Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Przegląd Elektrotechniczny

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: wykrywanie wilgoci

Sortuj według:

Ogranicz wyniki do:

Comparison of CNN and LSTM algorithms for solving the EIT inverse problem

Kłosowski Grzegorz, Maj Michał, Oleszek Michał

Przegląd Elektrotechniczny

2023

R. 99, nr 1

230--233

This article presents comparative research to verify the suitability of selected machine learning methods for the problem of solving the inverse problem in electrical impedance tomography. The research involved the use of a tomograph to image areas of moisture inside the walls. The measurement data collected by the tomograph was transformed into 3D spatial images using two types of artificial neural networks - convolutional neural network (CNN) and recurrent long short-term memory network (LSTM).

W tym artykule przedstawiono badania porównawcze w celu weryfikacji przydatności wybranych metod uczenia maszynowego do zagadnienia polegającego na rozwiązaniu problemu odwrotnego w elektrycznej tomografii impedancyjnej. Badania polegały na wykorzystaniu tomografu do obrazowania obszarów zawilgocenia wewnątrz murów. Zgromadzone za pomocą tomografu dane pomiarowe zostały przekształcone na obrazy przestrzenne 3D za pomocą dwóch rodzajów sztucznych sieci neuronowych – konwolucyjne sieci neuronowej (CNN) oraz sieci rekurencyjnej typu long short-term memory (LSTM).

Tuning machine learning hyperparameters in electrical tomography of masonry walls

Rymarczyk Tomasz, Kłosowski Grzegorz, Rymarczyk Paweł, Sikora Jan, Adamkiewicz Przemysław, Oleszek Michał

Przegląd Elektrotechniczny

2022

R. 98, nr 3

102--105

The article presents a proposal for the final optimisation of the parameters of machine learning models in tomographic applications. In the case under consideration, electrical impedance tomography (EIT) was used to illustrate the distribution of moisture inside the walls of buildings. The mentioned topic focuses on optimising hyperparameters of machine learning models to optimise the efficiency of capturing accurate tomographic pictures. In the EIT, machine learning models are used to transform input measurements into output images. It is called an inverse or ill-posed problem that is difficult to solve due to insufficient arguments. In machine learning, the correct selection of model hyperparameters plays a key role. Therefore, the optimisation of these hyperparameters has a direct impact on the quality of the reconstruction. This article presents examples of hyperparameter optimisation for regression models and classification models based on the example of the k-nearest neighbours. The above methods were used in the electrical tomography system, intended to monitor and visualise the distribution of moisture inside the walls of buildings and structures. The results acquired during the research confirmed the high quality of the proposed methods.

W artykule przedstawiono propozycję optymalizacji (dostrajania) parametrów modeli uczenia maszynowego w aplikacjach tomograficznych. W omawianym przypadku do zobrazowania rozkładu wilgoci wewnątrz ścian budynków wykorzystano elektryczną tomografię impedancyjną (EIT). Wspomniany temat koncentruje się na optymalizacji hiperparametrów modeli uczenia maszynowego w celu optymalizacji generowania obrazów tomograficznych o wysokiej jakości. W EIT modele uczenia maszynowego są wykorzystywane do przekształcania pomiarów wejściowych w obrazy wyjściowe. Ma to związek z tzw. problemem odwrotnym lub źle postawionym, który jest trudny do rozwiązania z powodu niewystarczającej liczby argumentów. W uczeniu maszynowym kluczową rolę odgrywa prawidłowy dobór hiperparametrów modelu. Dlatego optymalizacja tych hiperparametrów ma bezpośredni wpływ na jakość rekonstrukcji. W artykule przedstawiono przykłady optymalizacji hiperparametrów dla modeli regresyjnych, a także dla modeli klasyfikacyjnych na przykładzie metody k-najbliższych sąsiadów. Powyższe metody zostały zastosowane w systemie tomografii elektrycznej, przeznaczonym do monitorowania i wizualizacji rozkładu wilgoci wewnątrz ścian budynków i budowli. Uzyskane w trakcie badań wyniki potwierdziły wysoką jakość proponowanych metod.