Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 25

Liczba wyników na stronie
first rewind previous Strona / 2 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  model neuronowy
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 2 next fast forward last
EN
Stochastic resonance (SR) performs the enhancement of the low in contrast image with the help of noise. The present paper proposes a modified neuron model based stochastic resonance approach applied for the enhancement of T1 weighted, T2 weighted, fluid-attenuated inversion recovery (FLAIR) and diffusion-weighted imaging (DWI) sequences of magnetic resonance imaging. Multi objective bat algorithm has been applied to tune the parameters of the modified neuron model for the maximization of two competitive image performance indices contrast enhancement factor (F) and mean opinion score (MOS). The quality of processed image depends on the choice of these image performance indices rather the selection of SR parameters. The proposed approach performs well on enhancement of magnetic resonance (MR) images, as a result there is improvement in the gray-white matter differentiation and has been found helpful in the better diagnosis of MR images.
PL
Niniejszy artykuł stanowi opis modelu przepływu pary przez okołodźwiękowe stopnie turbinowe, stworzonego w oparciu o sztuczne sieci neuronowe (SSN). Przedstawiony model neuronowy pozwala na wyznaczenie rozkładu wybranych parametrów w analizowanym przekroju kanału przepływowego turbiny dla rozpatrywanego zakresu wartości ciśnienia wlotowego.
EN
In this article the model of steam flow through transonic turbine stages, based on artificial neural networks (ANN), has been described. With presented neural model the distribution of selected parameters in analysed cross-section of turbine flow channel, for considered inlet pressure range, can be determined.
PL
Występowanie skośnej fali uderzeniowej w przepływie pary przez palisadę turbinową stanowi zagrożenie dla bezpiecznej pracy turbiny oraz dla jej elementów konstrukcyjnych. Detekcja oraz lokalizacja fali uderzeniowej, a także rozpoznanie przyczyny jej powstawania, nie są możliwe do osiągnięcia na drodze pomiarowej. Analizę zjawisk zachodzących wewnątrz kanału przepływowego umożliwiają natomiast modele numeryczne oraz neuronowe. Zaletą modeli opartych o sztuczne sieci neuronowe jest szybkość obliczeń, znacznie większa niż w przypadku modeli numerycznych. Poprawnie utworzony model neuronowy kanału przepływowego pozwoliłby zatem wykryć i zlokalizować falę uderzeniową, a usunięcie przyczyny jej występowania umożliwiłoby przywrócenie warunków poprawnej pracy diagnozowanej maszyny przepływowej.
EN
A skew shock wave in the flow through the steam turbine blading row puts proper turbine work and its structural elements at risk. Detection and localisation of the shock wave, and also identification of its occurrence cause, are not possible to obtain by measurements. However, numerical and neural models enable the analysis of phenomena in flow channels. A much shorter time of neural calculations is their advantage over numerical models. Thus, a proper neural model of the flow channel will allow detection and localisation of the shock wave. Moreover, elimination of the cause of the shock wave occurrence will enable the proper work conditions of the diagnosed fluid flow machine to be restored.
EN
Commonly recognized predictive abilities represented by selected ANN (Artificial Neural Networks) topologies are widely used in practice. They often support the decision-making processes that occur in agri-alimentary processing, such as milk production. The aim of the study was to use ANN as a predictive tool in the estimation process of the influence of selected zootechnical characteristics of cows on the milk quality, which is determined by the standards defining the requirements compliance concerning the level of somatic cell counts in the obtained milk. The work resulted in creation of the optimum predictive model which is a neural topology of the MLP-6:17:1 (MultiLayer Perceptron). The performed analysis of the generated neural model’s sensitivity to the individual input variables showed the impact of some of the zootechnical characteristics on somatic cell counts in the obtained milk.
PL
Uznane zdolności predykcyjne, jakie reprezentują wybrane topologie SNN (Sztuczne Sieci Neuronowe), wykorzystywane są powszechnie również w szeroko rozumianej praktyce, np. wspomagają procesy decyzyjne zachodzące w przetwórstwie rolno-spożywczym, np. w branży mleczarskiej. Celem pracy było wykorzystanie SNN jako narzędzia predykcyjnego w procesie oceny wpływu wybranych cech zootechnicznych krów na jakość mleka krów, która określana jest przez normy definiujące spełnienie wymogów odnośnie poziomu zawartości komórek somatycznych w pozyskiwanym mleku. W pracy wytworzono optymalny model predykcyjny będący neuronową topologią typu MLP: 6-17-1 (MultiLayer Perceptron). Przeprowadzona analiza wrażliwości wygenerowanego modelu neuronowego na poszczególne zmienne wejściowe wykazała istotny wpływ wybranych cech zootechnicznych na liczbę komórek somatycznych w pozyskanym mleku.
PL
Ustawowy obowiązek prognozowania mocy dotyczy właścicieli elektrowni wiatrowych o mocy znamionowej powyżej 50 MW. Ze względu na coraz większą ilość przyłączonych elektrowni wiatrowych do krajowej sieci elektroenergetycznej, zapis ten może ulec zmianie, obejmując źródła wiatrowe mniejszej mocy. Obecnie największa pojedyncza turbina wiatrowa w Polsce ma generator o mocy 3 MW, natomiast największy zespół elektrowni wiatrowych (farma wiatrowa) ma moc znamionową 120 MW. Moc pojedynczych siłowni wiatrowych również jest prognozowana, lecz przez Operatorów Sieci oraz Spółki Obrotowe. W artykule poruszono problematykę doboru modelu prognozowania generacji mocy wytwórczej dla pojedynczej turbiny wiatrowej. Rozważono model prognostyczny fizykalny (analityczny) i neuronowy pod kątem odpowiedzi na pytanie: czy przy zastosowaniu tych modeli możliwe jest uzyskanie dokładniejszych prognoz mocy źródeł wiatrowych i w jakim stopniu jakość krótkoterminowych lokalnych prognoz meteorologicznych wpływa na pracę modeli?
EN
Currently, the largest single wind turbine generator in Poland is about 3MW capacity, while the largest group of wind turbines is the rated power of 120MW. This paper presents the problem of selection of the forecasting model generation of generation capacity for a single wind turbine. Considered the physical forecast model (analytical) and for neural responses to the question whether the use of these models, it is possible to obtain more accurate predictions of wind power sources, and to what extent, the quality of local short-term weather forecasting models affect the work?
PL
W artykule został przedstawiony model symulacyjny dynamiki ruchu okrętu zbudowany z wykorzystaniem sztucznych sieci neuronowych. Opisano model matematyczny okrętu, który był podstawą uczenia sieci neuronowej modelującej ruch okrętu. Charakter dynamiczny sieci neuronowej modelującej ruch okrętu został osiągnięty poprzez zamodelowanie w neuronach połączeń, zamiast stałymi wartościami współczynników wagowych, liniową dyskretną transmitancją operatorową. Dla opracowanego modelu przebadano wpływ funkcji aktywacji neuronu na jakość modelowanego procesu. Ponadto została przedstawiona struktura sieci neuronowej wykorzystanej do budowy modelu neuronowego okrętu, a także przykładowe wyniki badań symulacyjnych dla neuronowego modelu trałowca przy różnych funkcjach aktywacji neuronu.
EN
The paper presents model dynamics movement of ship's build with using artificial neural network. The mathematical model of ship, which was used as basis for training neural network was described. The dynamic character of artificial neural network was reached be modeling the connections between neurons using linear discrete operational transmittance instead of constant values of weights' coefficients. Moreover the structure of neuronal network used for creating the model of the ship became introduced. For the worked out model the influence of the activation's function of neuron on the quality of the modeled process was investigated. Also example results of simulating researches for the neuronal model of trawler with various activation's function of the neuron were introduced.
PL
Pozyskiwanie oraz przetwarzanie danych empirycznych występujących w formie graficznej jest istotnym elementem w procesie generowania zbiorów uczących, przeznaczonych do budowy identyfikacyjnych modeli neuronowych. Właściwa analiza oraz konwersja obrazów cyfrowych są fundamentalnym procesem, determinującym dalsze etapy modelowania neuronowego. Powszechnie dostępne metody edycji oraz pozyskiwania danych z obrazów nie zawsze pozwalają na właściwe i efektywne wytworzenie zbioru uczącego. Często zachodzi potrzeba użycia kilku rodzajów komercyjnego oprogramowania, aby w efekcie można było pozyskać zbiór danych empirycznych zapisanych w pożądanej formie. Dlatego wydaje się być zasadnym wytwarzanie od podstaw kompleksowego systemu informatycznego dedykowanego dla wsparcia procesu generowania zbiorów uczących.
EN
Gathering data is an essential element of the process of generating learning sets, intended for the construction of artificial neural networks. A proper analysis and processing of the images are the basis for the next stages of the neural simulation. Commonly available methods of the edition and gaining data from images do not always allow to create a learning set in a right way. Often, there is a need to use several different software in order to gain one eligible set of data. This is a reason, why making a complex software for the process of generating the learning sets, is so important.
8
Content available remote Neural network modeling of the semi-active magneto-rheological fluid damper
EN
The paper describes model of a semi-active damper based on Magneto-Rheological Fluid (MRF). This model is constructed in a neural networks (NN) system. Such a solution is used because of nonlinear character of the MRF damper elements. The result of research and calculations exposes ways to solve problems connected with this kind of modeling processes. In the final part of the paper, the authors compare results of the NN model verification process with real MRF damper force to velocity characteristics. The article is a complete description of nonlinear model construction with usage of Radial Basis neural Networks (RBN).
PL
W artykule opisano model tłumika pół-aktywnego opartego na płynach magneto-reologicznych (MR). Model ten zbudowano za pomocą sieci neuronowych. Ze względu na nieliniowy charakter tłumików MR zastosowano modelowanie neuronowe tłumików. Na podstawie badań zaprezentowano sposoby rozwiązywania problemów związanych z tego rodzaju modelowaniem. W końcowej części artykułu autorzy porównują w procesie weryfikacji charakterystykę siły do prędkości wynikłą z symulacji modelu neuronowego z charakterystyką rzeczywistego tłumika MR. Artykuł stanowi kompletny opis konstrukcji modelu tłumika MR za pomocą sieci neuronowej o podstawie radialnej.
PL
Celem pracy była budowa modelu neuronowego do analizy wpływu zastosowanych dodatków-depresatorów przeznaczonych do oleju napędowego, na lepkość kinematyczną surowego oleju rzepakowego. W pracy przedstawiono wyniki analiz zastosowanych depresatorów, które były dawkowane do 3% objętości, w różnych temperaturach otoczenia. Temperatury zostały tak dobrane, aby odzwierciedlały rzeczywiste warunki pracy silników w ciągnikach rolniczych i oscylowały od - 10°C do + 30°C (ze stopniowaniem o 5°C). Wytworzony model neuronowy miał za zadanie prognozować lepkość surowego oleju rzepakowego uwzględniając trzy parametry: rodzaj zastosowanego dodatku-depresatora, stężenie objętościowe oraz temperaturę otoczenia, w której mieszanina była poddawana badaniu na lepkość. Wyniki analizy wrażliwości sieci wskazały, że największy wpływ na lepkość ma temperatura otoczenia.
EN
The aim of the work was to build the neural model of analysis influences applied depressers of diesel oil on the viscosity of raw rapeseed oil. The analyse showed results applied depressers which were dosed to 3% volumes in the various temperatures of surroundings. The chosen temperatures showed the real conditions of the work of engines reflected in agricultural tractors and oscillated from -10°C to +30°C (with graduating about 5°C). There were three parameters predicted: kind applied depresatora, volumetric concentration and the temperature of the surroundings which in investigated viscosity of mixture. It results from the study that the temperature of surroundings had the largest influence on viscosity of raw rapeseed oil.
10
Content available remote Comparative analysis of synchronous generator neural and circuit models
EN
The paper presents the comparative analysis of the synchronous generator neural and circuit models. In the investigations presented special attention is paid to the representation of transients of the synchronous generator working as an autonomous supply source. The problem of estimation of the analysed model parameters was brought to determining the minimum of the objective function. In order to do it, a three-stage, hybrid algorithm consisting of genetic, Nelder-Mead and gradient algorithms was used.
PL
Artykuł przedstawia wyniki analizy porównawczej neuronowego i obwodowego modelu generatora synchronicznego. Analizowane modele przeznaczone są do badań symulacyjnych generatora synchronicznego, pracującego jako autonomiczne źródło zasilania. Problem estymacji parametrów badanych modeli sprowadzono do minimalizacji przyjętej funkcji celu. Do minimalizacji funkcji celu zastosowano trzystopniowy algorytm hybrydowy, bazujący na algorytmie genetycznym, algorytmie Neldera-Meada i algorytmie gradientowym.
PL
Realizacja projektu obejmowała zbudowanie i wytrenowanie neuronowego modelu do identyfikacji makrouszkodzeń ziarniaków. Rozpoznawania uszkodzeń dokonywano na podstawie cyfrowych fotografii skonwertowanych przez wytworzony system informatyczny do postaci zbiorów uczących dedykowanych dla sztucznej sieci neuronowej. Do uczenia sieci wybrano zestaw reprezentatywnych cech. W zbiorze tym zawarto informacje o barwie (zakodowanej do postaci liczbowej), polu powierzchni, obwodzie i wybranych współczynnikach kształtu. Pojedynczy przypadek uczący zawierał 1031 zmiennych, z czego 1024 to zmienne zawierające informacje o barwie. Identyfikacji makrouszkodzeń dokonano na ziarniakach kukurydzy odmiany Clarica FAO 280.
EN
The realization of project enclosed construction and training neuronal model to identification of damages of corn kernels. Recognizing the damages was made on basis of digital photos converted by produced computer system to learning files dedicated for artificial neural network. The network was learned on chosen representative tags. The taught model marks abilities of identification approximate quality to human. Neural model can in real time identify larger number of kernels than man. The number of kernels is only limited by method of images acquisition and the computational power of applied equipment to implementation of model. Big advantage is also the lack of natural man limitations which for example are: fatigue and subjective opinion.
PL
Celem pracy było opracowanie modelu zmian zawartości wody w zrębkach wierzby energetycznej w czasie, w postaci sztucznej sieci neuronowej. Model został opracowany w oparciu o wyniki badań procesu konwekcyjnego suszenia zrębków wierzby o długości 2 cm, ale różnej średnicy, w suszarce laboratoryjnej z wymuszonym przepływem powietrza. Materiał był suszony w temperaturach 40, 50, 60 i 70°C. Na podstawie otrzymanych wyników badań został sformułowany, za pomocą SSN, model zmian zawartości wody w zależności od sześciu zmiennych wejściowych: czasu suszenia, temperatury czynnika suszącego, długości i średnicy zrębków oraz początkowej zawartości wody i masy zrębków. Spośród opracowanych modeli wybrano model o architekturze MLP 6:6-15-14-1:1, ponieważ podczas weryfikacji empirycznej stwierdzono, że obliczony błąd średniokwadratowy dla tego modelu był najmniejszy.
EN
The purpose of the work was to develop a model of changes in time of water content in energy willow chips using artificial neural networks (ANN). The model was developed on the grounds of examination results obtained for convection process applied for drying of 20mm-long willow chips with different diameters, carried out in a laboratory drier with forced air flow. The material was dried at the temperature of 40, 50, 60 and 70°C. Obtained examination results provided grounds to formulate, using the ANN, the model of changes in water content depending on six input variables: drying time, drying medium temperature, length and diameter of chips, and initial water content and weight of chips. The model with MLP architecture 6:6-15-14-1:1 was chosen from among all developed models because empirical verification proved that computed mean square error for that model was lowest.
PL
W pracy podjęto próbę zastosowania sztucznych sieci neuronowych do modelowania rozkładu temperatury w zrębkach suszonych konwekcyjnie. W modelu uwzględniono cztery zmienne wejściowe: temperaturę czynnika suszącego, początkową zawartość wody, wymiary zrębka, czas suszenia oraz jedna wyjściową - temperaturę materiału. Do budowy modelu posłużyły wyniki badań procesu konwekcyjnego suszenia zrębków wierzby, w trzech temperaturach: 50, 60 i 70°C, w suszarce z wymuszonym obiegiem powietrza. Podczas suszenia, w równych odstępach czasowych, określano zawartość wody i temperaturę materiału. Sformułowany model w oparciu o sztuczne sieci neuronowe został wybrany na podstawie najmniejszej wartości błędu średnio kwadratowego dla zbioru walidacyjnego. Następnie model ten poddano testowaniu i weryfikacji za pomocą wyników pomiarów wykonanych w takich samych warunkach jak opisane powyżej. Stwierdzono, że model poprawnie opisuje kinetykę zmian temperatury materiału w zależności od wybranych czterech czynników wejściowych.
EN
The paper demonstrates an attempt to employ artificial neural networks to model temperature distribution in chips being dried in the convection process. Four input variables were taken into account in the model: drying medium temperature, initial water content, chip dimensions and drying time, and one output variable - material temperature. Examination results for willow chips convection drying process, carried out at three temperature values: 50, 60 and 70°C in a drier with forced air flow were used to build the model. During drying the researchers were determining water content and material temperature at equal time intervals. The model formulated using artificial neural networks was selected according to the lowest mean square error value for validation set. Then, this model was subject to testing and verification using results of measurements performed in the same conditions as those described above. It has been observed that the model correctly describes kinetics of changes in material temperature depending on the selected four input factors.
EN
This paper presents neural network model used for designing the assumed curve of hardness after carbonizing steel in fluidized bed. This process is very complicated and difficult as multi-parameters changes are non linear and car drive cross structure is non homogeneous [1÷2]. This fact and lack of mathematical algorithms describing this process makes modeling required curve of hardness by traditional numerical methods difficult or even impossible. In this case it is possible to try using artificial neural network [3÷7]. The neural network structure was designed and prepared by choosing input and output parameters of process. The method of learning and testing neural network, the way of limiting nets structure and minimizing learning and testing error are discussed. Such prepared neural network model, after putting expected values of assumed hardness curve in output layer, can give answers to a lot of questions about parameters of carbonizing process in fluidized bed. This paper presents different conception modeling of carbonizing process parameters and obtain assumed material's properties after carbonizing in fluidized bed. The specially prepared neural networks model could be a help for engineering decisions and may be used in designing carbonizing process in fluidized bed as well as in controlling changes of this process.
PL
Praca prezentuje model neuronowy zastosowany do projektowania oczekiwanych rozkładów twardości stali po nawęglaniu w złożu fluidalnym. Proces ten jest bardzo skomplikowany, jednoczesne zmiany wielu jego parametrów mają charakter nieliniowy, a struktura stali, z której są wykonane obrabiane elementy, jest niejednorodna. Fakt ten oraz brak algorytmów matematycznych opisujących ten proces czyni zastosowanie tradycyjnych metod do modelowania parametrów nawęglania w złożu bardzo trudnym, a niejednokrotnie niemożliwym. W tym przypadku uzasadniona jest próba zastosowania sieci neuronowych do modelowania tego procesu. Odpowiednio zaprojektowana sieć neuronowa może sprawnie służyć do projektowania parametrów procesu nawęglania w złożu fluidalnym. W artykule zaprezentowano nietypową koncepcję modelowania parametrów procesu nawęglania i otrzymywania wcześniej zakładanych właściwości materiału po tym procesie. Odpowiednio przygotowany model neuronowy może być pomocny przy podejmowaniu decyzji inżynierskiej i może być stosowany do kontroli poprawności przebiegu procesu nawęglania.
EN
This paper presents the possibility of using neural networks model for designing a carbonizing process in a fluidized bed. This process is complex and difficult as multi-parameter changes are non-linear and a car drive cross structure is non-homogeneous. This fact and lack of mathematical algorithms describing this process make modeling properties of drive elements by traditional numerical methods difficult or even impossible. In this case, it is possible to use an artificial neural network. Using neural networks for modeling of carbonizing in a fluidized bed is caused by several net features: non-linear character, the ability to generalize the results of calculations different from the learning data set, lack of need of mathematical algorithms describing influence of input parameters changes on modeling materials properties. The neural network structure is designed and specially prepared by choosing input and output parameters of the process. The method of neural network learning and testing, the way of limiting net structure and minimizing learning and testing error are discussed. Such prepared neural network model, after putting desirable values of car cross driving properties in the output layer, can give answers to a lot of questions about carbonizing process in a fluidized bed. The practical implications of the neural network models are the possibility of using them to build control system capable of on- line process control and supporting engineering decision in real time. The originality of this research is a new idea to obtain desirable materials properties after carbonizing in a fluidized bed. The specially prepared neural network model could be a help for engineering decisions and may be used in designing carbonizing process in a fluidized bed as well as in controlling changes of this process.
PL
Praca to prezentuje możliwości zastosowania modelu na bazie sztucznej sieci neuronowej do modelowania nawęglania w złożu fluidalnym. Proces ten jest skomplikowany i wielo-parametryczny, a zmiany poszczególnych jego parametrów są nieliniowe. Fakt ten oraz brak algorytmów matematycznych opisujących wpływ parametrów procesu nawęglania na właściwości mechaniczne elernentów po nawęglaniu utrudnia, a niejednokrotnie uniemożliwia zastosowanie tradycyjnych metod symulacji numerycznej. W tym przypadku, było uzasadnionym podjęcie próby zastosowania sztucznej inteligencji do modelowania tego procesu. Przedstawiona w pracy struktura sztucznej sieci neuronowej została zaprojektowana dla wybranych parametrów oraz wielkości modelowanych procesu nawęglania w złotż fluidalnym. W pracy zostaly omówione metody uczenia i testowania sztucznej sieci neuronowej, redukcji jej struktury oraz minimalizacji błędu uczenia i testowania. Model neuronowy przygotowany w omówiony sposób może odpowiedzieć na wiele pytań dotyczących parametrów procesu nawęglania. W przyszłości istnieje możliwość zastosowania opisanego modelu do budowy systemu wspomagającego decyzje intżnierską i kontrolującego proces nawęglania w czasie rzeczywistym.
EN
Neural network based material model (NMM) is discussed. NMM is formulated as an implicit model for an equivalent material of a structure, basing on displacements measured at selected points of the investigated structure. Two methods of training patterns generation were used. The "on line" autoprogressive Algorithm A and "batch mode" cumulative Algorithm B were discussed. These algorithms were modified and implemented for the pattern "on line" generation and NMM training. A plane truss, taken from, was analyzed using the incremental FE approach on the base of two stage procedure at each load incremental level, which ensures an appropriate response of the structure made of equivalent material on the base of monitored displacements. The iterative algorithms A and B enable formulation of a simple NMM which gives material identification with a great accuracy.
PL
Przedstawiono budowę i zastosowanie neuronowego modelu materiału (NMM). NMM jest sformuowany dla materiału ekwiwalentnego konstrukcji korzystając z przemieszczeń mierzonych w wybranych punktach analizowanej konstrukcji. Identyfikację NMM realizowano za pomocą dwóch algorytmów: autoprogresywnego Algorytmu A oraz kumulacyjnego Algorytmu B. Obydwa algorytmy zostały zmodyfikowane a następnie zastosowane do generowania wzorców służących do zaprojektowania i nauczenia sieci neuronowej czyli utworzenia neuronowego modelu materiału. Do analizy numerycznej wykorzystano wzorcową płaską kratownicę. NMM był formułowany w przyrostowym programie MES, podczas realizacji dwuetapowej procedury wykonywanej w czasie obliczeń dla każdego przyrostu obciążenia. Iteracyjne algorytmy A i B umożliwiają utworzenie prostych NMM, które pozwalają na identyfikację materiału z dużą dokładnością.
PL
Neuronowa identyfikacja danych obrazowych, ze szczególnym naciskiem na analizę ilościową oraz jakościową, coraz częściej wykorzystywana jest do pozyskiwania oraz zgłębiania wiedzy zawartej w danych empirycznych. Ekstrakcja, a następnie klasyfikacja wybranych cech obrazu, pozawala na wytworzenie informatycznych narzędzi do identyfikacji wybranych obiektów, prezentowanych np. w postaci obrazu cyfrowego. W związku z tym, celowym wydaje się być poszukiwanie nowoczesnych metod wspomagających proces edukacyjny w zakresie konstrukcji oraz eksploatacji modeli neuronowych w kontekście ich wykorzystania w procesie analizy obrazu. Dodatkowym celem pracy było porównanie jakości sieci MLP oraz RBF mające na względzie wskazanie optymalnego instrumentu klasyfikacyjnego.
EN
The neuronal identification of pictorial data, with special emphasis on both quantitative & qualitative analysis, is more frequently utilized to gain & deepen the empirical data knowledge. Extraction & then classification of selected picture features, enables one to create computer tools in order to identify these objects presented as, for example, digital pictures. In relationship from this, it seems to be purposeful the search of the modern methods helping educational process in the range of construction as well as exploitation of neuronal models in context of their utilization in picture analysis process. The additional aim of the work was the comparison of neural network of the type MLP and RBF for indication of the optimum classification tool.
PL
Jednym z ważnych etapów badania oraz analizy systemów empirycznych jest proces prognozowania, mający praktyczne zastosowanie w szerokim zakresie działalności ludzkiej. W przypadku przewidywania wielkości płodów rolnych mamy do czynienia z szeregiem złożonych bodźców, które w efekcie przekładają się na wynik końcowy, jakim jest plon. Jakość tych prognoz ma ogromne znaczenie dla kolejnych etapów w łańcuchu produkcyjno-dystrybucyjnym płodów rolnych. Sieci neuronowe w postaci szeregów czasowych są wysublimowaną techniką modelowania, zdolną odwzorować bardzo złożone funkcje. Celem analizy szeregów czasowych jest ustalenie prognozy przyszłych wartości pewnej zmiennej, której wartości zmieniają się w czasie. Najczęściej dąży się do obliczenia prognozy korzystając z wcześniejszych wartości tej samej zmiennej, której wartość ma być przewidywana. Zbiór uczący, wykorzystywany przy neuronowej analizie szeregów czasowych, budowany jest zwykle w oparciu o pojedynczą zmienną, której typ określony jest jako "Wejściowo-Wyjściowy". Oznacza to, że jest ona wykorzystywana zarówno jako wejście sieci neuronowej, jak i jako jej wyjście.
EN
Prediction becomes a very important stage in many activities. In case of expectation crops of chosen agricultural foetuses we deal with a number of stimuli which consequently transform into the end effect. It is clear that the quality of those predictions has a great influence on subsequent stages in the production and distribution chain of agricultural foetuses. Neural networks by time series are a sophisticated technique of modeling capable of reflecting very complex functions. In time series problems, the objective is to predict ahead the value of a variable which varies in time, using previous values of that and/or other variables. The time series training data set therefore typically has a single variable, and this has type input/output (i.e., it is used both for network input and network output).
EN
In this article, a method for assessing the quality of now-widespread neuron models is presented. Attention has been paid to the significance of analysing individual input quantities in the model constructed. Then, the parameters which are quantitative measures of the neural model's quality have to be specified. The need for structural verification of the network is stressed, which is the basis for stating that the neural model obtained has been well matched with the investigation results. The assessment of the neural model's quality has been shown, using a model of the flow characteristics of fabrics as an example.
PL
Omówiono przykładowy proces budowy neuronowego modelu dla zapotrzebowania na ciepło budynku jednorodzinnego na podstawie danych z monitoringu obiektu. Poszczególne etapy procesu w rzeczywistości nie są tak rozłączne jak przedstawione w artykule, lecz inaczej trudno byłoby ten proces omówić. Omówione postępowanie znajduje zastosowanie w układach automatycznej regulacji z wyprzedzeniem.
EN
An example of neuron model development is given. The model is based on the monitoring data regarding heat requirements of a single-family building. Respective process stages are actually not as separable as they are presented in the paper, but the presentation of the whole process might prove difficult otherwise. The said procedure is applied in automatic in-advance control systems.
first rewind previous Strona / 2 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.