Wyniki wyszukiwania - BazTech

1

Koncepcja oceny poziomu wiedzy technicznej w dziale badawczo-rozwojowym: studium przypadku

Śliwa M.

Zeszyty Naukowe Wydziału Elektroniki i Informatyki Politechniki Koszalińskiej

|

2017

|

Nr 11

87--107

PL

W artykule zaprezentowano koncepcję oceny poziomu wiedzy technicznej w dziale badawczo-rozwojowym opracowaną na podstawie analizy literatury przedmiotu. Sporządzono charakterystykę wiedzy ukrytej i jawnej w dziale badawczo-rozwojowym w przedsiębiorstwie produkcyjnym, wyróżniono sposoby jej pozyskiwania i podziału w przedsiębiorstwie. Następnie zbudowano model Bayes’a, którego zastosowanie pozwoli na dokonanie oceny poziomu wiedzy technicznej w dziale badawczo-rozwojowym. Model został zbudowany w oparciu o wiedzę pozyskaną za pomocą wywiadów bezpośrednich z pracownikami z rzeczywistego przedsiębiorstwa produkcyjnego z branży automotive, z działu B+R. W podsumowaniu zawarto dalsze kierunki badań.

EN

The article presents the concept of the level of technical knowledge estimation in the research and development department based on the literature analysis of the subject. The characteristics of hidden and open knowledge in the research and development department in the production enterprise were prepared, and the methods of its acquisition and division in the enterprise were distinguished. Next, the Bayes model was built, the application of which will allow to assess the level of technical knowledge in the research and development department. The model was built based on the knowledge acquired through direct interviews with employees from a real manufacturing company from the automotive industry, from the R & D department. The summary contains further directions of research.

2

Identyfikacja determinant zwiększonego zagrożenia bezpieczeństwa ruchu w nocy

Gaca S., Zielinkiewicz A.

Logistyka

|

2014

|

nr 3

1854--1863

PL

Dotychczasowe prace jednoznacznie wskazują na wzrost ryzyka wypadków wraz z pogorszeniem się warunków naturalnego oświetlenia. Wzrost ten jest determinowany m.in. przez rozwiązania drogowe i jest zróżnicowany w zalezności od typu wypadków. Identyfikacja zbioru czynników determinujących zagrożenie wypadkami w powiązaniu z warunkami oświetlenia, wymaga zastosowania różnych, dopełniających się metod badawczych. Część z tych metod opisano w referacie. Są to: metoda szacowania relatywnego ryzyka wypadkowego, wykorzystująca tzw. wskaźniki „ilorazów szans”; regresyjne modele estymacji wskaźników wypadkowych oraz graficzne modele Bayesa. Opis wykorzystania każdej z tych metod zilustrowano wybranymi wynikami analiz danych o wypadkach rejestrowanych na drogach krajowych w Polsce. Analizy te służyły m.in. wskazaniu głównych zalet poszczególnych metod a także ich ograniczeń, ze szczególnym uwypukleniem stosunkowo nowej metody analiz zdarzeń drogowych, tj. modeli graficznych Bayesa.

EN

Previous research directly indicates an increased accident risk during deterioration of natural lighting conditions. This increase is determined by a number of factors, including road solutions and varies depending on the type of accidents. Identification of a set of factors determining the accident risk in connection with lighting conditions requires various, complementary research methods. Some of these methods are described in the paper and include: a method of estimating the relative risk of accident using the so-called "odds ratios", regression models estimating accident rates and Bayesian graphical models. Description of their application is illustrated by a selection of analysis results based on accident data recorded on national roads in Poland. These analyses were used, among others, to determine the main advantages of various methods as well as their limitations, with a particular emphasis on the relatively new method of analysis of road accidents, i.e., Bayesian graphical models.

3

Bayesowski model oddziaływań klimatycznych

Pytlowany T.

Zeszyty Naukowe Politechniki Rzeszowskiej. Budownictwo i Inżynieria Środowiska

|

2012

|

z. 59, nr 3/II

43-50

PL

W pracy przedstawiono różne aspekty związane ze sposobem ustalania okresów powrotu obciążeń klimatycznych na konstrukcje obiektów budowlanych. Podstawową trudnością w ustalaniu okresów powrotu maksymalnych wartości oddziaływań klimatycznych jest ograniczona ilość danych (zbyt krótki ciąg obserwacji). Skutkuje to tym, że okresy powrotu maksymalnych wartości oddziaływań klimatycznych (między innymi obciążenia śniegiem) sięgają nawet tysięcy lat. Jako alternatywę w artykule przedstawiono metodę bayesowską, która może być zastosowana do określenia wagi, jak dobrze dany rozkład prawdopodobieństwa pasuje do danych obserwowanych przy uwzględnieniu statystycznych niepewności. Po obliczeniu estymatorów największej wiarogodności parametrów rozkładów, obliczono wagi a posteriori tych rozkładów, przy założeniu, że wszystkie wagi a priori są równe 1/9 (testowano dziewięć rozkładów prawdopodobieństwa). Na podstawie przeprowadzonej analizy zestawiono okresy powrotu maksymalnych oddziaływań klimatycznych dla różnych lokalizacji w zależności od typu rozkładu prawdopodobieństwa.

EN

The paper presents some aspects related to a method of determining return periods of climatic loads impact on building objects structure. The main difficulty in determining the return periods of maximum values of climate actions is limited data (too short sequence of observations). As a result, the return periods of maximum values of climate impacts (snow loads) last even thousands of years. Nevertheless, tests of compliance with the probability distribution are more focused on the central part of the distribution curve than on its tails. This can result in significant errors in estimating the return periods of maximum climate impacts. The paper presents Bayesian methods as an alternative. These methods can be implemented to determine how well the probability distribution fits to the data observed, taking into account statistical uncertainty of the selection process it.

4

Evolutionary learning of rich neural networks in the Bayesian model selection framework

Matteucci M., Spadoni D.

International Journal of Applied Mathematics and Computer Science

|

2004

|

Vol. 14, no 3

423-440

EN

In this paper we focus on the problem of using a genetic algorithm for model selection within a Bayesian framework. We propose to reduce the model selection problem to a search problem solved using evolutionary computation to explore a posterior distribution over the model space. As a case study, we introduce ELeaRNT (Evolutionary Learning of Rich Neural Network Topologies), a genetic algorithm which evolves a particular class of models, namely, Rich Neural Networks (RNN), in order to find an optimal domain-specific non-linear function approximator with a good generalization capability. In order to evolve this kind of neural networks, ELeaRNT uses a Bayesian fitness function. The experimental results prove that ELeaRNT using a Bayesian fitness function finds, in a completely automated way, networks well-matched to the analysed problem, with acceptable complexity.