Wyniki wyszukiwania - BazTech

1

Wykorzystanie technik neuronowych w praktyce rolniczej

Boniecki P.

Journal of Research and Applications in Agricultural Engineering

|

2005

|

Vol. 50, nr 2

10-14

PL

Rozwój technologii informatycznych spowodował pojawienie się zupełnie nowych możliwości analitycznych, bazujących na obserwacjach procesów naturalnych, a w szczególności na wnioskach płynących z badań naukowych dotyczących pracy mózgu, jakie opisują dynamicznie rozwijające się techniki przetwarzania neuronowego (Osowski S., 2000). Należy podkreślić, że sztuczne sieci neuronowe potrafią operować zarówno na zbiorach danych numerycznych, pochodzących np. z badań doświadczalnych, jak również na zbiorach rozmytych, tak charakterystycznych dla postrzegania ludzkiego umyslu. Ostatnio znajdują zastosowanie w systemach klasyfikacyjnych wykorzystywanych w rolnictwie.

EN

The development of computer technologies caused the appearance of the completely new analytic possibilities, basing on observations of natural processes, and in peculiarity on conclusions following with scientific researches relating the brain work investigations, what is described by the dynamically developing techniques of neuronal processing. One should underline, that artificial neuronal networks are able to operate both on gatherings of numeric data coming from experimental investigations, as well as on fuzzy sets, so characteristic for perception of human mind. Recently they are used in agriculture in classification systems.

2

Neuronowe techniki klasyfikacyjne w problemach identyfikacyjnych inżynierii rolniczej

Boniecki P., Mueller W.

Journal of Research and Applications in Agricultural Engineering

|

2005

|

Vol. 50, nr 3

15-19

PL

Celem pracy było omówienie podstawowych technik klasyfikacyjnych w kontekście wykorzystania ich w problemach badawczych inżynierii rolniczej. Wskazano wybrane topologie sztucznych sieci neuronowych jako efektywne narzędzia klasyfikacyjne. Dodatkowym efektem przeprowadzonej analizy bylo wytworzenie systemu informatycznego "Sieci neuronowe - Perceptron " wspomagającego proces edukacji. Wytworzony program komputerowy ma za zadanie klasyfikować dane zaczerpnięte z obszaru inżynierii rolniczej. Program działa w oparciu o sieć wielowarstwową typu perceptron - MLP (MultiLayer Perceptron).

EN

The aim of the work was discussion of basic classifying techniques in context of their utilisation in investigative problems of agricultural engineering. The chosen topology of artificial neural networks were showed as effective classifying tools. Creation of the computer system "The neuronal nets - Perceptron " was the additional effect of the conducted analysis, helping the process of education. The aim of the created computer program is to classify the data obtained from the area of agricultural engineering. The program acts on the basis of many-layered network of perceptron type - MLP (MultiLayer Perceptron).

3

Neuronowa identyfikacja wybranych szkodników drzew owocowych w oparciu o cyfrowe techniki analizy obrazu

Boniecki P., Piekarska-Boniecka H.

Journal of Research and Applications in Agricultural Engineering

|

2004

|

Vol. 49, nr 3

25-29

PL

Wzrasta zainteresowanie badaczy zagadnieniami związanymi z szeroko rozumianym wnioskowaniem w oparciu o informacje zawartą w danych prezentowanych w postaci graficznej. Neuronowa identyfikacja danych obrazowych, ze szczególnym naciskiem na analizę ilościową oraz jakościową, coraz częściej wykorzystywana jest do pozyskiwania oraz zgłębiania wiedzy zawartej w danych empirycznych. Ekstrakcja a następnie klasyfikacja wybranych cech obrazu, takich jak barwa czy faktura, pozwala na wytworzenie informatycznych narządzi do identyfikacji wybranych obiektów, prezentowanych w postaci np. zdjęcia cyfrowego. W pracy przedstawiono wytworzony, oryginalny system informatyczny, przeznaczony do digitalizacji obrazu w oparciu o kryterium barwy. Pokazano jego zastosowanie do generowania zbioru uczącego, dla informatycznego systemu neuronowego, przeznaczonego do identyfikacji wybranych szkodników żerujących w sadach.

EN

A growing interest in conclusions based on information of data coded in a graphic form can be observed.. The neural identification of pictorial data, with special emphasis on both quantitative and qualitative analysis, is more frequently utilized to gain and deepen the empirical data knowledge. Extraction and then classification of selected picture features, such as color or surface structure, enables one to create computer tools in order to identify these objects presented as, for example, digital pictures. The paper presents original information system designed to digitalize a picture on the basis oft he color criterion. The system has been applied to generate a "learning" file for the neural system to identify selected pests feeding in orchards.

4

Wykorzystanie technik neuronowych do predykcji wielkości zbiorów wybranych płodów rolnych

Boniecki P., Weres J.

Journal of Research and Applications in Agricultural Engineering

|

2003

|

Vol. 48, nr 4

56-59

PL

Pojawiające się ostatnio metody, mające cechy sztucznej inteligencji, pozwalają na budowę, modeli symulacyjnych, ktore realizują postawione zadania w oparciu o wzorce zaczerpnięte bezpośrednio z obserwacji przyrody [5]. Szczególną grupę. stanowią techniki przetwarzania oparte na sztucznych sieciach neuronowych, będące w istocie komputerowymi symulatorami pracy mózgu [3]. Za pomocą modeli neuronowych można m.in. dokonać predykcji i wielkości plonów płodów rolnych w oparciu o posiadane empiryczne dane, dotyczące zbiorów w latach ubiegłych.

EN

Emerges methods, having guilds artificial intelligence, permit on building of simulating models which realize in support put tasks recently about ladled patterns directly with nature obsemation. The processing leaning on neural artificial network techniques make up special group, being in creature with computer simulators brain work. With the help of neuronal models mighty to execute expectation size of crops agricultural products in support about possessed empirical data regardin gatherings in last summers.

5

Neural techniques in agricultural engineering

Boniecki P.

Prace Przemysłowego Instytutu Maszyn Rolniczych

|

2001

|

Vol. 46, nr 1

80-83

EN

Neural technigues constitute an alternative to describing and analyzing empirical systems in agricultural engineering. Artificial neural networks, referred to as neural networks for short, are a rapidly growing field of knowledge with applications reaching into many areas of science. The properties of such networks are ideal for many practical applications. Neural networks constitute a universal approximation system for representing multi-dimensional data sets. They have an ability to learn and adapt to changing environments and generalize on the acquired knowledge, which makes them a system of artificial intelligence. At the heart of the network's operation are learning algorithms which allow for designing a proper network structure and selecting its parameters to best suit the problem at hand. Unfortunately, in studies on agricultural engineering phenomena, one is frequently left with no mathematical model to illustrate them in a precise manner. In effect, all we have to go on are findings of studies while our knowledge of the structure of the problem at hand usually remains fragmentary and incomplete. Of course, this is because agricultural engineering systems are highly complex in their structures. Research on such systems reguires a combination of natural (empirical) and technical (exact) sciences. For that reason, it seems appropriate to employ an alternative method of analyzing agricultural technology problems, namely neural networks.

PL

Wśród licznych zastosowań komputerów w inżynierii rolniczej, wynikających z ogólnego rozwoju informatyki oraz zapotrzebowania na nowoczesne technologie w rolnictwie, gwarantujące wysoką jakość produktu końcowego, trudno nie wspomnieć o klasycznym już dziś zastosowaniu, jakim są obliczenia. Szczególną pozycję w metodach obliczeniowych stosowanych w technice rolniczej zajmują techniki uwzględniania losowości, występującej w większości systemów empirycznych. Na skuteczność tych metod znaczący wpływ wywiera sposób generowania liczb pseudolosowych. Alternatywnym podejściem do opisu i ana1izy systemów empirycznych inżynierii rolniczej jest wykorzystanie technik neuronowych. Sztuczne sieci neuronowe zwane w skrócie sieciami neuronowymi, stanowią intensywnie rozwijająca się dziedzinę wiedzy stosowaną w wielu obszarach nauki. Mają właściwości pożądane w wielu zastosowaniach praktycznych: stanowią uniwersalny układ aproksymacyjny odwzorowujący wielowymiarowe zbiory danych, mają zdolność uczenia się i adaptacji do zmieniających się warunków środowiskowych, zdolność uogólniania nabytej wiedzy, stanowiąc pod tym względem system sztucznej inteligencji. Podstawą działania sieci są algorytmy uczące, umożliwiające zaprojektowanie odpowiedniej struktury sieci i dobór parametrów tej struktury, dopasowanych do problemu polegającemu rozwiązaniu. Niestety, w badaniach zagadnień inżynierii rolniczej często zdarza się, że nie dysponujemy modelem matematycznym, precyzyjnie opisującego dane zjawisko. Oznacza to, że posiadamy jedynie wyniki badań, podczas gdy nasza wiedza o strukturze badanego problemu jest zazwyczaj fragmentaryczna, a zatem niepełna. Wiąże się to niewątpliwie z ogromnie skomplikowaną strukturą, jaką reprezentują systemy inżynierii rolniczej, wiążącej w sobie elementy nauk przyrodniczych (empirycznych) i technicznych (ścisłych). W takim wypadku celowe wydaje się być skorzystanie z alternatywnej metody analizy zagadnień techniki rolniczej, jaką reprezentują sieci neuronowe.

6

The use of neuron networks for the analysis of empirical data in linear problems of agricultural engineering

Boniecki P.

Journal of Research and Applications in Agricultural Engineering

|

2001

|

Vol. 46, nr 4

41-47

EN

The information processing power of a neuron network results from the fact that the individual neurons can process information simultaneously. Since the outputs of the neurons in a certain layer depend only on the outputs of the neurons in the preceding layer, so the neurons in each layer are independent, and it is possible to apply parallel processing. The individual network layers can also perform calculations simultaneously, sending the results in cycles into the network. Therefore, information processing is a stream process, which significantly influences the efficiency of neuron processing. It is worth noticing that the information stored in a neuron network has a dissipated nature, i.e. it is almost impossible to say which part of the network reflects which network feature. As a consequence neuron networks have a very interesting property, namely their relatively high resistance to damage. There are many problems which cannot be solved (or for which a good solution cannot be obtained) with the use of linear methods. The strong non-linearity of an investigated problem usually manifests itself in neuron techniques in such a way that it is not possible to match the position of the previously mentioned discrimination hyperplane, which turns out to be a geometrical formation which is "too rigid" to be able to reflect the relationship being modelled In such n case the only solution is to use neuron networks with more complex structures, which in particular reflect the non-linearity of the investigated problem. However, there are problems in which the linear technique turns out to be very useful. Therefore, one must consider as groundless the omission of this simple technique and the direct use of more complex methods in a situation where no appropriate comparative research was performed. When solving a certain problem with the use of a neuron network it is always good to carry out the teaching of a linear network in the beginning, because it is often a satisfactory solution (and one can confine oneself to it). Even if it is not possible to obtain satisfactory results with the use of a linear network only, it is often a convenient point of reference, when comparison is made with more complex models.

PL

Komplementarnym podejściem do opisu i analizy systemów empirycznych inżynierii rolniczej jest wykorzystanie technik sztucznej inteligencji, a w szczególności metod opartych na sieciach neuronowych. Sztuczne sieci neuronowe, zwane w skrócie sieciami neuronowymi, stanowią intensywnie rozwijającą się dziedzinę wiedzy utylitarnej stosowaną w wielu obszarach nauki. Mają właściwości pożądane w wielu zastosowaniach praktycznych, m.in. dlatego, że stanowią uniwersalny układ aproksymacyjny, odizolowujący wielowymiarowe zbiory danych. Mają zdolność uczenia się i adaptacji do zmieniających się warunków środowiskowych. Są odporne na zakłócenia. Posiadają zdolność uogólniania nabytej wiedzy, stanowiąc pod tym względem system sztucznej inteligencji. W pracy omówiono nowoczesne techniki przetwarzania rozproszonego z wykorzystaniem liniowych sieci neuronowych. W szczególności zajęto się neuronowym przetwarzaniem danych empirycznych pochodzących z badań dotyczących zagadnień przepływu oraz kumulacji ciepła, zachodzących w kamiennym magazynie energii cieplnej. Analizie poddano szereg struktur liniowych sieci neuronowych. Następnie, wyselekcjonowano oraz przetestowano liniowy model neuronowy, opisujący proces ładowania kamiennego akumulatora. Dokonano weryfikacji wybranego modelu w stosunku do wyników uzyskanych metodami klasycznymi. Na koniec porównano adekwatność modelu z bardziej złożonymi strukturami neuronowymi, jakimi są nieliniowe sieci neuronowe.

7

Neural networks as a tool in the analysis of agricultural engineering empirical systems

Boniecki P., Weres J.

Journal of Research and Applications in Agricultural Engineering

|

2001

|

Vol. 46, nr 3

73-76

EN

Of the numerous applications of computers in agriculture induced by the overall advancement in IT and produced in response to the demand for cutting-edge agricultural technologies required to secure high quality products, one application which has become a classic and which definitely deserves a mention is numerical processing. A special place among numerical processing methods applied in agricultural technology has been given to techniques of accounting for randomness, which is an element present in most empirical systems. The effectiveness of such methods is influenced largely by techniques of generating pseudo-random numbers. In studies on agricultural phenomena, one is frequently left with no mathematical. model to describe the phenomena precisely. In effect our knowledge of the structure of the problem at. Hand usually remains incomplete. This is because agricultural system s are highly complex in their structures. For that reason it seems appropriate to employ an alternative method of analyzing problems of agricultural technology, namely neural networks. The properties of neural network are ideal for many practical applications. Neural networks constitute a universal approximation system for representing multi-dimensional data sets. They have an ability to learn and adapt to changing environments and generalize on the acquired knowledge, which makes them a system of artificial intelligence. At the heart of their operation are learning algorithms which allow for designing a proper network structure and selecting its parameters to best suit the problem at hand. The objective of the paper was to analyze selected problem s of agricultural engineering, in which application of neural networks is highly recommended, and to discuss such applications in the following areas: a) time series predictions, e.g. prediction of crops, b) spatial approximation, e.g. geological and analysis, c) classification, e.g. entomological categorization of insects on the basis of characteristic features of an object, d) signal filtering (removal of noise from a corrupted signal), e.g. meteorological data analysis.

PL

Wśród licznych zastosowań komputerów w inżynierii rolniczej, wynikających z ogólnego rozwoju informatyki oraz zapotrzebowania na nowoczesne technologie w rolnictwie, gwarantujące wysoką jakość produktu końcowego, trudno nie wspomnieć o klasycznym już dziś zastosowaniu, jakim są obliczenia. Szczególną pozycję w metodach obliczeniowych stosowanych w technice rolniczej zajmują techniki uwzględniania losowości, występującej w większości systemów empirycznych. Na skuteczność tych metod znaczący wpływ wywiera sposób generowania liczb pseudo losowych. Alternatywnym podejściem do opisu i analizy systemów empirycznych inżynierii rolniczej jest wykorzystanie technik neuronowych. Sztuczne sieci neuronowe zwane w skrócie sieciami neuronowymi, stanowią intensywnie rozwijającą się dziedzinę wiedzy stosowaną w wielu obszarach nauki. Mają właściwości pożądane w wielu zastosowaniach praktycznych: stanowią uniwersalny układ aproksymacyjny odwzorowujący wielowymiarowe zbiory danych, mają zdolność uczenia się i adaptacji do zmieniających się warunków środowiskowych, zdolność uogólniania nabytej wiedzy, stanowiąc pod tym względem system sztucznej inteligencji. W pracy omówiono obszary możliwych zastosowań sieci neuronowych oraz zaprezentowano przykłady praktycznego wykorzystania sieci w wybranych obszarach inżynierii rolniczej.