Wyniki wyszukiwania - BazTech

1

Use of neural networks in risk assessment and optimization of insurance cover in innovative enterprises

Pukała R.

Ekonomia i Zarządzanie

|

2016

|

Vol. 8, no. 3

43--56

EN

The scientific objective of the paper is to present the findings of a study into the use of artificial neural networks in quantifying activity related risks of an innovative enterprise and to optimize its insurance cover in order to minimize the probable financial losses whenever they materialize. The Kohonen network involving the activation of 51 input variables was applied in the study. The outcomes of the stimulation for the given set of variables made it possible to determine the probability of a threat occurring in the classes. The results of the analysis were used to prepare an optimal insurance cover for the activities of the innovative company. The research findings are suitable for use in risk theory as well as in issues relating to entrepreneurship and insurance. The analytical device employed can also be put to practical use as a support tool in corporate risk management.

2

Application of multidimensional data visualization by means of self-organizing Kohonen maps to evaluate classification possibilities of various coal types

Jamróz D., Niedoba T.

Archives of Mining Sciences

|

2015

|

Vol. 60, no. 1

39--50

EN

Multidimensional data visualization methods are a modern tool allowing to classify some analysed objects. In the case of grained materials e.g. coal, many characteristics have an influence on the material quality. The paper presents the possibility of applying visualization techniques for coal type identification and determination of significant differences between various types of coal. To achieve this purpose, the method of Kohonen maps was applied by means of which three types of coal – 31, 34.2 and 35 (according to Polish classification of coal types) were investigated. It was stated that the applied methodology allows to identify certain coal types efficiently and can be used as a qualitative criterion for grained materials.

PL

Metody wizualizacji wielowymiarowych danych są nowoczesnym narzędziem umożliwiającym klasyfikację analizowanych obiektów, którymi mogą być różnego typu dane opisujące wybrane zjawisko lub materiał. W przypadku materiałów uziarnionych, jakim jest np. węgiel, wiele cech ma wpływ na jakość materiału, tj. np. gęstość, wielkość ziaren, ciepło spalania, zawartość popiołu, zawartość siarki itp. Na potrzeby artykułu przeprowadzono rozdział węgli z trzech wybranych kopalni węgla kamiennego, zlokalizowanych w Górnośląskim Okręgu Przemysłowym. Każda z tych kopalni pracuje na innego typu węglu. W tym przypadku były to węgle o typach 31, 34.2 oraz 35 (według polskiej klasyfikacji typów węgla). Najpierw, materiał został podzielony na klasy ziarnowe a następnie za pomocą rozdziale w cieczy ciężkiej (roztwór chlorku cynku) na frakcje gęstościowe. Dla tak przygotowanego materiału przeprowadzono następnie analizy chemiczne mające na celu określenie takich parametrów, jak zawartość siarki, zawartość popiołu, zawartość części lotnych, ciepło spalania oraz wilgotność analityczną. W ten sposób, dla każdej klaso-frakcji uzyskano bogate charakterystyki badanego materiału. Nasuwa się więc pytanie, czy możliwa jest identyfikacja typu węgla za pomocą dostępnych danych. W tym celu zastosowano wielowymiarową technikę wizualizacji statystycznej. Istnieje wiele metod takiej wizualizacji, z których kilka było już przedmiotem wcześniejszych publikacji autorów. W tym wypadku autorzy zdecydowali się zastosować metodę sieci Kohonena. Metoda ta została opisana w rozdziale 2 pracy, gdzie oprócz opisu teoretycznego podano również główne wzory stosowane podczas modelowania tą metodą (wzory (1)-(5)). Do zbadania postawionego problemu wykorzystano optymalną liczbę iteracji i optymalny czas uczenia sieci. Pewnym problemem pojawiającym się przy takiej wizualizacji jest konieczność doboru parametrów, w celu uzyskania widoku, który w sposób czytelny prezentuje poszukiwane przez nas informacje. Należy wspomnieć, że w trakcie prowadzonych eksperymentów uzyskiwano widoki przy użyciu sieci neuronowej o wielkości od 10 × 10 do 100 × 100 neuronów. Widoki były uzyskiwane przy wartości parametru MAX_DISTANCE od 1 do wielkości sieci oraz parametru ITER od 1 do 5000. Eksperymenty były prowadzone dla różnych wzorów określających modyfikację wag. Przedstawione w pracy wyniki stanowią najbardziej czytelne z uzyskanych. Wizualizacja wielowymiarowa przy użyciu sieci Kohonena pozwala stwierdzić, że informacje zawarte w analizowanych siedmiowymiarowych danych są wystarczające do prawidłowej klasyfikacji typów węgla 31, 34.2 oraz 35, przy czym nawet zobrazowanie 3 typów węgla na jednym rysunku pozwala stwierdzić, że neurony reprezentujące próbki węgla danego typu gromadzą się w skupiskach, które można od siebie odseparować. Z tego wynika, że dane zawierają informacje wystarczające do prawidłowej klasyfikacji węgla. Zauważyć jednak warto, że przedstawienie przy pomocy sieci Kohonena, danych reprezentujących różne typy węgla parami, pozwala uzyskać jeszcze bardziej czytelne wyniki. Najlepsze efekty osiągnięto dla sieci o 40 wierszach oraz 40 kolumnach neuronów, co łącznie dało liczbę 1600 neuronów, zaś czytelność wyników rośnie wraz z postępem uczenia sieci neuronowej (wzrostem parametru ITER). Przeprowadzone doświadczenia w pełni potwierdzają, że zastosowana metoda może być z powodzeniem wykorzystana w badaniach jakościowych związanych z różnego typu materiałami uziarnionymi, w tym również węglem. Badania w tym zakresie są kontynuowane.

3

Rozpoznawanie wzorców emisji spalin w pomiarach PEMS za pomocą sieci Kohonena (SOM)

Merkisz J., Barczak A., Pielecha J.

Logistyka

|

2012

|

nr 4

PL

Rozwój technik pomiarowych PEMS sprzyja badaniom ekologiczności pojazdów w rzeczywistych warunkach pracy. Interpretacja wyników pomiarów, na przykład emisji zanieczyszczeń, reprezentowanych bardzo licznymi zbiorami różnorodnych danych wymaga przeprowadzenia złożonych analiz numerycznych. Wyrafinowane metody statystyczne są skuteczne, lecz interpretacja wyników wymaga udziału eksperta o bardzo specjalistycznej wiedzy. Stosowanie metod data mining stwarza szerokie perspektywy i zwiększa zdecydowanie możliwości w zakresie analizy i interpretacji wyników eksperymentu. W artykule przeprowadzono badania transformacji wielolicznego zestawu uczącego uzyskanego z pomiarów do mało licznego zestawu neuronów sieci Kohonena. Dla wyuczonej sieci Kohonena przeprowadzono badania dotyczące rozpoznawania zadanych wzorców stanu pojazdu pomierzonych w trakcie eksperymentu drogowego.

EN

The improvement of PEMS enables better estimation of ecological quality of vehicles. However, interpretation of divers sort of data, e.g. exhaust emissions, gathered during on road testing requires complex numerical analyses. Advanced statistical analyses have already proven their applicability in this domain but the interpretation of the results requires the participation of experts with extended knowledge. The usage of the data mining methods brings the perspective in the ease of interpretation of obtained results. In this article, the Self-Organizing Maps were used to transform the multiplicity of data gathered during the on road experiment into the reduced set of representative data. Trained SOM was tested in the recognition of the vehicle states measured during the on road experiment.

4

Zastosowanie sieci Kohonena i wykresu rozrzutu do identyfikacji grup miodów według ich cech elektrycznych

Łuczycka D., Pruski K.

Inżynieria Rolnicza

|

2012

|

R. 16, nr 2, t. 2

169-175

PL

Celem pracy jest wykonanie analiz symulacyjnych bazujących na sieci Kohonena i skalowaniu wielowymiarowym, oraz możliwość zastosowania tych technik do identyfikacji grup miodów odmianowych pod względem cech elektrycznych. Przebadano przenikalność elektryczną, współczynnik strat dielektrycznych oraz przewodność szesnastu gatunków miodów (spadziowe i nektarowe). W wyniku przeprowadzonych analiz stwierdzono, że sieci Kohonena oraz skalowanie wielowymiarowe są dobrymi narzędziami do określania liczności i składu gatunkowego grup miodów odmianowych. Właściwą architekturą sieci Kohonena tworzącą poprawną mapę topologiczną, dla analizowanych cech miodu, jest mapa zbudowana z 9 neuronów wyjściowych o wymiarach 3x3.

EN

The purpose of the work is to carry out simulation analysis which are based on Kohonen map and multidimensional scaling and the possibility of application of these technologies for identification of cultivar honey groups in relation to their electric properties. Electric conductivity, coefficient of dielectric losses and conductivity of 16 cultivars of honey (honeydew and nectar honey) were researched. As a result of the analysis which was carried out, it was determined that Kohonen map and multidimensional scaling are good devices for determining the number and species composition of cultivar honey groups. A map formed of 9 output neurons of 3x3 dimensions is the proper architecture of Kohonen map which forms a correct topology map for the analysed properties of honey.

5

Ocena rentowności spółek dystrybucyjnych z wykorzystaniem sztucznych sieci neuronowych

Halicka K.

Rynek Energii

|

2011

|

nr 1

54-59

PL

Sztuczne sieci neuronowe (SSN) należące do technik obliczeniowych sztucznej inteligencji, ze względu na swoje własności obliczeniowe znajdują szerokie zastosowania w takich dziedzinach jak ekonomia, zarządzanie czy elektroenergetyka. W elektroenergetyce od kilkunastu lat wspomagają one między innymi działania związane ze sterowaniem pracą sytemu elektroenergetycznego, analizą zakłóceń, diagnostyką, czy też planowaniem i prognozowaniem [1, 4, 9]. Celem niniejszego artykułu jest przedstawienie zastosowania SSN - sieci Kohonena do badania wyniku finansowego przedsiębiorstw sektora elektroenergetycznego. Na podstawie informacji pochodzących ze sprawozdań finansowych spółek dystrybucyjnych obliczono podstawowe wskaźniki rentowności. Następnie, wykorzystując sieci Kohonena, wyodrębniono podobne do siebie pod względem rentowności przedsiębiorstwa i połączono je w grupy. Zdaniem autorki, w warunkach krajowych, podjęta problematyka ma charakter innowacyjny, a jej opracowanie może przyczynić się do zwiększenia efektywności ekonomicznej spółek dystrybucyjnych.

EN

Artificial neural networks (ANN), as an artificial intelligence calculating technique, thanks to its calculating features, are commonly used in economy, management or electroenergetics. In electroenergetics since years they support for instance activities connected with electrenergetic system of steering, disturbance analysis, diagnostics, planning or forecasting [1, 5, 9]. The aim of the paper is to present the application of ANN - Kohonen networks to examine the financial results of electroenergetic enterprises. On the basis of information from the financial reports of distribution corporations, basic coefficients of profitability were calculated. Next, with the usage of Kohonen networks, corporations similar in terms of profitability were isolated and subsequently they were divided into groups. In the author's opinion, in Polish conditions, the issues addressed in the paper are innovative and their elaboration can contribute to the increase of economic effectiveness in distribution corporations.

6

An influence of current-leakage in analog memory on training Kohonen neural network implemented on silicon

Długosz R., Talaśka T., Wojtyna R.

Przegląd Elektrotechniczny

|

2010

|

R. 86, nr 11a

146-150

EN

The paper presents how the current leakage encountered in capacitive analog memories affects the learning process of hardware implemented Kohonen neural networks (KNN). MOS transistor leakage currents, which strongly depend on temperature, increase the network quantization error. This effect can be minimized in several ways discussed in the paper. One of them relies on increasing holding time of the memory. The presented results include simulations in Matlab and HSpice environments, as well as measurements of a prototyped KNN realized in a 0.18žm CMOS process.

PL

W pracy pokazano jak prąd upływu występujący w analogowych komórkach pamięci wpływa na proces uczenia w sprzętowych realizacjach sieci neuronowych Kohonena (KNN). Prądy upływu w tranzystorze MOS, które mocno zależą od temperatury, zwiększają błąd kwantyzacji sieci. Efekt ten może być minimalizowany na różne sposoby, omówione w pracy. Jeden z nich polega na wydłużeniu czasu przechowywania informacji w komórkach pamięci. Przedstawione wyniki zawierają symulacje w środowiskach Matlab i Hspice, a także badania laboratoryjne prototypu sieci KNN, wykonanego w technologii CMOS 0.18žm.

7

Wykorzystanie sieci Kohonena do selekcji podobrazów na potrzeby dopasowania zdjęć lotniczych

Czechowicz A., Mikrut Z.

Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

|

2007

|

T. 11, z. 3

329-343

PL

Automatyzacja procesu wyznaczania elementów orientacji wzajemnej zdjęć lotniczych jest jednym z kluczowych zadań w fotogrametrii. Artykuł przedstawia zastosowanie reprezentacji obrazu opartej na informacji o rozkładzie gradientu oraz sieci neuronowych Kohonena do selekcji podobrazów dla potrzeb dopasowania zdjęć lotniczych. Badania przeprowadzono, wykorzystując 904 podobrazy zdjęć lotniczych okolic Krakowa o różnym pokryciu terenu, grupując próbki w trzy kategorie: obszarów korzystnych, pośrednich i niekorzystnych pod względem wyszukiwania cech do orientacji wzajemnej. Dla każdego podobrazu pozyskano dwuwymiarowy histogram gradientu. Na jego podstawie wyznaczono reprezentację w postaci wektora wartości maksymalnych dla kierunku gradientu. Reprezentację wykorzystano do klasyfikacji obszarów siecią Kohonena. Poprawność uzyskanej klasyfikacji w stosunku do wykonanej manualnie otrzymano na poziomie 68,3%.

EN

Automatic relative orientation is one of the key problems in photogrammetric processing. This paper concerns the application of the representation based on the gradient distribution and Kohonen neural networks for the selection of sub-images for aerial photographs matching purposes. The examinations were conducted over 904 sub-images of the aerial photographs of the Krakow's surroundings with different land cover, grouped into three categories: advantageous, nondescript and disadvantageous in respect of searching features for relative orientation. The 2D histogram was acquired for every sub-image and on this basis the representation in form of the vector of maximum values for gradient direction has been determined. This representation was utilized for the classification of areas with Kohonen network. The correctness of the obtained classification, compared to manually done, achieved the Ievel of 68,3%.

8

Selekcja podobrazów dla potrzeb dopasowywania zdjęć lotniczych oparta na histogramach gradientu i sieci neuronowej

Czechowicz A., Mikrut Z.

Archiwum Fotogrametrii, Kartografii i Teledetekcji

|

2007

|

Vol. 17a

149--158

PL

Artykuł przedstawia wyniki wykorzystania sieci neuronowych do selekcji podobrazów oraz wyniki wyszukiwania wybranych obszarów na pozostałych zdjęciach z wykorzystaniem rozkładu odpowiedzi dla sieci SOM Kohonena. Zaproponowano reprezentacje fragmentu obrazu oparta na rozkładzie wartości modułu gradientu i jego kierunku. Badania przeprowadzono na dziewięciuset podobrazach zdjęć lotniczych okolic Krakowa o różnym pokryciu terenu podzielonych na trzy kategorie: obszarów korzystnych, pośrednich i niekorzystnych pod względem wyszukiwania cech do orientacji wzajemnej. Dla każdego z obrazów, w oparciu o algorytm Canny’ego, wyznaczono krawędzie. Na podstawie wartości gradientu i kierunków wykrytych krawędzi sporządzono histogram, który następnie posłużył wyznaczeniu reprezentacji podobrazu w postaci profilu kierunku. Tak przygotowana reprezentacje wykorzystano do uczenia sieci neuronowych metoda nadzorowana (backpropagation) oraz nienadzorowana (Kohonena), a następnie do klasyfikacji obszarów nauczonymi sieciami. W przypadku sieci backpropagation miara efektywności klasyfikacji był globalny współczynnik rozpoznania oraz macierz pomyłek. Dla sieci Kohonena wyznaczano współczynnik kompletności i poprawności. Wyniki zestawiono z rezultatami otrzymanymi na drodze uczenia metoda wstecznej propagacji błędów, gdzie generowane na mapie Kohonena odpowiedzi stanowiły sygnał wejściowy dla warstwy backpropagation. W dalszym etapie wytypowane obszary korzystne poszukiwano na sąsiednich obrazach. Wzmocniony funkcja preferująca wysokie wartości rozkład odpowiedzi na mapie cech siec Kohonena, uzyskany dla podobrazów korzystnych, porównywano z rozkładem dla podobrazów o tych samych wymiarach na sąsiednich zdjęciach. Za miarę podobieństwa obszarów przyjęto współczynnik korelacji dla porównywanych odpowiedzi sieci.

EN

This paper describes the application of neural networks for selection of sub-images and the result of the search for the selected areas on the remaining photographs with the utilisation of Kohonen’s SOM network responses distribution. Image fragment representation based on the gradient magnitude values distribution and its direction was proposed. The research was conducted on nine hundred sub-images, taken from aerial photographs of the Cracow’s environs with different terrain cover, divided into three categories: advantageous, intermediate and disadvantageous areas in respect of searching for the features for mutual matching. The edges were detected with Canny algorithm. Based on the gradient values and the directions of the edges, the histogram was created and used to determine the representation of the sub-image in the direction’s profile form. The prepared representation served for teaching the neural network using supervised (backpropagation) and unsupervised (Kohonen) method and later for the classification. For the backpropagation network, the classification effectiveness was measured using the global recognition coefficient and the cooccurrence matrix. For the Kohonen network, the completeness and correctness coefficients were determined. Afterwards, the two networks were put together: the responses generated on the Kohonen map constituted the input signal for the backpropagation layer. In the next step, the adjacent images were sought for the chosen areas. Response distribution on the Kohonen network feature map, amplified with the function preferring the high values, was compared with the distribution for the same size sub-images of the adjacent photographs. To measure the similarity of the subimages, the correlation coefficient to compare network’s responses was used.

9

Zastosowanie sieci Kohonena do generowania finansowych strategii

Domaradzki R., Morajda J.

Informatyka w Technologii Materiałów

|

2005

|

T. 5, Nr 1-2

45-57

PL

Wykorzystanie grupowania danych przy pomocy samoorganizujących sieci neuronowych typu Kohonena do generowania finansowych strategii decyzyjnych na giełdzie papierów wartościowych to nowatorskie podejście, które zaproponowali autorzy niniejszego artykułu. Jak pokazano, stworzony model przynosi całkiem dobre rezultaty i można przypuszczać, że wykorzystanie tych metod także na gruncie technologii materiałów przyniesie zadowalające efekty.

EN

A method of generation of initial grouping of input values vectors, using self-organizing neural network - Kohonen network as an instrument, is described in this work. This main aim of the paper is demonstration of new methodology for grouping data during producing strategies decisions, which can be further applied in the filed of materials engineering. Described approach is illustrated by example, which characterizes share market condition.

10

Algorytmy genetyczne oraz sieci Kohonena w zagadnieniach wyznaczania skupisk (klastrów) w złozonych zbiorach danych

Gorzałczany M. B., Rudziński F.

Zeszyty Naukowe Politechniki Świętokrzyskiej. Elektryka

|

2004

|

Z. 41

55-69

PL

W niniejszej pracy przedstawiono dwie metody wyznaczania skupisk (klastrów) w złożonych zbiorach danych: a) metodę wykorzystującą-bazujące na algorytmie genetycznym - rozwiązanie zadania komiwojażera, przedstawione w kolejnej pracy tych samych autorów zawartej w niniejszym Zeszycie Naukowym, oraz b) metodę wykorzystującą samoorganizującą sie siec Kohonena. Obie metody przedstawiono z wykorzystaniem przykładowego zbioru danych, a nastepnie przetestowano i porównano wykorzystując rzeczywisty złożony i wielowymiarowy zbiór danych (tzw. Zoo Database) dostępny na serwerze FTP Uniwersytetu Kalifornijskiego w Irvine (ftp.ics.uci.edu).

EN

The paper presents two methods for determining the number of clusters in complex data sets: a) a method utilizing the genetic-algorithm-based solution of the traveling Salesman problem presented in the following paper (by the same authors) included in this volume, and b) a method utilizing self-organizing Kohonen network. Both methods have been presented by means of an exemplary data set and then they have been tested and compared on the real, complex and multidimensional data set (Zoo Database) available from FTP server of the University of California at Irvine (ftp.ics.uci.edu).

11

Sieć Kohonena w kompresji obrazów radarowych

Praczyk T.

Zeszyty Naukowe Akademii Marynarki Wojennej

|

2003

|

R. 44 nr 1 (152)

115-124

PL

Obraz morskiego radaru nawigacyjnego może być podstawą perspektywicznego systemu wyznaczenia pozycji okrętu. Obrazy uzyskane z radarów nawigacyjnych zawierają zwykle ogromne ilości informacji. Wykorzystanie jej w całości w systemach pozycjonowania jest praktycznie niemożliwe. Wiąże się to z ograniczonymi możliwościami obliczeniowymi współczesnych komputerów. Konieczne staje się zatem skondensowanie występującej w każdym obrazie informacji do wielkości akceptowalnej z punktu widzenia praktycznych zastosowań. Efekt taki możemy uzyskać poprzez zastosowanie metod ekstrakcji cech z zarejestrowanych obrazów radarowych. Artykuł prezentuje jedną z metod ekstrakcji cech bazującą na możliwościach samoorganizującej sieci Kohonena.

EN

A picture obtained from a shipboard navigation radar can be a basis for future ship position fixing system. Pictures obtained from navigational radars usually contain huge amounts of information. It is practically impossible to use all of them. This is connected with limited computing capacity of contemporary computers. Thus it becomes necessary to condense information contained in each picture to the magnitude acceptable with regard to practical applications. This can be achieved by employing methods for extracting features from recorded radar pictures. The paper presents one of the feature extraction methods based on possibilities of self-organizing Kohonen net and GRNN net.