation Mobile Robotics and Intelligent Systems

2022

Vol. 16, No. 2

11--19

The application of quadcopter and intelligent learning techniques in urban monitoring systems can improve flexibility and efficiency features. This paper proposes a cloud-based urban monitoring system that uses deep learning, fuzzy system, image processing, pattern recognition, and Bayesian network. The main objectives of this system are to monitor climate status, temperature, humidity, and smoke, as well as to detect fire occurrences based on the above intelligent techniques. The quadcopter transmits sensing data of the temperature, humidity, and smoke sensors, geographical coordinates, image frames, and videos to a control station via RF communications. In the control station side, the monitoring capabilities are designed by graphical tools to show urban areas with RGB colors according to the predetermined data ranges. The evaluation process illustrates simulation results of the deep neural network applied to climate status and effects of the sensors’ data changes on climate status. An illustrative example is used to draw the simulated area using RGB colors. Furthermore, circuit of the quadcopter side is designed using electric devices.

Using Intelligent Control Systems to Predict Textile Yarn Quality

Nurwaha D., Wang X. H.

Fibres & Textiles in Eastern Europe

2012

Vol. 20, no. 1 (90)

23-27

Do przewidywania jakości przędzy zastosowano: wielowarstwowe perceptronowe sieci neuronowe, maszyny wektorów wspierających, sieci radialne, sieci neuronowe, grupowe metody obróbki danych wielomianowych sieci neuronowych oraz programowanie ekspresji genów. Jako wielkości wejściowe przyjęto: wytrzymałość włókien, micronaire, średnią długość, wydłużenie, współczynnik równomierności, zażółcenie, stopień szarości oraz zawartość włókien krótkich. Zdolność przewidywania porównywano z wynikami uzyskiwanymi przy stosowaniu modelu klasycznej regresji liniowej. Najlepsze wyniki uzyskano za pomocą maszyn wektorów wspierających, a następnie za pomocą programowanej ekspresji genów i regresji liniowej. Po wykreśleniu odpowiednich charakterystyk stwierdzono, że najistotniejszymi wielkościami determinującymi jakość przędz są wytrzymałość, a następnie wydłużenie.

This study describes the application of intelligent control systems in textile engineering and how to use these approaches for developing a spun yarn quality prediction system. The Multilayer Perceptron Neural Network(MLPNN), Support Vector Machines(SVMs), the Radial Basic Function Network(RBFN), the General Neural Network(GNN), the Group Method of Data Handling Polynomial Neural Network (GMDHPNN) and Gene expression Programming (GEP), generally called intelligent techniques, were used to predict the count-strength-product (CSP). Fiber properties such fbre strength (FS), micronaire (M), the upper half mean length (UHML), fbre elongation(FE), the uniformity index (UI), yellowness (Y), grayness (G) and short fbre content (SFC) were used as inputs. The prediction performances are compared to those provided by the classical Linear Regression (LR) model. The SVMs model provides good prediction ability, followed by the GEP and LR models, respectively. Graphs illustrating the relative importance of fbre properties for CSP were plotted. Fiber strength (FS) is ranked frst in importance as a contributor to CSP by the fve models, while fbre elongation (FE) ranks second. By means of the yarn strength learned surfaces on fbre properties, the study shows how to control yarn quality using knowledge of fbre properties.