Ograniczanie wyników
Czasopisma help
Autorzy help
Lata help
Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 845

Liczba wyników na stronie
first rewind previous Strona / 43 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  sieci neuronowe
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 43 next fast forward last
EN
Purpose: The main goal of the article is to develop a method that automatically allocates the warehouse zones of the product range of the studied enterprise for the selected machine learning algorithm. Design/methodology/approach: The problem of the studied issue is presented in the context of a specific company. The research used the double ABC method for the initial classification of zones. Input data were prepared according to the developed methodology. Selected machine learning algorithms were tested for the same data. Findings: Machine learning methods can be used to classify storage zones in that specific warehouse. Especially Boosted Trees and Neural Networks gives small errors at training stage witch our methodology. There may be differences in errors at the stage of learning the algorithm and the stage of implementing it with completely new data. Originality/value: Machine learning is a new solution that is increasingly used in various areas of logistics. The article draws attention to some problems in implementing this solution for enterprises.
2
Content available remote Neural hybrid tomograph for monitoring industrial reactors
EN
The article concerns research on the hybrid tomographic method, which simultaneously takes into account two types of tomography – ultrasonic tomography (UST) and electrical impedance tomography (EIT). An algorithm based on artificial neural networks (ANN) has been developed, the characteristic feature of which is the training of many regression neural networks. Each ANN output generates one of 4096 pixels of the reconstructed image. The inputs of neural networks are UST and EIT measurement vectors. Three variants of ANNs were trained: UST, EIT and a hybrid variant including UST and EIT measurements. Then the reconstruction results were compared. Surprisingly, the results of the performed experiments prove that the hybrid approach, i.e. the simultaneous use of UST and EIT measurements, does not always give better results than the use of a separate UST or EIT method. In the considered cases, when due to the nature of the examined object there are large differences in the quality of reconstruction between UST and EIT, the hybrid system tends to average the image. As a result, reconstructions from the hybrid system can be better than separate EIT but worse than separate UST.
PL
Artykuł dotyczy badań nad metodą tomografii hybrydowej, która jednocześnie uwzględnia dwa rodzaje tomografii - ultradźwiękową (UST) i impedancyjną (EIT). Opracowano algorytm oparty na sztucznych sieciach neuronowych (ANN), którego charakterystyczną cechą jest wytrenowanie wielu regresyjnych sieci neuronowych. Każde wyjście ANN generuje jeden z 4096 pikseli zrekonstruowanego obrazu. Wejściami sieci neuronowych są wektory pomiarowe UST i EIT. Wytrenowano trzy warianty ANN: UST, EIT oraz wariant hybrydowy obejmujący pomiary UST i EIT. Następnie porównano wyniki rekonstrukcji. Co zaskakujące, wyniki przeprowadzonych eksperymentów dowodzą, że podejście hybrydowe, czyli jednoczesne zastosowanie pomiarów UST i EIT, nie zawsze daje lepsze rezultaty niż oddzielne zastosowanie metody UST lub EIT. W rozważanych przypadkach, gdy ze względu na charakter badanego obiektu występują duże różnice w jakości rekonstrukcji pomiędzy UST i EIT, system hybrydowy dąży do uśrednienia obrazu. W rezultacie rekonstrukcje z systemu hybrydowego mogą być lepsze niż czyste EIT, ale gorsze niż UST.
3
Content available remote An analysis on induction motor reliability and lifetime estimation methods
EN
The aim of this paper is to research induction motor’s most common failures, analyze reasons and find a way to predict it. Reliability is a parameter that cannot be calculated based on induction motor parameters only. Power supply quality, detail’s defects, abnormal operation mode and other cause untimely breakings that could lead to significant losses. That is why induction motor condition monitoring is an important engineering problem that demands deep research and supervision. Due to these conditions were researched methods that allows to defining induction motor parameters and evaluate its condition.
PL
Celem artykułu jest przebadanie najczęściej spotykanych awarii silników indukcyjnych, przeanalizowanie przyczyn ich występowania oraz wypracowanie metod ich predykcji. . Niezawodność tych urządzeń nie może opierać się wyłącznie na ich parametrach. Jakość zasilania, defekty elementów, nietypowy sposób działania i inne czynniki powodują bezterminowe awarie co prowadzi do znaczących kosztów. Z tego powodu warunki monitorowania silników indukcyjnych stanowią wyzwanie dla inżynierów i wymagają poważnych badań i nadzoru. IW artykule przebadano metody, pozwalające na zdefiniowanie parametrów silnika indukcyjnego i ocenę ich odpowiedniości.
EN
The estimation of energy consumption has become an important prerequisite for planning the implementation of electric buses and the required infrastructure for charging them in public urban transport. The article proposes a model for estimating electric bus energy consumption for the bus line of public urban transport. The developed model uses a deep learning network to estimate bus energy consumption, stop by stop, accounting for the road characteristics. The aim of the research was to develop a neural model for estimating electric energy consumptionso that it can be easily applied in large bus networks using real data sources that are widely available to bus operators. The deep learning networks allow for the effective use of a large number of sample data (big data). The energy needed to power a buswhich travels a distance from a bus stop to a bus stop is a function of selected parameters, such as distance between stops, driving time between stops, time at the bus stop, average number of passengers, the slope of the road, average speed between stops, extra energy–fixed value for the section. The given relationships were mapped using a neural network. A neural model for estimating the energy consumption of an electric bus can be used in works for determining the necessary battery capacity, for the design of optimized charging strategies and to determine charging infrastructure requirements for electric buses in a public transport network.
PL
Ocena zapotrzebowania na energię stała się ważnym warunkiem wstępnym planowania wdrażania autobusów elektrycznych oraz wymaganej infrastruktury do ich ładowania w publicznym transporcie miejskim. W artykule zaproponowano model szacowania zużycia energii przez autobus elektryczny dla linii autobusowej przedsiębiorstwa komunikacji miejskiej. W opracowanym modelu do wyznaczenia zapotrzebowania na energię autobusu na odcinku drogi od przystanku do przystanku z uwzględnieniem charakterystyki drogi lokalnej użyto sieci neuronowej typu deep learning. Celem badań było opracowanie neuronowego modelu szacowania zużycia energiielektrycznej tak, aby można go było łatwo zastosować w dużych sieciach autobusowych przy użyciu rzeczywistych źródeł danych, które są powszechnie dostępne dla operatorów transportu autobusowego. Użycie sieci typu deep learning pozwala na efektywne wykorzystanie dużej liczbydanych wzorcowych (tzw. big data). Przyjęto, że wartość energii potrzebna do pokonania odległości od przystanku do przystanku autobusowego jest funkcją wybranych parametrów, takich jak: odległość między przystankami, czas trwania jazdy na odcinku między przystankami, czas przebywania autobusu na przystanku, średnia liczba pasażerów, kąt nachylenia drogi, średnia prędkość na odcinku, energia dodatkowa –stała wartość dla odcinka. Podane zależności zostały odwzorowane za pomocą sieci neuronowej. Neuronowy model oszacowania zużycia energii przez autobus elektryczny może zostać użyty w pracach mających na celu określenie niezbędnej pojemności akumulatorów, zaprojektowanie zoptymalizowanych strategii ładowania oraz określenie wymogów w zakresie infrastruktury ładowania dla autobusów elektrycznych w sieci transportu publicznego.
5
Content available remote Yield forecasting using artificial intelligence
EN
The article reviews and analyzes literature for application of artificial intelligence in forecasting of crop yield. Yield forecasting models were based on neural networks, fuzzy logic or hybrid solutions. When designing new yield forecasting models, analyzes of the main factors of components that are important for yield forecasting should be performed. This is to eliminate unnecessary or negligible factors for forecasting. It is also important to review the databases that will be used for forecasting. The data with unusual numerical results that differ significantly from reality should be deleted. This will improve the quality of the databases and, as a result, will give better forecasting results. In more complex cases, it would be recommended to create hybrid solutions combining neural networks and fuzzy logic to combine the advantages of both solutions.
PL
W artykule wykonano przegląd i analizę literatury dla zastosowań sztucznej inteligencji przy prognozowaniu plonów. Modele prognozowania plonów były oparte o sieci neuronowe, logikę rozmytą lub rozwiązania hybrydowe. Przy projektowaniu nowych modeli prognozowania plonów należy przeprowadzić analizy głównych składowych czynników, które są istotne dla prognozowania plonu. Ma to na celu eliminację czynników zbędnych lub mało znaczących dla prognozowania. Istotne jest również dokonanie przeglądu baz danych, które zostaną wykorzystane do prognozowania.
6
Content available Czy sztuczna inteligencja uratuje wzrok?
PL
Czym jest sztuczna inteligencja? W prostych słowach to zdolność komputera do naśladowania sposobu działania ludzkiej inteligencji, zwykle dzięki wykorzystaniu tzw. sieci neuronowych, czyli algorytmów komputerowych, które w działaniu symulują pracę mózgu, złożonego z połączonych ze sobą neuronów, zgrupowanych w warstwy różnego typu. Każda kolejna warstwa odpowiada za analizę danych z poprzedniej warstwy na coraz wyższym poziomie ogólności. Ten rodzaj inteligencji jest w stanie wyszukiwać w danych związki przyczynowo-skutkowe, dokonywać generalizacji (uogólnień) i uczyć się na podstawie własnych doświadczeń. Sieci neuronowe działają zwykle w oparciu o określone dane, często pochodzące z konkretnego typu urządzeń, szczególnie w przypadku danych medycznych i wtedy określa się je mianem wąskiej inteligencji, w odróżnieniu od ludzkiej – szerokiej.
7
Content available Archipelag sztucznej inteligencji. Część I
PL
Tytuł tego artykułu może budzić wątpliwości Czytelników. Sztuczna inteligencja? Wiadomo! Ale jakiś archipelag? Już wyjaśniam. Otóż sztuczna inteligencja tylko z nazwy jest dziedziną integralną, jak – nawiązując do tytułu miesięcznika – napędy albo sterowanie. W istocie sztuczna inteligencja to zbiór bardzo różnych metod, które ludzie wymyślili w tym celu, żeby maszyny lepiej zaspokajały ich potrzeby. Te metody w większości nie mają ze sobą nawzajem absolutnie nic wspólnego. Są od siebie odległe i nie ma łatwego sposobu przejścia od jednej z nich do innej. Pozwoliłem sobie porównać tę sytuację do archipelagu wysp.
EN
Background: Experience from the implementation of the industry 4.0 concept has proved that the key success factor is the use of techniques and methods of artificial intelligence. One of these techniques is artificial neural networks. The development of artificial neural networks has been taking placefor a long time and has led to a number of important applications of this technique in industrial practice. Along with the development of practical applications, a wide theoretical base has also been created regarding the concepts, tools and principles of using this technique. Methods: This paper contains an attempt to use the theoretical basis of artificial neural networks to build a specialized tool. This tool is called a pseudo-network. It is based not on the whole of the theory of artificial neural networks but only on the targeted elements selected for it. The selection criterion is the use of an artificial neural pseudo-network to control production. Results: The paper presents the assumptions of an artificial neural pseudo-network, the architecture of the developed solution and initial experience of using it. Conclusions: These initial results proved the assumptions made by an author. The architecture of the pseudo-network has been developed. Work to build a system demonstrator representing the artificial neural pseudo-network have been initiated and is still in progress.
PL
Wstęp: Doświadczenia z wdrażania koncepcji Industrie 4.0 wskazują, że kluczowym czynniku sukcesu jest stosowanie metod i technik z zakresu sztucznej inteligencji. Jedną z tych technik są sztuczne sieci neuronowe. Rozwój sztucznych sieci neuronowych trwa od długiego czasu i doprowadził do wielu istotnych zastosowań tej techniki w praktyce przemysłowej. Równolegle z rozwojem zastosowań praktycznych stworzona została baza teoretyczna koncepcji, narzędzi i zasad stosowania tej techniki. Metody: Artykuł ten zawiera próbę wykorzystania teoretycznej bazy sztucznych sieci neuronowych do stworzenia specjalnego narzędzia. Nosi ono nazwę sztucznej pseudo-sieci neuronowej. Opiera się ona nie na całości dorobku teorii sztucznych sieci neuronowych ale na celowo wybranych jego elementach. Kryterium doboru było zastosowanie sztucznej pseudo-sieci neuronowej do sterowania produkcji. Wyniki: Artykuł przedstawia założenia do opracowania sztucznej pseudo-sieci neuronowej, architekturę opracowanego rozwiązania i wstępne doświadczenia z prób jego zastosowania. Wnioski: Wstępne wyniki potwierdziły założenia przyjęte przez autora artykułu. Opracowana została architektura sztucznej pseudo-sieci neuronowej. Zapoczątkowane zostały pracy nad budową demonstratora sztucznej pseudo-sieci neuronowej. Prace trwają nadal.
EN
The consequences of failures and unscheduled maintenance are the reasons why engineers have been trying to increase the reliability of industrial equipment for years. In modern solutions, predictive maintenance is a frequently used method. It allows to forecast failures and alert about their possibility. This paper presents a summary of the machine learning algorithms that can be used in predictive maintenance and comparison of their performance. The analysis was made on the basis of data set from Microsoft Azure AI Gallery. The paper presents a comprehensive approach to the issue including feature engineering, preprocessing, dimensionality reduction techniques, as well as tuning of model parameters in order to obtain the highest possible performance. The conducted research allowed to conclude that in the analysed case, the best algorithm achieved 99.92% accuracy out of over 122 thousand test data records. In conclusion, predictive maintenance based on machine learning represents the future of machine reliability in industry.
PL
Skutki związane z awariami oraz niezaplanowaną konserwacją to powody, dla których od lat inżynierowie próbują zwiększyć niezawodność osprzętu przemysłowego. W nowoczesnych rozwiązaniach obok tradycyjnych metod stosowana jest również tzw. konserwacja predykcyjna, która pozwala przewidywać awarie i alarmować o możliwości ich powstawania. W niniejszej pracy przedstawiono zestawienie algorytmów uczenia maszynowego, które można zastosować w konserwacji predykcyjnej oraz porównanie ich skuteczności. Analizy dokonano na podstawie zbioru danych Azure AI Gallery udostępnionych przez firmę Microsoft. Praca przedstawia kompleksowe podejście do analizowanego zagadnienia uwzględniające wydobywanie cech charakterystycznych, wstępne przygotowanie danych, zastosowanie technik redukcji wymiarowości, a także dostrajanie parametrów poszczególnych modeli w celu uzyskania najwyższej możliwej skuteczności. Przeprowadzone badania pozwoliły wskazać najlepszy algorytm, który uzyskał dokładność na poziomie 99,92%, spośród ponad 122 tys. rekordów danych testowych. Na podstawie tego można stwierdzić, że konserwacja predykcyjna prowadzona w oparciu o uczenie maszynowe stanowi przyszłość w zakresie podniesienia niezawodności maszyn w przemyśle.
PL
Sztuczne sieci neuronowe stanowią obszerny zbiór zagadnień, które mogą być użyte w wielu dziedzinach nauki. Bardzo popularnym ich zastosowaniem jest przetwarzanie i kategoryzacja obrazów. W artykule tym opisano w jaki sposób wykonano i przebadano praktyczną realizację klasyfikatora obiektów z użyciem tychże sieci. Opisany został problem klasycznego detektora obiektów, który następnie posłużył do przygotowania bazy treningowej, ale również jako składowa ostatecznej implementacji algorytmu. Przedstawiono również w jaki sposób przygotowane zostały dane treningowe użyte do wyszkolenia sieci oraz w jaki sposób została wybrana architektury sieci neuronowej. W ostatniej części przedstawiono wyniki przeprowadzonych badań. Wskazano zaobserwowane wady i zalety takiego podejścia do rozwiązania problemu.
EN
Neural networks are very broad research issue, they find their way into many fields of science. Probably their most popular implementation is met in image processing and classification. This paper describes how to practically implement such classifier based on neural networks. First part describes classical object detector, used later to build a training data set, but also as a part of final product used to process images. Paper describes how aforementioned data set was prepared and how architecture of neural network has been chosen. In the last part there are result of run tests, as well as pros and cons of such solution to the problem.
EN
The efficiency of operation of motor vehicles with a DMC (Permissible Laden Mass) <3.5 tonnes is considered. These are vehicles belonging motor vehicles of category N1, usually referred to as delivery vehicles. The results of observations on the implementation of transport orders in 7 transport companies from the MŚP (Small and Middle-size Companies) sector were used to conduct the effectiveness analysis. The research group covered 24 vehicles that implementation transport orders in the urban zone and in the immediate vicinity of the city. Information was collected on a monthly basis.During the analysis of economic efficiency the income measures (absolute and relative) were used. The calculations were carried out using the model of the vehicle operation process in the form of a neural network, in which a set of 12 input variables and 3 output variables were taken into account. Using the Statistica 13.3 computer program and defining the group and factors describing the process of implementation of individual transport tasks, the developed neural network model enabled searching for the impact of selected operational factors on the economic efficiency of N1 category cars.The calculations showed a significant impact of the number of vehicle days in a month, the weight of the load, as well as the time of year. The obtained calculation results showed the specific features of the impact of the number of working days on revenue in a transport company. The increase in the number of working days favors the increase in income in a limited way, and this restriction depends, among others since the time of year.
PL
Rozważa się efektywność eksploatacji samochodów ciężarowych o DMC < 3,5 tony. Są to pojazdy należące do kategorii N1 (według Dyrektywy 2007/46/WE) zwykle nazywane samochodami dostawczymi. Do prowadzonej analizy efektywności wykorzystano wyniki obserwacji z realizacji zleceń przewozowych w 7 firmach transportowych z sektora MŚP. Grupa badawcza objęła 24 pojazdy, które wykonywały zadania transportowe w strefie miejskiej i w najbliższym otoczeniu miasta. Informacje gromadzono w cyklach miesięcznych. Podczas analizy efektywności ekonomicznej zastosowano kilka miar przychodu (bezwzględny i względny). Obliczenia prowadzono przy wykorzystaniu modelu procesu eksploatacji pojazdów w postaci sieci neuronowej, w której brano pod uwagę zbiór 12 zmiennych wejściowych i 3 zmienne wyjściowe. Stosując program komputerowy Statistica 13.3 oraz zdefiniowanie grupy i czynniki opisujące proces realizacji poszczególnych zadań transportowych, opracowany model sieci neuronowej umożliwił poszukiwanie wpływu wybranych czynników eksploatacyjnych na efektywność ekonomiczną samochodów kategorii N1. Przeprowadzone obliczenia pokazały istotny wpływ liczby dni pracy pojazdów w miesiącu, masę ładunku, a także porę roku. Uzyskane wyniki obliczeń pokazały specyficzne cechy wpływu liczby dni pracy na przychód w firmie transportowej. Wzrost liczby dni pracy sprzyja wzrostowi przychodu w sposób ograniczony, a to ograniczenie zależy m.in. od pory roku.
EN
The article presents the use of artificial neural networks (multilayer perceptrons) to examine the significance of production process parameters. The considered problem relates to the occurrence of production periods with an increased number of defective products. The research aims to determine which of the 69 parameters of the manufacturing process most affect the number of defects. Two ways of expressing the parameters significance were used: using the sensitivity analysis and exploring the weights of connections between neurons. The results were determined using both single neural networks and a set of networks. The outcome from the research is the rankings of significance of the manufacturing process parameters. The analyzed data were obtained from a glassworks producing glass packaging.
PL
W artykule przedstawiono metodę umożliwiającą estymację wybranych wskaźników jakości energii elektrycznej w zadanym punkcie sieci elektroenergetycznej na podstawie wskaźników jakości energii elektrycznej zarejestrowanych w punktach leżących w najbliższym otoczeniu. Do estymacji wykorzystano algorytmy sztucznych sieci neuronowych. W rezultacie uzyskano neuronowy model określający relację pomiędzy wskaźnikami jakości energii elektrycznej tego samego typu w sąsiadujących ze sobą punktach. W artkule przedstawiono wyniki analiz i testów dla rzeczywistych warunków pracy sieci dystrybucyjnej.
EN
The article presents a method allowing the estimation of selected power quality indicators at a given point of the power grid based on electricity quality indicators (or other voltage parameters) registered at points in the nearest surroundings. Artificial neural network algorithms were used for the estimation. As a result, a neural model was obtained that determined the relationship between the same power quality indices at neighbouring points. The article presents the results obtained for the real conditions of the distribution network.
14
Content available remote Real-time noise cancelation system - field test
EN
Sound generated by machines working on the construction site may cause psycho-physical discomfort for both construction workers and local residents. The sound sources on the construction site are both working machines and the activities they perform. The work presents the process of testing of a neural-network based noise cancellation algorithm onto a NI CompactRIO real time controller with use of NI LabVIEW software. The CompactRIO controller is programmed for acquisition of acoustic information and providing an output signal to a speaker used to generate a compensating acoustic signal, using fast signal processing programmed into controllers FPGA. The use of a neural network in the algorithm allows the controller to learn and compensate for placement of the individual elements of the system and changes in environmental conditions. The algorithm was tested at simulated signals 300 Hz, 400 Hz and for waveform from real loader.
PL
Dźwięk generowany przez maszyny pracujące na budowie może powodować dyskomfort psychofizyczny zarówno dla pracowników budowlanych, jak i lokalnych mieszkańców. Źródłami dźwięku na placu budowy są zarówno działające maszyny, jak i czynności, które wykonują. W pracy przedstawiono proces testowania algorytmu eliminacji szumów opartego na sieci neuronowej na kontrolerze czasu rzeczywistego NI CompactRIO za pomocą oprogramowania NI LabVIEW. Kontroler CompactRIO jest zaprogramowany do pozyskiwania informacji akustycznych i dostarczania sygnału wyjściowego do głośnika służącego do generowania kompensacyjnego sygnału akustycznego, z wykorzystaniem szybkiego przetwarzania sygnału zaprogramowanego w kontrolerach FPGA. Zastosowanie sieci neuronowej w algorytmie umożliwia kontrolerowi naukę i kompensację położenia poszczególnych elementów systemu i zmian warunków środowiskowych. Algorytm został przetestowany na symulowanych sygnałach 300 Hz, 400 Hz i dla pomiarów czasowych z rzeczywistej ładowarki.
EN
An attempt of designing artificial neural networks for empirical laboratory test results tracers No. 5, No. 7 and No. 8 was introduced in the article. These tracers are applied in cartridges with calibres from 37 mm to 122 mm which are still used and stored both in the marine climate and land. The results of laboratory tests of tracers in the field of over 40 years of tests have been analysed. They have been properly prepared in accordance with the requirements that are neces-sary to design of neural networks. Only the evaluation module of these tracers was evaluated, because this element of tests, fulfilled the necessary assumptions needed to build artificial neural networks. Several hundred artificial neural networks have been built for each type of analysed tracers. After an in-depth analysis of received results, it was chosen one the best neural network, the main parameters of which were described and discussed in the article. Received results of working built of neural networks were compared with previously functioning manual evaluation module of these tracers. On the basis conducted analyses, proposed the modification of functioning test methodology by replacing the previous manual evaluation modules through elaborated au-tomatic models of artificial neural networks. Artificial neural networks have a very important feature, namely they are used in the prediction of specific output data. This feature successfully used in diagnostic tests of other elements of ammunition.
PL
W artykule przedstawiono próbę zaprojektowania sztucznych sieci neuronowych dla empirycz-nych wyników badań laboratoryjnych smugaczy nr 5, nr 7 i nr 8. Smugacze te stosowane są w nabojach o kalibrach od 37 mm do 122 mm, które są ciągle użytkowane i magazynowane za-równo w klimacie morskim, jak i lądowym. Analizie poddano wyniki badań laboratoryjnych smu-gaczy, które otrzymywano przez ponad czterdzieści lat. Zostały one odpowiednio przygotowane, zgodnie z wymogami projektowania sieci neuronowych. Ocenie poddano moduł ocenowy smuga-czy, ponieważ ten element badań spełniał niezbędne założenia potrzebne do zbudowania sztucz-nych sieci neuronowych. Zbudowano kilkaset sztucznych sieci neuronowych dla każdego rodzaju analizowanego smugacza. Po analizie otrzymanych wyników wybrano po jednej najlepszej sieci neuronowej. Ich główne parametry zostały opisane. Wyniki działania zbudowanych sieci neuro-nowych zostały porównane z funkcjonującym dotychczas manualnym modułem ocenowym smu-gaczy. Na podstawie analiz zaproponowano modyfikację funkcjonującej metodyki badawczej poprzez zastąpienie ręcznych modułów ocenowych opracowanymi automatycznymi modelami sztucznych sieci neuronowych.
EN
Automatic image analysis is nowadays a standard method in quality control of metallic materials, especially in grain size, graphite shape and non-metallic content evaluation. Automatically prepared solutions, based on machine learning, constitute an effective and sufficiently precise tool for classification. Human-developed algorithms, on the other hand, require much more experience in preparation, but allow better control of factors affecting the final result. Both attempts were described and compared.
PL
Sieci neuronowe sa jedną z najpopularniejszych i najszybciej rozwijających się dziedzin sztucznej inteligencji. Ich praktyczne wykorzystanie umożliwiło szersze użyciekomputerów w wielu obszarach komunikacji, przemysłu i transportu [1]. Dowody tego są widoczne w elektronice użytkowej, medycynie, a anawet w zastosowaniach militarnych [2]. Wykorzystanie sztucznej inteligencji w wielu przypadkach wymaga jednak znacznej mocy obliczeniowej, co stanowi problem zarówno przy opracowywaniu, jak i testowaniu nowo wdrażanych rozwiązań. Jednym z coraz szerzej badanych aspektówtego problemu jest ograniczenie dokładności obliczeń wykonywanych w ramach treningu oraz wnioskowania sieci neuronowych [3].
EN
Neural networks are one of the most popular and fastest developing areas of artificial intelligence. Practical use of this technology enabledwidercomputer appliance in various fieldsof communication, industry and transportation [1]. Signs of such situation can be observed in developmentof modern electronicdevices, medicine andmilitary [2]. Most of the times, application of artificial intelligence requires significant computational power, which creates a problem when it comes to designing or testing of new projects. One of the major research areas related to this subject is focusedon limitingthe precision of mathematical operations required during training and inference of neural networks [3].
EN
This paper describes relevant issues of the energy prediction from onshore wind farms. The use of a neural network to forecast wind power production and its resistance to changing seasons is examined. Different structures of neural networks are presented with a comparison of their forecasts accuracy.
PL
Artykuł opisuje możliwości prognozowania produkcji energii w śródlądowych farmach wiatrowych. Analizie poddano możliwość predykcji z wykorzystaniem sztucznych sieci neuronowych uwzględniających wpływ sezonowości. W artykule zaproponowano różne struktury sieci neuronowych oraz porównano ich skuteczność.
19
Content available remote Neural networks for tested MG artillery fuses
EN
The article presents the information about the usage of artificial neural networks. The automation process of neural networks of the analysed evaluation data results is highlighted. The kinds of MG type artillery fuses are described and the kinds of cartridges’ calibres, in which they are used, are also specified. The way of preparation of databases of test results to computer simulation is described. Building of neural networks determining the main technical parameters and sizes of learning, test and validation sets is characterized. The summary for chosen active neural networks for individual kinds of the analysed MG type artillery fuses is presented. Graphs of learning, values of sensibility indicators and fragments of prediction sheets for the chosen neural networks were shown.
PL
W artykule przedstawiono informację dotyczącą kierunków zastosowania sztucznych sieci neuronowych. Podkreślono fakt automatyzacji przez sieci neuronowe procesów ocenowych analizowanych wyników danych. Opisano rodzaje zapalników artyleryjskich typu MG, określono również rodzaje kalibrów nabojów w których są one stosowane. Opisano sposób przygotowania baz wyników badań do symulacji komputerowych. Scharakteryzowano budowane sieci neuronowe, określając ich główne parametry techniczne oraz wielkości zbiorów uczącego, testowego i walidacyjnego. Przedstawiono podsumowania dla wybranych aktywnych sieci neuronowych dla poszczególnych rodzajów analizowanych zapalników artyleryjskich typu MG. Pokazano wykresy uczenia, wartości wskaźników wrażliwości oraz fragmenty arkuszy predykcji dla wybranych sieci neuronowych.
EN
Knowing how to identify terrain types is especially important in the autonomous navigation, mapping, decision making and emergency landings areas. For example, an unmanned aerial vehicle (UAV) can use it to find a suitable landing position or to cooperate with other robots to navigate across an unknown region. Previous works on terrain classification from RGB images taken onboard of UAVs shown that only static pixel-based features were tested with a considerable classification error. This paper presents a computer vision algorithm capable of identifying the terrain from RGB images with improved accuracy. The algorithm complement the static image features and dynamic texture patterns produced by UAVs rotors downwash effect (visible at lower altitudes) and machine learning methods to classify the underlying terrain. The system is validated using videos acquired onboard of a UAV with a RGB camera.
first rewind previous Strona / 43 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.