Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: k-nearest neighbors algorithm

Sortuj według:

Ogranicz wyniki do:

Diagnozowanie uszkodzeń łożysk tocznych z wykorzystaniem wybranych klasyfikatorów

Piekoszewski J.

Autobusy : technika, eksploatacja, systemy transportowe

2018

R. 19, nr 12

597--601

Niewielkie uszkodzenie łożysk tocznych może prowadzić do poważnej awarii urządzenia. Zatem, bardzo ważnym jest wykrycie takich defektów na ich początkowym etapie powstawania aby zapobiec dalszym uszkodzeniom. W pracy przedstawiono kilka wybranych teoretycznych narzędzi z obszaru sztucznej inteligencji zastosowanych do rozwiązania problemu diagnozowania uszkodzeń łożysk tocznych. Rozważanymi narzędziami są: algorytm k najbliższych sąsiadów, drzewo decyzyjne, maszyna wektorów podpierających, perceptron wielowarstwowy, sieć bayesowska oraz sieć neuronowa o radialnych funkcjach bazowych. Rezultaty wszystkich eksperymentów zostały otrzymane z wykorzystaniem rzeczywistych danych oraz aplikacji WEKA (ang. Waikato Environment for Knowledge Analysis) dostępnej na stronach Uniwersytetu Waikato w Nowej Zelandii.

Minor roller bearing damage may lead to serious failures of the device. Thus, it is very important to detect such damage as early as possible to prevent further damage. This paper presents a selection of several theoretical tools from the field of artificial intelligence and their application in roller bearings fault classification. The considered tools are: k-nearest neighbor algorithm, decision tree, support vector machine, feed forward neural network (multilayer perceptron), Bayesian network and neural network with radial basis functions. All numerical experiments presented in the paper were performed with the use of real - world dataset and WEKA (Waikato Environment for Knowledge Analysis) software, available at the server of the University of Waikato.

Grabowski M., Korpusik M.

Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki

2013

nr 10

25--37

Classification theory analytical paradigm investigates continuous data only. When we deal with a mix of continuous and nominal attributes in data records, difficulties emerge. Usually, the analytical paradigm treats nominal attributes as continuous ones via numerical coding of nominal values (often a bit ad hoc). We propose a way of keeping nominal values within analytical paradigm with no pretending that nominal values are continuous. The core idea is that the information hidden in nominal values influences on metric (or on similarity function) between records of continuous and nominal data. Adaptation finds relevant parameters which influence metric between data records. Our approach works well for classifier induction algorithms where metric or similarity is generic, for instance k nearest neighbor algorithm or proposed here support of decision tree induction by similarity function between data. The k-nn algorithm working with continuous and nominal data behaves considerably better, when nominal values are processed by our approach. Algorithms of analytical paradigm using linear and probability machinery, like discriminant adaptive nearest-neighbor or Fisher’s linear discriminant analysis, cause some difficulties. We propose some possible ways to overcome these obstacles for adaptive nearest neighbor algorithm.