Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: transformacja PCA

Sortuj według:

Ogranicz wyniki do:

Zastosowanie sieci neuronowych i metody komponentów głównych PCA do kompresji wyników przemieszczeń obiektów budowlanych

Mrówczyńska Maria

Materiały Budowlane

2022

nr 11

16--18

W artykule zaproponowano wykorzystanie metody transformacji PCA (Principal Component Analysis), realizowanej z wykorzystaniem sieci neuronowej do kompresji wielowymiarowych danych, uzyskanych w wyniku prowadzonych pomiarów geodezyjnych. Jako przykład możliwości zastosowania prezentowanego podejścia wykorzystano wyniki pomiarów przemieszczeń pionowych obiektu budowlanego. Testy oceny skuteczności zaproponowanego podejścia wykonano z wykorzystaniem współczynnika korelacji oraz błędu średniokwadratowego, który nie przekroczył dwukrotności błędu średniego pomiaru. Wyniki analiz numerycznych porównano z wartościami przemieszczeń pionowych punktów sieci pomiarowo-kontrolnej, uzyskanymi z rzeczywistych pomiarów. Wyniki sugerują, że podejście może znaleźć zastosowanie do kompresji, a następnie rekonstrukcji danych z monitoringu geodezyjnego bez zmniejszenia dokładności identyfikacji przemieszczeń.

The article proposes using the PCA (Principal Component Analysis) transformation method carried out using a neural network to compress multidimensional data obtained from geodetic measurements. As an example of the possibility of using the presented approach, the results of measurements of vertical displacements of a construction object were used. Tests to assess the effectiveness of the proposed method were performed using a correlation coefficient and a mean-square error that did not exceed twice the error of the average measurement. The results of numerical analyses were compared with the values of vertical displacements of the measuring and control network points obtained from actual measurements. The results suggest that the approach can be applied to the compression and subsequent reconstruction of geodetic monitoring data without compromising the accuracy of displacement identification.

Analysis of principal components used for modelling changes in glacitectonically disturbed areas

Mrówczyńska M.

Journal of Water and Land Development

2018

no. 39

119--123

Determination of vertical displacements of engineering objects is closely related to geodesic monitoring. Its purpose is to record the dynamics of changes in the deformation phenomenon. Geodesic monitoring requires the use of appropriate measurement equipment and appropriate methods for processing observation results, which make it possible to determine the correlation between the causes and effects of deformations in engineering objects. Progress in information technology resulted in the appearance of new methods for processing and compressing experimental data which are resistant to noise or interference and enable reduction of the amount of information. The paper presents a method for statistical analysis of multidimensional data based on PCA (principal component analysis) transformation, implemented with the use of a neural network. PCA transformation, related to the Karhunen–Loeve transformation, is used for processing signals regarded as stochastic processes. This method makes enables reduction of the input data space on the basis of independent principal components with due attention to their significance. It also makes it possible to model changes occurring in both buildings and terrain in glacitectonically disturbed areas.

Wyznaczenie przemieszczeń pionowych obiektów inżynierskich jest ściśle związane z monitoringiem geodezyjnym, mającym za zadanie zarejestrowanie dynamiki zmian zjawiska deformacji. Monitoring geodezyjny wymaga zastosowania odpowiedniego sprzętu pomiarowego oraz odpowiednich metod przetwarzania wyników obserwacji, umożliwiających określenie związku między skutkami a przyczynami deformacji badanego obiektu. Wraz z rozwojem technologii informacyjnej zaczęto przetwarzać dane eksperymentalne w sposób odporny na szumy i zakłócenia oraz stosować kompresję danych, pozwalającą na zmniejszenie ilości informacji. W pracy przedstawiono metodę analizy statystycznej wielowymiarowych danych za pomocą transformacji metodą analizy głównych składowych (PCA – principal component analysis), realizowanej z wykorzystaniem sieci neuronowej. Transformacja PCA, związana z transformacją Karhunena–Loevego, znajduje zastosowanie w przetwarzaniu sygnałów traktowanych jako procesy stochastyczne. Omawiana w pracy metoda umożliwia zmniejszenie przestrzeni danych wejściowych na podstawie wyznaczonych niezależnych składników głównych z uwzględnieniem ich znaczenia oraz modelowanie zmian na terenach zaburzonych glacitektonicznie, zarówno w odniesieniu do obiektów budowlanych, jak i samego terenu.