Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: obliczenia granularne

Sortuj według:

Ogranicz wyniki do:

Digital camera as a data source of ITS solutions in traffic control and management

Piecha J.

Transport Problems

2012

T. 7, z. 4

57-70

The traffic adaptive-control processes and Intelligent Transportation Systems (ITS) work on traffic characteristics provided by vehicles various detectors. In majority cases the algorithms work on vehicles number evidences only, recorded on traffic lanes. The expected data concerns the vehicles number and a time schedule observed at stop-lines on intersection inlets or another points of the traffic intensity checking. A satisfactory usage of the video technology needs various simplifications of the data source structure and the processing algorithms. For simplification of these all processes several solutions must be implemented. One can try reducing the data size and improve the processing algorithms. Better results can be expected after proper selection of the data sampling intervals, namely the data granularity finding. Several conclusions concerning the traffic recording and modeling are presented in this work. The discussed technology was implemented to produce.

Adaptacyjne sterowanie procesem transportowym oraz tzw. Inteligentne Systemy Transportowe (ITS) korzystają z charakterystycznych danych zarejestrowanych za pomocą różnych detektorów ruchu. W większości przypadków algorytmy sterowania wykorzystują zapis o liczbie pojazdów na pasach ruchu. Potrzebne dane dotyczą zarówno liczby pojazdów, jak i czasów ich dojazdu do linii zatrzymania na wlocie skrzyżowania lub innego charakterystycznego punktu pomiaru natężenia ruchu. Zadowalające zastosowanie technik pomiarowych wideo uwarunkowane jest wprowadzeniem wielu uproszczeń dla rejestrowanych danych i algorytmów przetwarzania. Modelowanie strumieni pojazdów wiąże się zwykle z pewnymi stratami rejestrowanych danych. Często te dane są nadmiarowe dla uzyskania zadowalającej jakości sterowania ruchem. Dla uproszczenia wszystkich faz sterowania przedstawiono kilka ważnych rozwiązań z teorii rejestracji i przetwarzania danych. Można dokonać znaczącej redukcji rozmiaru plików danych wejściowych oraz uprościć algorytmy ich przetwarzania, nie tracąc niczego z jakości sterowania. Dobrym sposobem dla tych ograniczeń jest określenie właściwego interwału próbkowania danych pomiarowych oraz zdefiniowanie rozmiarów ziarna pomiarowego systemu sterowania. Kilka istotnych rozwiązań, dotyczących rejestracji i modelowania procesów transportowych, zaprezentowano w niniejszym artykule. Opracowania te zostały wdrożone do produkcji.

Models of computational intelligence in bioinformatics

Pedrycz W.

Journal of Medical Informatics & Technologies

2003

Vol. 5

IP13--23

Computational Intelligence has emerged as a synergistic environment of Granular Computing (including fuzzy sets, rough sets, interval analysis), neural networks and evolutionary optimisation. This symbiotic framework addresses the needs of system modelling with regard to its transparency, accuracy and user friendliness. This becomes of paramount interest in various modelling in bioinformatics especially when we are concerned with decision-making processes. The objective of this study is to elaborate on the two essential features of CI that is Granular Computing and the resulting aspects of logic-oriented processing and its transparency. As the name stipulates, Granular Computing is concerned with processing carried out at a level of coherent conceptual entities - information granules. Such granules are viewed as inherently conceptual entities formed at some level of abstraction whose processing is rooted in the language of logic (especially, many valued or fuzzy logic). The logic facet of processing is cast in the realm of fuzzy logic and fuzzy sets that construct a consistent processing background necessary for operating on information granules. Several main categories of logic processing units (logic neurons) are discussed that support aggregative (and-like and or-like operators) and referential logic mechanisms (dominance, inclusion, and matching). We show how the logic neurons contribute to high functional transparency of granular processing, help capture prior domain knowledge and give rise to a diversity of the resulting models.