Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 11

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  fuzzy neural networks
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
EN
In this research the information technology for stock indexes forecast on the base of fuzzy neural networks was created. The possibility of its use for multi-parameter short-time stock indexes forecasts, in particular S&P500, DJ, NASDAC was checked. The created information technology is used making several consequential steps. The stock indexes forecast numeral experiment based on real data for period of several years with use of the technology offered was made.
2
Content available remote Intelligent LQI-based wireless sensor network applied to ZigBee positioning system
EN
In this paper, a link quality indicator (LQI) based wireless sensor network (WSN) constructed by a recurrent fuzzy neural network (RFNN) is developed as a ZigBee Positioning System (ZPS) to monitor and realize the tag of 802.15.4/ZigBee locations. First, the performance of LQI is demonstrated, then it is applied to develop a ZPS which is used to verify the performance of indoor location identification. Finally, an RFNN is used to combine with the ZPS to develop a location system, and it can be applied for children’s position monitoring. The experimental results demonstrate good positioning performance has been achieved by the proposed location system.
PL
W artykule opisano sieć czujników bezprzewodowych zbudowaną za pomocą sieci neuronowej RFNN, na bazie metody LQI. Ma ona zastosowanie w protokole 802.15.4/ZigBee jako blok lokalizacji (ZigBee Positioning System). Omówione zostało zastosowanie LQI, który został wykorzystany w projektowaniu ZPS. Na koniec wykorzystano RFNN oraz ZPS w budowie systemu lokalizacji. Badania eksperymentalne potwierdziły skuteczność działania proponowanego systemu.
EN
The paper aims to present possibilities of management support by more precise estimates of critical tasks in projects through the use of intelligent techniques. In this paper a case is considered in which the client is forced to change the project specification after commencement of investment. To minimize the loss, the client may attempt to find other alternative solutions to complete the project. In view of expenditure and investment in progress, a group of alternative projects that fulfill the assumed constraints (e.g. financial and temporal) is sought. To support the choice of alternative projects, estimates of critical tasks within the project are calculated, using intelligent techniques as well as traditional statistical methods. The results are determined using the database of past projects that are found in the information systems of the enterprise.
PL
Artykuł prezentuje próbę klasyfikacji stanu ostrzy i rodzaju noży pracujących zespołowo na głowicy urabiającej. Jako narzędzie służące do takiej oceny wykorzystano sztuczne sieci neuronowe. Zarejestrowano sygnały mocy oraz momentu urabiania głowicą wielonarzędziową z zamontowanymi nożami stycznymi oraz promieniowymi. Badania realizowano poprzez urabianie nożami ostrymi oraz częściowo zużytymi. W celu wyeliminowania zmiennych mających wpływ na przebieg procesu urabiania, w eksperymencie posłużono się modelową bryłą skalną. Zamieszczone wyniki stanowią część badań nad wykorzystaniem metod sztucznej inteligencji w badaniach noży i głowic urabiających. Jako zmienne wejściowe do sztucznych sieci neuronowych wykorzystano charakterystyczne parametry statystyczne przebiegów czasowych, tj. wariancję, skośność oraz kurtozę. Zmienną wyjściową SSN był stan ostrzy noży urabiających (ostre lub stępione) oraz rodzaj zamontowanych narzędzi (promieniowe lub styczne).
EN
The publication presents an attempt to identify the status and type of cutters working as an assembly on a multi-tool head with the use of a new method. The paper presents results of research on utilising artificial neural networks to identify type and point's status cutting tools used in multi-tool excavating heads of mechanical coal miners. The time courses of mining torque and power for a multi-tool head with installed radial and tangent- rotational tools were recorded. The tests covered mining with sharp and partially blunt cutters. In order to limit the variables influencing the excavating process, a model rock was used for the experiment. The received time courses were used as input variables for the Artificial Neural Network. For this purpose, mining power and torque signals statistical parameters were established: variance, skewness, and kurtosis. The Radial Basis Function (RBF) networks, Mul- tilayer Perceptron (MLP) structure networks and Fuzzy Neural Networks (FNN), verified in the previous identification tests, were used for analysis.
PL
Redukcja czasu topienia wsadu w piecu łukowym jest ważnym zagadnieniem praktycznym. Mimo że wiele parametrów procesu EAF ma charakter stochastyczny, do sterowania nim wykorzystuje się proste modele, bazujące na liniowych obwodach elektrycznych. Celem artykułu jest prezentacja nowego sposobu budowy modelu procesu opartego na metodach inteligencji obliczeniowej, w szczególności sieci neuronowo-rozmyte, które pozwalają wyznaczyć energię niezbędną dla poprawnego przeprowadzenia procesu elektrołukowego.
EN
Time reduction of steel scraps meltdown is a really challenging problem. Typically this process is stochastic without any determinism and only simple and naive rules, based on linear electric circuits, are currently used to manage such processes. The goal of the paper is to present the way of building an accurate model concerning neuro-fuzzy approach, that would be helpful in predicting amount of the energy needed by the electric are furnace.
PL
W pracy przestawiono wyniki klasyfikacji wielowymiarowych próbek danych, uzyskanych z pomiarów przepływu krwi w środkowej tętnicy mózgowej za pomocą ultrasonografii dopplerowskiej. Do wspomagania diagnostyki skurczu naczyń mózgowych zastosowano klasyfikatory wielu ekspertów, które są zbudowane w oparciu o klasyfikatory hierarchiczne typu HME i zespoły sieci neuronowych. Ekspertami w klasyfikatorze są rozmyte sieci neuronowe typu AN FIS (ang. Adaptive Neuro-Fuzzy Inference System). Opisano budowę klasyfikatora oraz przedstawiono jakość klasyfikacji w zależności od różnych konfiguracji danych wejściowych.
EN
In this study the author presents the use of Many Experts'Classifier for diagnosis of spasm in The Middle Cerebral Artery (MCA). Blood flow velocity in the MCA can be measured with Transcranial Color-Coded Doppler ultrasonography (TCCD). As experts in many experts' classifer there were applied ANFIS (Adaptive Neuro - Fuzzy Inference System). The fuzzy neural network show very good performance in the two-class separation problem, In "no spasm + mild spasm" to "moderate spasm + severe spasm" detection, classification accuracy amounted to 94%. The accuracy was higher than that obtained by the human investigator.
PL
W rozprawie przedstawiono rozwiązania wybranych rodzajów sztucznych sieci neuronowych w zastosowaniu do zadań klasyfikacji. W szczególności rozważania dotyczą zmodyfikowanych struktur sieci Takagi-Sugeno-Kanga (TSK) bazujących na teorii zbiorów rozmytych oraz sieci wykorzystującej technikę wektorów podtrzymujących (SVM). Zaproponowano modyfikacje struktur sieci TSK i algorytmów uczących zwiększających efektywność klasyfikacji. Rozwiązania autorskie pozwalają uzyskać większą skuteczność klasyfikacji przy dużo mniejszej liczbie parametrów podlegających adaptacji, co oznacza szybsze i bardziej stabilne ich uczenie. W przypadku sieci SVM, autor dokonał krytycznej oceny różnych rozwiązań, dobierając wersję najlepszej dostosowaną do rodzaju rozwiązywanego zadania. Zaproponowane struktury sieciowe zastosowano do rozwiązania dwu zagadnień praktycznych: kalibracji układu "sztucznego nosa" do analizy mieszanin gazowych oraz układu rozpoznającego arytmie serca. Są to trudne zadania klasyfikacyjne, mające dużą wartość aplikacyjną. Dla rozwiązania tych zadań, autor opracował odpowiednie specjalistyczne algorytmy wstępnego przetwarzania sygnałów, generujące zestaw cech tworzących wektor sygnałów wejściowych dla sieci neuronowej. Zastosowanie skutecznych algorytmów wstępnego przetwarzania danych w połączeniu z efektywnymi rozwiązaniami sieci neuronowych pozwoliło uzyskać wyniki na wysokim poziomie, konkurencyjnym w stosunku do uznanych rozwiązań światowych. W pracy omówiono i przeprowadzono eksperymenty numeryczne związane z integracją pojedynczych wyników klasyfikatorów. Integracja taka pozwoliła powiązać wyniki różnych klasyfikatorów,tworząc układ o jeszcze lepszej skuteczności. Rezultaty pracy mają duże znaczenie teoretyczne i potencjalne możliwości zastosowania w praktyce.
EN
Two modern neural network structures applied for the solution of chosen classification problems have been presented in the work. The author has developed the modified Takaga-Sugeno-Kang (TSK) network implementing fuzzy reasoning rules and also the Support Vector Machine (SVM) network. The structure and the learning algorithms of the TSK network have been modified by the author to obtain better results of classifications. In the case of SVM network, different learning algorithms have been verified in order to select the proper one for the experiments concerned in the thesis. The author has considered two practical problems: the calibration of gas mixture sensors in artificial nose arrangement and the automatic analyzer of the heart arrhythmias, based on ECG recorded signals. These problems are known of their difficulties because of fuzziness of recorded signals. To reduce the effect of these inaccuracies, the author has developed specialized different preprocessing methods. The application of such algorithms and the efficient neural network solutions have resulted in a number of high quality results. Additionally, in view of existence of various algorithms and classifiers applied in the solution, their integration algorithm has been proposed. This integration method employs the individual results from elementary classifiers and generates the final, better and more reliable results. The presented novel theoretical results may find practical applications in real life systems.
8
Content available remote Fuzzy inference neural networks with fuzzy parameters
EN
This paper concerns fuzzy neural networks and fuzzy inference neural networks, which are two different approaches to neuro-fuzzy combinations. The former is a direct fuzzification of artificial neural networks by introducing fuzzy signals and fuzzy weights. The latter is a representation of fuzzy systems in the form of multi-layer connectionist networks, similar to neural networks. Parameters of membership functions (centers and widths) play the role of neural network weights. In this paper, fuzzy inference neural networks with fuzzy parameters are considered. Neuro-fuzzy systems of this kind utilize both approaches: fuzzy neural networks and fuzzy inference neural networks. They also pertain to fuzzy systems of type 2 since membership functions with fuzzy parameters characterize type 2 fuzzy sets. Various architectures of these networks have been obtained for fuzzy systems based on different fuzzy implications. By analogy with fuzzy inference neural networks with crisp parameters, methods of learning fuzzy parameters and rule generation can be derived for neuro-fuzzy systems with fuzzy parameters. Fuzzy inference neural networks are studied in the framework of fuzzy granulation. In particular, fuzzy clustering as fuzzy information granulation is proposed to be applied in order to generate fuzzy IF-THEN rules. Applications of fuzzy inference neural networks are also outlined.
9
Content available remote Generation and Optimization of Fuzzy Neural Networks Structure
EN
The paper presents the possibility of application of genetic algorithms for optimization of fuzzy neural networks structure and its application to pattern recognition. A genetic method to generate a fuzzy neural network, which has both structure and synapse weights adequate for a given task is proposed.
PL
W pracy zaprezentowano możliwość zastosowania algorytmów genetycznych do optymalizacji struktury rozmytej sieci neuronowej. Przedstawiono przykład wykorzystania romytej sieci neuronowej do rozpoznania wzorców Operacje genetyczne zostały użyte do dostosowania struktury sieci i wag synaptycznych. Dostosowanie ma charakter dynamiczny, wykorzystywany jest rozproszony algorytm genetyczny. Wyniki uzyskano w języku C++ w środowiski Windows.
10
Content available remote A neuro-fuzzy approach to system modelling. Part II. Applications
EN
The description of behaviour of complex and ill-defined systems and processes is usually based on a combination of two types of knowledge and data: a qualitative, fuzzy knowledge which contains elements of uncertainty and vagueness and often is expressed in the form of linguistic rules usually provided by a domain expert, and a quantitative, nonfuzzy information which appears in the form of measurements and other numerical data. Part I (ACS No. 1/2 1998) of this paper presents a methodology for modelling of complex systems which can effectively represent, process and generalize both mentioned-above types of system's knowledge. The proposed methodology combines artificial neural networks with some elements of the theory of fuzzy sets and fuzzy logic, yielding a structure that can be called a fuzzy neural network or a neuro-fuzzy system. Two examples of the application of our approach in the area of system modelling are presented in Part II of the paper.
11
Content available remote A neuro-fuzzy approach to system modelling. Part I. Methodology
EN
Description of behaviour of complex and ill-defined systems and processes is usually based on a combination of two types of knowledge and data: a qualitative, fuzzy knowledge which contains elements of uncertainty and vagueness, and often is expressed in the form of linguistic rules usually provided by a domain expert, and quantitative, nonfuzzy information which appears in the form of measurements and other numerical data. Part I of this paper presents a methodology for modelling of complex systems which can effectively represent, process and generalize both above-mentioned types of system's knowledge. The proposed methodology combines artificial neural networks with some elements of the theory of fuzzy sets and fuzzy logic, yielding a structure that can be called a fuzzy neural network or a neuro-fuzzy system. Two examples of application of our approach in the area of system modelling are presented in Part II of the paper (ACS No. 3/4 1998).
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.