Wyniki wyszukiwania - BazTech

1

Learning OWL 2 Property Characteristics as an Explanation for an RNN

Potoniec J.

Bulletin of the Polish Academy of Sciences. Technical Sciences

|

2020

|

Vol. 68, nr 6

1481--1490

EN

We propose an approach to indirectly learn the Web Ontology Language OWL 2 property characteristics as an explanation for a deep recurrent neural network (RNN). The input is a knowledge graph represented in Resource Description Framework (RDF) and the output are scored axioms representing the characteristics. The proposed method is capable of learning all the characteristics included in OWL 2: functional, inverse functional, reflexive and irreflexive, symmetric and asymmetric, transitive. We report and discuss experimental evaluation on DBpedia 2016-10, showing that the proposed approach has advantages over a simple counting baseline.

2

Short-term air pollution forecasting based on environmental factors and deep learning models

Arsov Mirche, Zdravevski Eftim, Lameski Petre, Corizzo Roberto, Koteli Nikola, Mitreski Kosta, Trajkovik Vladimir

Annals of Computer Science and Information Systems

|

2020

|

Vol. 21

15--22

EN

The effects of air pollution on people, the environment, and the global economy are profound - and often under-recognized. Air pollution is becoming a global problem. Urban areas have dense populations and a high concentration of emission sources: vehicles, buildings, industrial activity, waste, and wastewater. Tackling air pollution is an immediate problem in developing countries, such as North Macedonia, especially in larger urban areas. This paper exploits Recurrent Neural Network (RNN) models with Long Short-Term Memory units to predict the level of PM10 particles in the near future (+3 hours), measured with sensors deployed in different locations in the city of Skopje. Historical air quality measurements data were used to train the models. In order to capture the relation of air pollution and seasonal changes in meteorological conditions, we introduced temperature and humidity data to improve the performance. The accuracy of the models is compared to PM10 concentration forecast using an Autoregressive Integrated Moving Average (ARIMA) model. The obtained results show that specific deep learning models consistently outperform the ARIMA model, particularly when combining meteorological and air pollution historical data. The benefit of the proposed models for reliable predictions of only 0.01 MSE could facilitate preemptive actions to reduce air pollution, such as temporarily shutting main polluters, or issuing warnings so the citizens can go to a safer environment and minimize exposure.

3

Future Graduate Salaries Prediction Model Based On Recurrent Neural Network

Siłka Jakub, Wieczorek Michał, Woźniak Marcin

Annals of Computer Science and Information Systems

|

2020

|

Vol. 21

427--430

EN

Prediction models are widely applied in several fields. In this study we present a discussion on using Recurrent Neural Network as predictor for salaries of future graduates. The model is based on feature analysis which leads to input values of the predictor. We have analyzed several compositions and ideas. As a result we have selected Recurrent Neural Network to be the most accurate. Presented results confirm this selection and show high precision.

4

Modelowanie neuronowe procesów technicznych z zastosowaniem inżynierii chaosu

Przystałka P.

Modelowanie Inżynierskie

|

2013

|

T. 17, nr 48

112--123

PL

Artykuł dotyczy problemu modelowania neuronowego z zastosowaniem inżynierii chaosu. Główna część pracy poświęcona jest lokalnie rekurencyjnej globalnie jednokierunkowej sieci neuronowej zbudowanej z jednostek przetwarzających, dla których możliwe jest uzyskanie zachowania chaotycznego. Inżynieria chaosu wykorzystana jest w algorytmie ewolucyjnym w celu poprawy efektywności procesu uczącego. Problem wyboru wejść istotnych modelu rozwiązano, modyfikując metodę Z. Hellwiga. Izolinie kryterialne oraz wybrane metody wrażliwościowe zastosowano do poszukiwania optymalnej struktury sieci. W celu przedstawienia zalet i ograniczeń proponowanego podejścia przedstawiono wyniki modelowania neuronowego z wykorzystaniem danych zgromadzonych na obiekcie rzeczywistym.

EN

The paper deals with the problem of neural modeling with the use of chaos engineering. The main part of the paper is focused on a locally recurrent neural network that is composed of complex dynamic neural units for which chaotic behaviour can be obtained. Chaos engineering is incorporated into the evolutionary algorithm in order to improve the efficiency of the tuning procedure. The problem of relevant inputs selection is solved by means of the method of extended Hellwig's coefficient of integral capacity of information. Criteria isolines and some sensitive methods are used to find the suitable architecture of a network. The merits and limitations of the proposed approach is illustrated using real-world data.

5

Identyfikacja rekurencyjnych modeli neuronowych typu RBF

Ławryńczuk M.

Pomiary Automatyka Robotyka

|

2008

|

R. 12, nr 2

558--570

PL

W pracy omówiono algorytm identyfikacji (uczenia) rekurencyjnych sieci neuronowych typu RBF (ang. Radial Basis Function), które mogą być zastosowanie w modelowaniu nieliniowych procesów dynamicznych. W porównaniu z powszechnie stosowanym klasycznym algorytmem wstecznej propagacji błędów, który prowadzi do wyznaczenia modeli służących do predykcji jednokrokowej, proponowany algorytm umożliwia identyfikację predyktorów wielokrokowych. Przedstawiony algorytm wykorzystano do modelowania reaktora chemicznego.

EN

This paper details an identification (training) algorithm of RBF (Radial Basis Function) recurrent neural networks which can be used for modelling nonlinear dynamic processes. In comparison with the widely used classical backpropagation algorithm, which leads to one-step ahead predictors, the described one results in many-steps ahead predictors. The algorithm is used for modelling a chemical reactor.

6

Recurrent neural networks for non-linear system identification

Krejsa J., Dolezal R.

Zeszyty Naukowe Katedry Mechaniki Stosowanej / Politechnika Śląska

|

1999

|

z. 11

37-40

EN

The contribution shows Elman neural network used for non-linear system identification. A simple example of non-linear dynamic system is used to test the performance of networks with different number of hidden units. Results shows that higher number of hidden neurons surprisingly degrades the performance of the network both in training and generalisation abilities.

PL

W pracy przedstawiono zastosowanie neuronowej sieci Elmana do identyfikacji układu nieliniowego. Na przykładzie prostego nieliniowego układu dynamicznego zbadano osiągi sieci z różną liczbą ukrytych neuronów. Wyniki wskazują, że większe liczb)' ukrytych neuronów zmniejszają zdolności treningowe i uogólniające sieci.