Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Informatyka w Technologii Materiałów

1 2001

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: statystyczne wskaźniki wyższych rzędów

Sortuj według:

Ogranicz wyniki do:

Klasyfikacja mikrostruktur materiałów z zastosowaniem statystycznych wskaźników wyższych rzędów oraz sztucznej sieci neuronowej Hamminga

Mikhalyov A., Mikhalyov D

Informatyka w Technologii Materiałów

2001

T. 1, Nr 2

117-122

Opisany system klasyfikacji obrazów tekstury programowo został zrealizowany w środowisku MatLab v. 5.2. Dokładność klasyfikacji równa się 90%. Czas obliczeń na PC Pentium 366 MH/ RAM 64MB to 10 minut na obliczenie macierzy cech oraz 2-3 sekundy na klasyfikację obrazu. Duża prędkość klasyfikacji związana jest z prostotą pracy sieci neuronowej Hamminga. Dla przyspieszenia pracy urządzenia wyznaczenia cech (rysunek 1) próbowano zmniejszyć macierz cech do wymiaru 64x64, jednak wraz ze zmniejszeniem czasu obliczeń półniezmienników dokładność spadła do około 70%. Do zalet opisanej metody należy zaliczyć wysoką dokładność klasyfikacji oraz krótki czas obliczeń klasyfikatora dla danej klasy PC. Jako wadę można uznać długi czas obliczeń przy wyznaczeniu cech oraz ograniczoną liczbę opracowanych klas tekstury. W przypadku wykorzystania dodatkowej 6-ej klasy, system zmuszony jest zaliczyć ją do jednej z pięciu istniejących. Ten problem związany jest z zasadą działania sieci Hamminga i może być rozwiązany tylko poprzez zasadnicze zmiany ideologii pracy klasyfikatora. Jako przykład, zamiast sieci Hamminga można zastosować paradygmat ART (adaptive resonance theory), z którym będą związane dalsze badania.

The method of classification of material microstructure accounting for texture is presented in the paper. The texture is defined as orientation of elements in three dimensions. The features of the microstructure are identified using higher order statistical analysis. The analysis is based on evaluation of semi invariants. Finally, the Hamming artificial neural network was applied for classification of microstructures. Example of application of the developed method to classification of five classes of materials is demonstrated in the paper. Application was performed using MatLab environment and 90% accuracy of classification was achieved.