Wyniki wyszukiwania - BazTech

1

Złożoność czasowa i przestrzenna opadów ekstremalnych : ich efekty geomorfologiczne i drogi przeciwdziałania im

Starkel L.

Landform Analysis

|

2011

|

Vol. 15

65-80

PL

W ocenie geomorfologicznych efektów ekstremalnych opadów istotne są zarówno złożoność czasowa, jak i rozkład przestrzenny opadów i obiegu wody. Trzy podstawowe typy opadów ekstremalnych: krótkotrwałe ulewy, opady rozlewne i pory opadowe różnią się nie tylko czasem trwania i wysokością, ale szczególnie natężeniem. Poznanie tych parametrów i ich związku z cechami podłoża (przepuszczalność, tempo infiltracji i retencji gruntowej) pozwala na wyznaczenie wartości progowych procesów erozyjnych i grawitacyjnych. Znajomość wysokości opadów dobowych i litologii głębszego podłoża jest niewystarczająca. Równie istotne jest określenie zasięgu przestrzennego ekstremalnego opadu, co przy braku gęstej sieci stacji możliwe jest poprzez rejestrację naziemną skutków ulewy. Autor ilustruje powyższe zagadnienia przykładami z ostatnich kilkunastu lat. Przeciwdziałanie skutkom ulew i powodzi zależy od wielu zmiennych i wymaga stosowania różnych środków. Na zakończenie autor proponuje wydzielenie kilku typów wezbrań, które może być użyteczne przy wyznaczaniu kierunków przeciwdziałania i przy prognozowaniu.

EN

In the evaluation of geomorphic effects of extreme rainfalls equally important are their temporal diversity and spatial distribution of rainfall and water circulation. Three main types of extreme rainfalls (heavy downpours, continuous rains and rainy seasons differ not only in the duration and totals but especially in their intensity. The recognition of these parameters and their relation to features of substratum (permeability, infiltration rate, groundwater storage) help to calculate the thresholds for erosional and gravitational processes. The recognition of only daily rainfall and lithology of deeper substratum is not enough. The equally important is the delimitation of spatial extend of extreme rainfall, what in case of very sparsly distributed raingauge network is possible to reconstruct by a ground survey of geomorphic effects. These questions are examplied by events from last decades. The counteraction to the effects of heavy rains and floods depend on various parameters and different measures may be undertaken. In closing chapter the author propose typology of floods which may have practical value in counteractions and forecasting.

2

A new space-saving bayesian tree construction : method for high dimensional spaces

Kłopotek M.

Prace Instytutu Podstaw Informatyki Polskiej Akademii Nauk

|

2001

|

Nr 925

1-8

EN

Bayesian networks have many practical applications due to their capability to represent joint probability distribution in many variables in a compact way. There exist efficient reasoning methods for Bayesian networks. Many algorithms for learning Bayesian networks from empirical data have been developed. A well-known problem with Bayesian networks is the practical limitation for the number of variables for which a Bayesian network can be learned in reasonable time. A remarkable exception here is the Chow/Liu algorithm learning tree-like Bayesian networks. However, also this algorithm has an important limitation, related to space consumption. The space required is quadratic in the number of variables. The paper presents a novel algorithm overcoming this limitation for the tree-like class of Bayesian networks. The new algorithm space consumption grows linearly with the number of variables while the execution time is comparable with the Chow/Liu algorithm. This opens new perspectives in construction of Bayesian networks from data containing thousands and more variables, e.g. in automatic text categorization.

PL

Sieci bayesowskie mają wiele praktycznych zastosowań związanych z ich zdolnością do zwartej reprezentacji rozkładów prawdopodobieństwa w wielu zmiennych. Istnieją efektywne metody wnioskowania w sieciach bayesowskich. Opracowano wiele algorytmów uczenia sieci z danych. Znanym problemem sieci bayesowskich są ograniczenia co do ilości zmiennych, dla których algorytmy uczące działają w rozsądnym czasie. Wyjątkiem jest tu algorytm Chow/Liu generujący drzewiaste sieci bayesowskie. Niestety poważnym ograniczeniem dla wielu nowych zastosowań jest tu wymagana pamięć, która rośnie z kwadratem liczby zmiennych. W pracy przedstawiony jest nowy algorytm uczenia sieci drzewiastych z danych, który ma liniowe zużycie pamięci, a jednocześnie czas jego wykonania jest porównywalny z algorytmem Chow/Liu. Stwarza to nowe perspektywy zastosowań w sytuacjach gdy trzeba tworzyć sieci liczące tysiące i więcej węzłów, np. automatycznej kategoryzacji tekstów.

3

A new Bayesian tree construction : method with decreased time complexity

Kłopotek M.

Prace Instytutu Podstaw Informatyki Polskiej Akademii Nauk

|

2001

|

Nr 927

1-11

EN

Bayesian networks have many practical applications due to their capability to represent joint probability distribution in many variables in a compact way. There exist efficient reasoning methods for Bayesian networks. Many algorithms for learning Bayesian networks from empirical data have been developed. A well-known problem with Bayesian networks is the practical limitation for the number of variables for which a Bayesian network can be learned in reasonable time. A remarkable exception here is the Chow/Liu algorithm learning tree-like Bayesian networks. However, its quadratic time and space complexity in the number of variables may prove also prohibitive for high dimensional data. The paper presents a novel algorithm overcoming this limitation for the tree-like class of Bayesian networks. The new algorithm space consumption grows linearly with the number of variables n while the execution time is proportional to n ln (n), hence both are better than those of Chow/Liu algorithm. This opens new perspectives in construction of Bayesian networks from data containing tens of thousands and more variables, e.g. in automatic text categorization.

PL

Sieci bayesowskie mają wiele praktycznych zastosowań związanych z ich zdolnością do zwartej reprezentacji rozkładów prawdopodobieństwa w wielu zmiennych. Istnieją efektywne metody wnioskowania w sieciach bayesowskich. Opracowano wiele algorytmów uczenia sieci z danych. Znanym problemem sieci bayesowskich są ograniczenia co do ilości zmiennych, dla których algorytmy uczące działają w rozsądnym czasie. Wyjątkiem jest tu algorytm Chow/Liu generujący drzewiaste sieci bayesowskie. Niestety, jego kwadratowa złożonośc obliczeniowa w liczbie zmiennych jest poważnym ograniczeniem dla wielu nowych zastosowań wielowymiarowych. W pracy przedstawiony jest nowy algorytm uczenia sieci drzewiastych z danych, który ma liniowe zużycie pamięci, a jednocześnie czas jego wykonania jest proporcjonalny do n ln(n). Zarówno złożoność czasowa jak i przestrzenna przewyższa parametry algorytmu Chow/Liu. Stwarza to nowe perspektywy zastosowań w sytuacjach, gdy trzeba tworzyć sieci liczące dziesiątki tysięcy i więcej węzłów, np. automatycznej kategoryzacji tekstów.