Wyniki wyszukiwania - BazTech

1

Algorytmy wykrywania struktury sieci Bayesa z danych w ocenie ryzyka powstawania uszkodzeń budynków na terenach górniczych

Rusek Janusz, Chomacki Leszek, Słowik Leszek, Firek Karol

Materiały Budowlane

|

2022

|

nr 11

66--69

PL

W artykule zaprezentowano wyniki badań, które podjęto w celu utworzenia modelu do oceny ryzyka powstania uszkodzeń budynków poddanych wpływom statycznych i dynamicznych oddziaływań górniczych. Uzasadniono przyjętą metodykę na kanwie metod uczenia maszynowego (ML - Machine Learning). Omówiono specyfikę zagadnienia i na tej podstawie przedstawiono główne założenia stosowanego podejścia, a przede wszystkim metodykę pozwalającą na samoistne wyłanianie struktury sieci Bayesa z danych (BSL - Bayesian Structure Learning). Zaprezentowano rezultaty otrzymane w ramach badań w odniesieniu do wielokondygnacyjnych budynków prefabrykowanych oraz murowanych zlokalizowanych na terenie LGOM oraz GZW. W artykule wskazano również możliwość uniwersalnego stosowania przyjętej metodyki w przypadku predykcji ryzyka powstania uszkodzeń i diagnozowania przyczyn zaistniałych szkód.

EN

The article presents the results of research that was undertaken to create a model to assess the damage risk of buildings subjected to static and dynamic mining impacts. The justification of the adopted methodology on the basis of machine learning (ML) methods is given. The specificity of the problem was discussed and, on this basis, the main assumptions of the applied approach were presented, especially the methodology allowing for autonomous extraction of the Bayesian network structure from data (BSL - Bayesian Structure Learning). The results obtained in the research were presented in relation to multi-storey prefabricated and masonry buildings located in LGDC and USB mining terrain. The paper also indicates the possibility of universal application of the adopted methodology in the case of damage risk prediction and diagnosis of the causes of damage.

2

Empirical Evaluation of Methods of Filling the Missing Data in Learning Probabilistic Models

Falkowski A. A., Łupińska-Dubicka A.

Advances in Computer Science Research

|

2018

|

Nr 14

55--67

EN

Missing data is a common problem in statistical analysis and most practical databases contain missing values of some of their attributes. Missing data can appear for many reasons. However, regardless of the reason for the missing values, even a small percent of missing data can cause serious problems with analysis reducing the statistical power of a study and leading to draw wrong conclusions. In this paper the results of handling missing observations in learning probabilistic models were presented. Two data sets taken from UCI Machine Learning Repository were used to learn the quantitative part of the Bayesian networks. To provide the opportunity to compare selected data sets did not contain any missing values. For each model data sets with variety of levels of missing values were artificially generated. The main goal of this paper was to examine whether omitting observations has an influence on model’s reliability. The accuracy was defined as the percentage of correctly classified records and has been compared to the results obtained in the data set not containing missing values.

PL

Brakujące dane są częstym problemem w analizie statystycznej, a większość baz danych zawiera brakujące wartości niektórych z ich atrybutów. Brakujące dane mogą pojawiać się z wielu powodów. Jednak bez względu na przyczynę brakujących wartości nawet ich niewielki procent może spowodować poważne problemy z analizą, zmniejszając siłę statystyczną badania i prowadząc do wyciągnięcia błędnych wniosków. W artykule przedstawiono wyniki uzupełniania danych brakujących w uczeniu modeli probabilistycznych. Dwa zestawy danych pobrane z repozytorium uczenia maszynowego UCI posłużyły do wytrenowania ilościowej części sieci bayesowskich. Aby zapewnić możliwość porównania wybrane zbiory danych nie zawierały żadnych brakujących wartości. Dla każdego modelu zbiory danych z różnymi poziomami brakujących wartości zostały sztucznie wygenerowane. Głównym celem tego artykułu było zbadanie, czy braki w obserwacjach mają wpływ na niezawodność modelu. Dokładność została zdefiniowana jako procent poprawnie zaklasyfikowanych rekordów i została porównana z wynikami uzyskanymi w zbiorze danych niezawierającym brakujących wartości.

3

Empirical Comparison of Methods of Data Discretization in Learning Probabilistic Models

Wójciak M., Łupińska-Dubicka A.

Advances in Computer Science Research

|

2018

|

Nr 14

177--192

EN

Very often statistical method or machine learning algorithms can handle discrete attributes only. And that is why discretization of numerical data is an important part of the pre–processing. This paper presents the results of the problem of data discretization in learning quantitative part of probabilistic models. Four data sets taken from UCI Machine Learning Repository were used to learn the quantitative part of the Bayesian networks. The continuous variables were discretized using two supervised and two unsupervised discretization methods. The main goal of this paper was to study whether method of data discretization in given data set has an influence on model’s reliability. The accuracy was defined as the percentage of correctly classified records.

XX

Bardzo często algorytmy uczenia maszynowego nie są przystosowane do korzystania ze zmiennych ciągłych. Z tego powodu dyskretyzacja danych jest istotną częścią wstępnego przetwarzania. W artykule przedstawiono wyniki prac nad problemem dyskretyzacji danych w uczeniu modeli probabilistycznych. Cztery zestawy danych pobrane z repozytorium uczenia maszynowego UCI zostały wykorzystane do nauczenia parametrów ilościowej części sieci bayesowskich. Występujące w wybranych zbiorach zmienne ciągłe były dyskretyzowane przy użyciu dwóch metod nadzorowanych i dwóch nienadzorowanych. Głównym celem tego artykułu było zbadanie, czy metoda dyskretyzacji danych w danym zbiorze ma wpływ na niezawodność modelu. Dokładność metod była definiowana jako odsetek poprawnie sklasyfikowanych rekordów.

4

Sieć Bayesowska jako narzędzie wspierające proces zarządzania ryzykiem powodziowym na przykładzie ochrony dziedzictwa kulturowego

Kuźmiński Ł.

Ekonomia i Środowisko

|

2016

|

nr 2

83--94

PL

Celem niniejszej publikacji jest modyfikacja i dostosowanie Bayesowskiej sieci przyczynowej na potrzeby opisu struktury i szacowania ryzyka zagrożenia powodziowego dla struktur dziedzictwa kulturowego. Zmodyfikowana Bayesowska sieć ma stanowić uzupełnienie i wsparcie planów zarządzaniem ryzykiem powodziowym, o których stanowi Dyrektywa Powodziowa.

EN

The article is dedicated to the subject of the support of the process of flood danger management. The main aim of this study is a presentation of the Bayesian network as a tool for supporting the process of flood risk management. To present how the Bayesian network works the example of the risk assessment for cultural heritage was analysed. In the initial part of this research paper, the following issues are presented: flood, flood risk, risk flood management and financing the fight with the effects of a natural disasters. The second part is dedicated to the presentation of Bayesian network for the assessment of the flood risk for the cultural heritage with the detailed description of its nodes.

5

Application of the Bayesian network to identify the correlations in the circumstances of the road accidents for selected streets in Katowice

Król A.

Logistyka

|

2014

|

nr 4

2947--2957

EN

Traffic incidents are events of a low probability of the occurrence, and their occurrence is generally dependent on the weave of many circumstances. Not all cause-effect relationships are or can be clearly defined, so that the research requires the use of the appropriate tools. The paper describes the use of the bayesian network. A model of the relationships between all known circumstances and immediate causes of a road accident and its consequences was built. Bayesian network enables the graphical representation of the relationship between random variables and the quantitative inference at a certain state of knowledge. The data contained in the SEWIK database were used to analyze of the incidence of the road incidents for selected streets in Katowice. The achieved results indicate a clear relationship between objective conditions and the distribution of the probability of occurrence of the road accident in various parts of the road network of the city. Such information can be the basis to undertake the specific preventive actions.

PL

Zdarzenia drogowe są zdarzeniami o małym prawdopodobieństwie zaistnienia, a ich wystąpienie jest z reguły uzależnione od splotu wielu okoliczności. Nie wszystkie relacje przyczynowo – skutkowe są i mogą być jednoznacznie określone, zatem ich badanie wymaga zastosowania właściwych narzędzi. W pracy zastosowano sieci bayesowskie, budując model relacji pomiędzy wszystkimi znanymi okolicznościami i bezpośrednimi przyczynami zdarzenia drogowego a jego skutkami. Sieć bayesowska umożliwia graficzną reprezentację powiązań pomiędzy zmiennymi losowymi oraz ilościowe wnioskowanie przy założeniu pewnego stanu wiedzy. Wykorzystując dane zawarte w bazie SEWIK dokonano analizy częstości zdarzeń drogowych dla wybranych ulic w Katowicach. Uzyskane wyniki wskazują na istnienie wyraźnej zależności pomiędzy obiektywnymi warunkami a zróżnicowaniem prawdopodobieństwa zaistnienia zdarzenia drogowego w różnych fragmentach sieci drogowej miasta. Taka informacja może być podstawą do podjęcia określonych działań prewencyjnych.

6

Modelling a ship performance in dynamic ice. Part II, Transforming information into knowledge

Montewka J., Sinclair H.

Prace Naukowe Politechniki Warszawskiej. Transport

|

2013

|

z. 95

369--382

EN

Although ice navigation has received substantial attention over recent decades, there is still no known modelling technique to predict ship’s speed in a dynamic ice field. This paper introduces probabilistic, data-driven models that predict a ship’s speed and the situations where a ship is probable to get stuck in ice based on the joint effect of ice features, such as the thickness and concentration of level ice, ice ridges, rafted ice, and ice compression. To develop the models, the data from the Automatic Identification System about the performance of a selected ship was used, an ice forecast model was utilized to deliver information about the ice field and the links between the ice conditions and ship movements were established using Bayesian learning algorithms. The case study presented in this paper considers a single and unassisted trip of an ice-strengthened bulk carrier between two Finnish ports in the presence of challenging ice conditions, which varied in time and space. The obtained results show good prediction power of the models, which is on average 80% for predicting the ship’s speed and above 90% for predicting cases where a ship may get stuck in ice. We expect this new approach to facilitate the safe and effective route selection problem for iceinfested waters where the ship performance is reflected in the objective function.

PL

Pomimo, iż żegluga w lodach pozostaje tematem wielu opracowań naukowych, tematyka modelowania zachowania statku w dynamicznym polu lodowym, zwłaszcza w obecności zjawiska kompresji pokrywy lodowej, pozostaje wciąż kwestią otwartą. W artykule przedstawiono dwa probabilistyczne modele, pierwszy szacujący prędkość statku w polu lodowym oraz drugi określający warunki lodowe w których statek może spodziewać się całkowitej utraty prędkości (może utknąć w lodzie). Modele stworzono w oparciu o informacje uzyskane z systemu AIS dostarczającego dane o pozycji oraz położeniu statku w odstępie kilkunastu sekund, wykorzystano także szczegółowe informacje o pokrywie lodowej (stopień koncentracji oraz grubość pokrywy lodowej, zwałów lodowych, nawarstwionego lodu oraz poziom kompresji pokrywy lodowej), pochodzące z numerycznego modelu pogody HELMI, opracowanego w Finskim Instytucie Meteorologicznym. W celu określenia zależności pomiędzy zachowaniem statku a warunkami lodowymi wykorzystano Sieci Bayesa oraz dwa typy algorytmów uczenia maszynowego z danych. Uzyskane modele charakteryzuja się wysokim poziomem prognozowania, 80% dla modelu prognozującego prędkość statku oraz 90% dla modelu prognozującego sytuacje utknięcia w lodzie. Przedstawiona analiza dotyczy pojedynczego przejścia statku masowego posiadającego wysoką klasę lodową, pomiędzy dwoma portami w Finlandii. Przedstawione podejście może być wykorzystane przy rozwiązywaniu problemu wyboru trasy optymalnej w dynamicznym polu lodowym.

7

Modelling a ship performance in dynamic ice. Part I, Transforming data into information

Montewka J., Goerlandt F., Kujala P., Haapala J., Lensu M.

Prace Naukowe Politechniki Warszawskiej. Transport

|

2013

|

z. 95

359--368

EN

For safe and efficient exploitation of ice-covered waters the knowledge about ship performance in ice is crucial. Although ice navigation has received substantial attention over recent decades, there is still no known modelling technique to predict ship’s speed in a dynamic ice field. In order to gain an insight into this process, we need to transform the available data into information first. Only then information can be used to develop new knowledge. This paper demonstrates how to transform still data into dynamic information about operation of maritime transportation system in ice-covered waters. For this purpose, the data from the Automatic Identification System about the performance of a selected ship is used along with a numerical ice forecast model describing the ice field in the analysed sea area.

PL

W celu bezpiecznej oraz wydajnej eksploatacji akwenów pokrytych lodem, wiedza o zachowaniu statku w tych warunkach jest niezbędna. Pomimo, iż żegluga w lodach pozostaje tematem wielu opracowań naukowych, tematyka modelowania zachowania statku w dynamicznym polu lodowym, zwłaszcza w obecności zjawiska kompresji pokrywy lodowej, pozostaje wciąż kwestią otwartą. W artykule omówiono dostępne źródła danych, które po odpowiednim przetworzeniu dostarczą informacji, umożliwiającej lepsze zrozumienie procesu nawigacji statku w dynamicznym polu lodowym co pozwoli na modelowanie tego procesu. W artykule podkreślono zasadność przeprowadzenia procesu przekształcenia danych w informację które następnie można wykorzystać w celu uzyskania nowej wiedzy. Na przykładzie pokazano, iż nawet najdokładniejsze dane, nie dostarczą pełnej informacji, jeżeli nie zostaną odpowiednio przetworzone oraz zinterpretowane, co może prowadzić do błędnych lub niepełnych wniosków.

8

Metoda przekształcania planów reakcji na ryzyko w sieci Bayesa

Radliński Ł.

Zeszyty Naukowe. Studia Informatica / Uniwersytet Szczeciński

|

2011

|

Nr 27

71--84

PL

W niniejszym artykule została zaproponowana metoda RRP2BN do generowania sieci Bayesa na podstawie planów reakcji na ryzyko. RRP2BN wykorzystuje opracowany wcześniej szkielet przyczynowo-skutkowy, tak aby struktura wygenerowanej sieci Bayesa zawierała związki przyczynowo-skutkowe i była czytelna. Metoda ta może być przydatna dla osób, które nie mają doświadczenia w budowie sieci Bayesa, ani w korzystaniu z innych metod statystycznych czy sztucznej inteligencji. Metoda usprawnia początek procesu budowy sieci Bayesa, nie generuje jednak modeli gotowych do użycia, czyli przeprowadzania analiz i symulacji. Wygenerowane modele powinny być rozbudowane zgodnie z wiedzą eksperta dziedzinowego. Przyszłe badania poświęcone będą rozwojowi ostatniego etapu metody, generowania tabel prawdopodobieństw, w celu udostępnienia użytkownikowi większej liczby opcji i bardziej przyjaznego pozyskiwania wiedzy eksperta. Ponadto planowane jest wykorzystanie algorytmów przetwarzania języka naturalnego w drugim etapie metody do ekstrakcji danych ze zintegrowanego planu reakcji na ryzyko.

EN

Bayesian networks (BNs) have been successfully used in various fields, including software engineering and project management. One of the main obstacles preventing them from a wider use is a difficult and time-consuming process of building models. To partially solve this problem, we proposed an RRP2BN method, helping inexperienced users to start model-building process. This method generates BNs, both the structure and probability tables, from risk response plans. Resulting BN models have the most important variables and relationships defined. Then, a domain expert domain expert should adjust and extend them to make them ready to use in simulations.

9

Sieci Bayesa w rozpoznawaniu mowy

Mermon A.

Pomiary Automatyka Robotyka

|

2011

|

R. 15, nr 12

109-111

PL

Problematyka rozpoznawania mowy nie doczekała się, jak dotąd, kompleksowego rozwiązania. Współczesne efektywne systemy rozpoznawania mowy korzystają najczęściej z metod stochastycznych opartych na ukrytych modelach Markowa. Alternatywą dla nich mogą być sieci Bayesa, będące odpowiednią strukturą do formułowania modeli probabilistycznych, które cechują się jednocześnie precyzją oraz zwartością. Sieci Bayesa mogą reprezentować rozkład prawdopodobieństwa dowolnego zbioru zmiennych losowych. Mnogość dostępnych obecnie algorytmów i narzędzi obliczeniowych sprawia, że testowanie i wdrażanie nowych rozwiązań staje się mniej pracochłonne. Zalety te determinują duże możliwości wykorzystania sieci Bayesa do rozwiązywania praktycznych problemów również w zakresie rozpoznawania mowy.

EN

Speech recognition problem hasn't been fully-scaled solved till nowadays. Contemporary effective speech recognition systems mostly use stochastic methods based on Hidden Markov Models. Bayes networks can be alternative to them. BN are appropriate structures to formulate probabilistic models, which are simultaneously precise and compact. They can represent a probability distribution of arbitrary set of random variables. Variety of algorithms and computational tools which are available to use makes testing and implementing new solutions less demanding. Those advantages determine that Bayes networks have potential to be used in solving practical problems also in the area of speech recognition.

10

Surmounting Information Gaps Using Average Probability Density Function

Piegat A., Landowski M.

Pomiary Automatyka Kontrola

|

2009

|

R. 55, nr 10

793-795

EN

In many problems we come across the lack of complete data. The information gap causes that the task seems to be unsolvable. In many cases where the Bayes' networks or Bayes' rule are used, we come across the information gap which is the lack of a priori distribution. The article presents the methods of identifying the average probability density distribution when we know the range of variable and we have some quality knowledge on the distribution. The obtained average probability density distribution minimizes medium squared error. According to the authors' knowledge the average probability density distribution is the novelty in the word literature.

PL

W wielu rzeczywistych problemach często spotykamy się z brakiem danych koniecznych do ich rozwiązania. Dotyczy to zwłaszcza zadań projektowania nowych systemów technicznych, ale i też ekonomicznych, medycznych, agrarnych i innych. Istnienie luk w problemie powoduje, że zadanie wydaje się nierozwiązywalne. W takiej sytuacji, aby w ogóle rozwiązać postawiony problem konieczne jest zaangażowanie ekspertów, którzy są często w stanie podać przybliżone oszacowanie danej brakującej do rozwiązania problemu. Niestety, oszacowania eksperckie zwykle nie są precyzyjnymi liczbami, lecz przedziałami możliwych wartości zmiennej lub też probabilistycznymi rozkładami możliwej wartości brakującej zmiennej. Zatem, aby rozwiązać dany problem konieczne jest wykonywanie operacji na rozkładach gęstości prawdopodobieństwa. Jednym z narzędzi służących do tego celu jest reguła Bayesa. Jest ona np. podstawą do przetwarzania informacji w sieciach wnioskowania probabilistycznego zwanych skrótowo sieciami Bayesa. Zwykle luką informacyjną w tych sieciach jest brak rozkładu a priori zmiennej koniecznego do obliczenia rozkładu a posteriori. W takiej sytuacji, jako rozkład a priori stosowany jest zwykle rozkład równomierny reprezentujący kompletną niewiedzę dotyczącą jakościowych cech rozkładu. Jednak taką wiedzę często posiada ekspert problemu. Artykuł prezentuje metodę identyfikacji przeciętnego rozkładu gęstości prawdopodobieństwa zmiennej dla przypadku, gdy ekspert zna nie tylko zakres możliwych wartości zmiennej, ale także posiada pewną wiedzę o jakościowych cechach rozkładu. Otrzymany z użyciem wiedzy eksperta przeciętny rozkład gęstości prawdopodobieństwa zmniejsza znacznie ryzyko popełnienia katastrofalnie dużych błędów w rozwiązywaniu problemów z lukami informacyjnymi. Według wiedzy autorów koncepcja przeciętnego rozkładu gęstości prawdopodobieństwa jest nowością w literaturze światowej.

11

Application of Bayesian networks to diagnostics of hot dip galvanized coasts

Adrian A., Durak J., Mrzygłód B., Kluska-Nawarecka S.

Archives of Foundry Engineering

|

2007

|

Vol. 7, iss. 3

247-252

EN

This study presents an output of the application of a probabilistic method of inference based on Bayes' rule in the diagnosis of defects formed during hot-dip galvanising process of casting products. Bayesian cause-effect network for given group of surface defects and its causes was build. Many factors causing defects was taken into consideration like: technological parameters, technological nodes and character of cause. The advantages and drawbacks of a probabilistic method of representation of the incomplete and uncertain empirical knowledge were highlighted.

12

Analiza zastosowań systemów komputerowych wykorzystujących sieci Bayesa

Suchacka G.

Zeszyty Naukowe. Informatyka / Politechnika Opolska

|

2001

|

Vol. 282, z. 1

53-69

PL

Celem artykułu jest analiza możliwości praktycznego wykorzystania technologii opartych na sieciach Bayesa w systemach komputerowych. Przedstawiono klasy zastosowań sieci Bayesa, aplikacje będące w fazie projektu, a także przykłady komercyjnych systemów z różnych dziedzin. W ramach przykładu omówiono technologie Answer Wizard i Office Assistant, zastosowane w systemie pomocy dla użytkowników aplikacji biurowych. Przedstawiono wady i zalety sieci Bayesa w kontekście zastosowań praktycznych.

EN

The main goal of the article is to analyze possibilities of the practical use of technologies based on Bayesian Networks in the computer systems. The article presents applications of classes of Bayesian Networks, systems being actually developed and examples of commercial systems from different fields. As an example, two technologies are discussed: Answer Wizard and Office Assistant. Furthermore, advantages and disadvantages of Bayesian Networks in the context of practical use are presented.