values. However, recent results established that well-designed initialization schemes, e.g., Sparse Initialization (SI), can greatly improve the performance of networks that do not use pretraining. An interesting question arising from these results is whether such initialization techniques wouldn’t also improve pretrained networks. To shed light on this question, in this work we evaluate SI in DBNs that are used to pretrain discriminative networks. The motivation behind this research is our observation that SI has an impact on the features learned by a DBN during pretraining. Our results demonstrate that this improves network performance: when pretraining starts from sparsely initialized weight matrices, networks achieve lower classification errors after fine-tuning.

belong to the volatile organic compounds (VOC). They can be classified into the groups: aliphatic and aromatic hydrocarbons, alcohols, aldehydes, ketones, acids, esters, chlorinated hydrocarbons and sulphur and nitrogen containing compounds. Their emissions to the atmosphere cause serious environmental concerns like potential health hazards, global warming, ozone layer damage and finally unpleasant odours that are the most important nuisance to citizens living in the vicinity of communal management objects. In the recent years the growing public concern about living conditions and the state of environment has resulted in the development of new analytical approaches suitable for monitoring and examining the volatile organic compounds in the air. This article provides a review of the most frequently employed gas chromatographic methods used for determination of air pollutants emitted from communal management facilities. Gas chromatographs equipped with various types of columns and detectors (FID, PID) and coupled with mass spectrometers (GC/MS), olfactory detection port (GC/ODP) remain nowadays the most widely used and very suitable devices to investigate the presence and concentration of landfill odorants in the air [1-3]. In the article the above-mentioned methods are summarized and discussed. The sampling technique in the analysis of gases is often the crucial point of the whole procedure. The most popular techniques of sample preparation including dynamic and passive enrichment on sorbents, followed by thermal desorption or extraction, solid-phase microextraction (SPME) or the modern approaches like use of the flux chamber [4, 5] are also described. Finally, the review covers the topic of miniaturization of gas-chromatographic instruments. Micro gas chromatographs (?GC) and portable gas chromatographs provide the possibility of on-site analysis without the risk of sample contamination or destruction. They are easy to operate and work on-line, giving immediate results, which permit to monitor the level of pollution in the real time and follow the time evolution of landfill emissions [6]. In the Table 1 some examples of volatile organic compounds determination recently carried out in different places of the world are presented.

poszczególnych kierunków studiów. Kształtowaniu umiejętności ponadprzedmiotowych sprzyja stosowanie tzw. otwartych (poszukujących, problemowych) metod nauczania-uczenia się, w tym tzw. metod aktywizujących. Metody takie można z powodzeniem wykorzystywać w edukacji ekologicznej i nauczaniu chemii środowiska. W artykule przedstawiono przykłady stosowania metod aktywizujących na kierunkach: chemia i ochrona środowiska na Wydziale Chemii UJ.

teaching/learning methods arę the very useful tool to develop transferable skills. Such methods can be successfully employed in environmental education. In this article a few examples of open methods used during seminars dealing with environmental topics in chemistry studies and environmental protection studies at the Faculty of Chemistry, Jagiellonian University have been presented.

the Support Vector Machine classifier trained to discriminate between normal image occlusions and deposits of calcium in breast tissue. Initial candidates for microcalcifications, i.e. suspicious regions on a mammogram image, are selected by means of a discrete wavelet transform, image filtering and morphological operations. Once microcalcifications are detected, our algorithm assesses whether they form groups (clusters) and for each such group verifies its diagnostic significance. This verification is performed by employing another, appropriately trained, Support Vector Machine classifier. Accuracy of our system has been evaluated on the Breast Cancer Research Program (BCRP) volumes of the DDSM database. On this largest publicly available databases of mammograms our system achieved a sensitivity of 85.1% with average number of 5.0 false positive detections per image. Such an accuracy is competitive with other published results obtained on the same dataset.

skonstruowany zbiór cechy umożliwia precyzyjne rozpoznawania mikrozwapnień. Cechy statystyczne obszarów zdjęć mammografi cznych są wykorzystywane przez klasyfikator SVM (od ang. Support Vector Machine) wyuczony do rozróżniania pomiędzy normalnymi strukturami na zdjęciach, a okluzjami sugerującymi obecność mikrozwapnień. Pierwotna selekcja podejrzanych obszarów na zdjęciach mammograficznych prowadzona jest za pomocą dyskretnej transformaty falkowej, szeregu operacji fi ltrowania i morfologicznych przekształceń obrazu. Po wykryciu mikrozwapnień, algorytm ustala, czy tworzą one skupiska. Następnie każde wykryte skupisko oceniane jest pod kątem wartości diagnostycznej. Oceny tej dokonuje kolejny klasyfikator SVM. Skuteczność proponowanej metody została oszacowana na podzbiorze Breast Cancer Research Program (BCRP) bazy danych DDSM. Na tej największej publicznie dostępnej bazie danych zdjęć mammograficznych zaproponowana metoda wykazuje czułość na poziomie 85.1% przy średniej liczbie 5.0 wskazań fałszywie dodatnich na jedno zdjęcie. Wynik ten jest konkurencyjny w stosunku do innych opublikowanych rezultatów uzyskanych dla tego samego zbioru zdjęć mammograficznych.

komputerowymi metodami wspomagania diagnozy nowotworów piersi. Prowadzone przez nas prace skupiają się na dwóch podejściach do wykrywania znaczników raka piersi w mammogramach. Pierwsze podejście opiera się na stworzeniu filtru wrażliwego na mikrozwapnienia, a następnie konstrukcji metody łączenia ich w skupiska niosące informację diagnostyczną. Następnie obraz poddawany jest wyostrzaniu z użyciem transformaty falkowej. Tak przetworzone zdjęcia zostały przeanalizowane przez czterech doświadczonych radiologów. Analiza wykazała użyteczność systemu dla pewnych typów piersi oraz rodzajów skupisk mikrozwapnień. Alternatywą dla zarysowanego wyżej sposobu analizy zdjęć rentgenowskich piersi jest zastosowanie metod uczenia maszynowego do detekcji mikrozwapnień lub zacienień. Celem tego typu algorytmów jest klasyfikacja regionów mammogramu pod kątem obecności markerów raka. W niniejszym artykule prezentujemy rezultaty analizy tego podejścia z wykorzystaniem dwóch metod klasyfikacji: AdaBoost oraz SVM. Najlepsze wyniki zostały uzyskane przez klasyfikator AdaBoost. Pozwala on na wykrywanie zacienień w mammogramach z czułością i specyficznością wynoszącą około 90%. Skuteczność metod uczenia maszynowego silnie zależy od cech użytych do reprezentacji danych wejściowych. Szczególnie istotne znaczenie ma tu redukcja liczby cech tak, by tylko te, które niosą najwięcej informacji, były używane w klasyfikacji. W niniejszym artykule przedstawiamy wyniki selekcji cech na potrzeby klasyfikacji regionów mammogramów przy użyciu nowatorskiego algorytmu klasteryzacji.

methods for supporting the breast cancer diagnosis. Our work focuses on two approaches to detection of cancer markers in breast images. In the first approach, we have created a dedicated filter, which accentuates the appearance of the microcalcifications. Then, we have constructed a method for partitioning the detected microcalcifications into clusters of diagnostic importance. Next, the images are subject to wavelet transform-based enhancing. Mammograms treated by such a system were analysed by four experienced radiologists. Their analysis showed that the system indeed improves the diagnosis of breast cancer. An alternative to the approach presented above is to use a group of machine learning methods to distinguish between abnormal lesions and normal tissue. In this paper we present the evaluation of two classifiers applied to this task, the AdaBoost and the SVM. The best results, achieved by the AdaBoost method, allow for recognition of masses in mammograms with sensitivity and specificity of ca. 90%. The success of the machine learning methods depends strongly on the features used for representing the input data. Particularly important is the reduction of the number of features, so that only the most informative ones are used in classification. In this paper we show results of features selection, for classification of mammogram regions, using a novel clustering algorithm.

hydrocarbons (benzene, toluene, ethylbenzene, xylenes) in air samples treated with ascarite, NaOH/K2CO3 and Nafion membrane were lower that in the samples dried with Mg(Cl04)2. There was no significant difference in the content of C2-C5 aliphatic hydrocarbons (both saturated and unsaturated) in air samples treated with different drying agents. Data obtained for heavier aliphatic hydrocarbons (> C6) were not sufficient to draw a definite conclusion. The effect of water vapour in the air samples on the peak resolution has been noticed (decrease of retention times of heavier hydrocarbons and the rise of the zero line).

chromatografii gazowej. Porównanie otrzymanych wyników wykazało, że po użyciu do osuszania próbek askarytu, K2C03/NaOH lub membran Nafion oznaczone stę2enia węglowodorów aromatycznych (benzenu, toluenu, etylobenzenu i ksylenów) były niższe niż w próbkach suszonych Mg(C104)2. Nie zaobserwowano znaczących różnic w stężeniach węglowodorów alifatycznych C2-C5, zarówno nasyconych jak i nienasyconych, w zależności od stosowanej metody osuszania. Dane uzyskane dla grupy cięższych węglowodorów alifatycznych (> C6) okazały się niewystarczające do wyciągnięcia wniosków. Zaobserwowano wpływ pary wodnej zawartej w analizowanej próbce na rozdział cięższych węglowodorów (skrócenie czasów retencji, podniesienie się linü zerowej).