Wyniki wyszukiwania - BazTech

1

Intelligent touch based user authentication

Mazur D., Tybura M.

Measurement Automation Monitoring

|

2017

|

Vol. 63, No. 1

20--23

EN

Many researches had shown that touch based authentication is something possible to implement in many devices. This research focuses mainly on making a progress in this field by using more advanced methods such as SVM, kNN, kmeans or neural networks in attempt to build system for both recognizing and learning user’s behavior.

2

Technologia domieszkowanej ceramiki KNN

Osińska K., Bochenek D., Guzak K.

Materiały Ceramiczne

|

2017

|

T. 69, nr 4

359--363

PL

Związki na bazie niobianu potasu sodu (KxNa1-x)NbO3 (KNN) są obiecującymi bezołowiowymi materiałami ferroelektrycznymi wykazującymi dobre właściwości piezoelektryczne. W prezentowanej pracy przedstawione zostały zagadnienia związane z wpływem domieszkowania jonami antymonu Sb5+ ceramiki niobianu potasu sodu modyfikowanej litem i tantalem (K0,44Na0,52Li0,04)(Nb0,9-xTa0,1Sbx)O3 (KNLNTSb) na jej technologię, podstawowe właściwości fizyczne oraz mikrostrukturę. Proszki KNLNTSb wytworzono metodą reakcji syntezy w fazie stałej z mieszaniny prostych tlenków i węglanów (MOM). Proszki ceramiczne KNLNTSb były następnie prasowane w dyski i zagęszczane metodą spiekania swobodnego w temperaturze T1 = 1110 stopni C, T2 = 1130 stopni C, T3 = 1150 stopni C, przez t = 3 godz. Dla wytworzonych próbek ceramicznych KNLNTSb określono podstawowe właściwości fizyczne: gęstość i porowatość otwartą metodą Archimedesa oraz nasiąkliwość. Mikrostrukturę wytworzonej ceramiki obserwowano przy użyciu skaningowego mikroskopu elektronowego JSM-7100F TTL LV. Analizę składu chemicznego ceramiki KNLNTSbx przeprowadzono metodą EDS. Przeprowadzone badania wykazały, że domieszkowanie ceramiki KNN poprawia jej spiekalność oraz wpływa pozytywnie na właściwości fizyczne materiału.

EN

Compounds based on potassium sodium niobate (KxNa1-x)NbO3 (KNN) are promising unleaded ferroelectric materials that show good piezoelectric properties. In the present work we report the results of study influence of doping of antimony on the technology, basic physical properties and microstructure of potassium sodium niobate ceramics modified by lithium and tantalum ions, and doped by Sb5+ (K0.44Na0.52Li0.04)(Nb0.9-xTa0.1Sbx)O3 (KNLNTSb). KNLNTSb powders were synthesized by the standard solid-state reaction method using the mixture of oxides and carbonates. The powders were next compacted into disks, and the compacts were consolidated by free sintering at temperatures of T1 = 1110 C, T2 = 1130 C, T3 = 1150 C with a soaking time t = 3 h. Basic physical properties of the sintered samples were measured: apparent density and open porosity by the Archimedes method, and absorbability. The microstructure of the ceramic samples was observed by scanning electron microscopy JSM-7100F TTL LV. The stoichiometry of KNLNTSbx ceramics was studied with the EDS chemical composition analysis system. The conducted research proved that doping of the KNN ceramics improves their sinterability and positively influences the physical properties.

3

Comparison of selected classification methods in automated oak seed sorting

Grabska-Chrząstowska J., Kwiecień J., Drożdż M., Bubliński Z., Tadeusiewicz R., Szczepaniak J., Walczyk J., Tylek P.

Journal of Research and Applications in Agricultural Engineering

|

2017

|

Vol. 62, nr 1

31--33

EN

In this paper the results of automated, vision based classification of oak seeds viability i.e. their ability to germinate are presented. In the first stage, using a photo of the seed cross-section, a set of feature vectors were determined. Then three classification methods were examined: k-nearest neighbours (k-NNs), artificial neural networks (ANNs) and support vector machines (SVMs). Finally, a 73.1% precision was obtained for kNN and a 64 bin histogram, 78.5% for ANN and a 4 bin histogram and 78.8% for SVM with a 64 bin histogram.

PL

W artykule zaprezentowano wyniki badań automatycznej, wizyjnej klasyfikacji nasion dębu pod względem ich żywotności, tj. zdolności do kiełkowania. W pierwszym etapie prac, na podstawie zdjęcia przekroju nasiona, wyznaczono zbiór cech, który w sposób niezależny od kształtu i rozmiaru poszczególnych obiektów pozwala na opisanie ich budowy anatomicznej. Następnie zbadano, dla wyselekcjonowanych wektorów cech, trzy metody klasyfikacji: k-najbliższych sąsiadów (k-NN), artificial neural networks (ANN) oraz maszynę wektorów nośnych (SVM). Uzyskano 73,1% precyzji rozpoznawania dla histogramu o długości 64 metodą kNN, 78,5% dla histogramu o długości 4 dla ANN i 78,8% dla histogramu o długości 64 metodą SVM.

4

MLPNN and kNN Based Classification of sEMG Signal for Myoelectric Control of Upper Limb Prosthesis

Negi Sachin, Kumar Yatindra, Mishra V. M

Annals of Computer Science and Information Systems

|

2017

|

Vol. 10

269--292

EN

Analysis of sEMG signal has been an emerging field for the myoelectric control of upper limb prosthesis. The objective of present work is to obtain the performance measures like accuracy, sensitivity, specificity and positive predictivity using MLPNN with back propagation algorithm. Using MLPNN classifier, an average classification accuracy of 93.71\% was achieved over ten subjects for the combination of [MAV1, WL, AAC, ZC, and WAMP] features. Next the classification accuracy is obtained with kNN classifier for k= 3, 5, and 7. The results showed that average classification accuracy of 93.06\% is achieved using kNN and it is better than MLPNN in terms of time and simplicity.

5

Instance based kNN modification for classification of medical data

Orczyk T., Porwik P., Lewandowski M., Cholewa M.

Journal of Medical Informatics & Technologies

|

2015

|

Vol. 24

99--106

EN

Paper describes a novel modification to a well known kNN algorithm, which enables using it for medical data, which often is a class-imbalanced data with randomly missing values. Paper presents the modified algorithm details, experiment setup, results obtained on a cross validated classification of a benchmark database with randomly removed values (missing data) and records (class imbalance), and their comparison with results of the state of the art classification algorithms.

6

A study on influence of normalization methods on music genre classification results employing kNN algorithm

Rosner A., Michalak M., Kostek B.

Studia Informatica

|

2013

|

Vol. 34, nr 2A

411--423

EN

This paper presents a comparison of different normalization methods applied to the set of feature vectors of music pieces. Test results show the influence of min-max and Zero-Mean normalization methods, employing different distance functions (Euclidean, Manhattan, Chebyshev, Minkowski) as a pre-processing for genre classification, on k-Nearest Neighbor (kNN) algorithm classification results.

PL

Artykuł przedstawia porównanie różnych metod normalizacji zastosowanych do zbioru wektorów cech utworów muzycznych. Wyniki testów prezentują wpływ zastosowania metod normalizacji min-max oraz Zero-Mean z użyciem różnych funkcji odległości (Euklidesowej, Manhattan, Czebyszewa, Minkowskiego) w procesie wstępnego przetwarzania w klasyfikacji gatunków muzycznych z wykorzystaniem algorytmu klasyfikacji k-Najbliższych Sąsiadów (kNN).

7

Duch W.

Control and Cybernetics

|

2000

|

Vol. 29, no 4

937-967

EN

Similarity-based methods (SBM) are a generalization of the minimal distance (MD) methods which form a basis of several machine learning and pattern recognition methods. Investigation of similarity leads to a fruitful framework in which many classification, approximation and association methods are accommodated. Probability p(C|X; M) of assigning class C to a vector X, given a classification model M, depends on adaptive parameters and procedures used in construction of the model. Systematic overview of choices available for model building is presented and numerous improvements suggested. Similarity-Based Methods have natural neural-network type realizations. Such neural network models as the Radial Basis Functions (RBF) and the Multilayer Perceptrons (MLPs) are included in this framework as special cases. SBM may also include several different submodels and a procedure to combine their results. Many new versions of similarity-based methods are derived from this framework. A search in the space of all methods belonging to the SBM framework finds a particular combination of parameterizations and procedures that is most appropriate for a given data. No single classification method can beat this approach. Preliminary implementation of SBM elements tested on a real-world datasets gave very good results.