Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 4

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: klasyfikacja danych

Sortuj według:

Ogranicz wyniki do:

Klasyfikacja danych - przegląd wybranych metod

100%

Fatyga P. , Podraza R.

2010

tom T. 19

55-60

Artykuł przedstawia zagadnienie tworzenia klasyfikacji danych oraz dokonuje przeglądu kilku popularnych metod wyznaczania klasyfikacji takich jak: teoria zbiorów przybliżonych, wzorce wyłaniające się czy maszyny wektorów podpierających, pokrótce omawiając mechanizmy matematyczne będące podstawą każdego z klasyfikatorów. W ramach pracy porównana jest efektywność poszczególnych metod dla różnych zadań (zbiory małe/duże, klasyfikacja dwu/wieloklasowa), jak również przeprowadzana jest częściowa analiza uzyskanych wyników. Na tej podstawie zarysowane są charakterystyki danych, dla których określone metody uzyskują najlepsze wyniki.

This paper describes the problem of data classifications and reviews some classification methods such as Emerging Patterns, Support Vector Machines or Rough Sets. It introduces a brief summary of the main concepts of each method and tries to compare the classifiers' performance for various tasks (small and large data sets, bi- and multi-class classification etc.). Based on the results a partial analysis is being done and characteristics of each classifier are outlined.

Obiektowa implementacja algorytmu klasteryzacji metodą k-średnich

63%

Dramski M.

2009

tom nr 1

25-27

Algorytm klasteryzacji metodą k-średnich to jeden z najpopularniejszych sposobów służących do klasyfikacji danych przy użyciu metod sztucznej inteligencji. Otrzymane klastry mogą dalej posłużyć do budowy np. modeli neuronowych z wykorzystaniem dzwonów Gaussa (sieci RBF) czy rozmytych modeli Takagi-Sugeno. Niniejszy artykuł przedstawia implementację tego algorytmu języku C++. Można tu znaleźć opis klasy, która może później posłużyć jako biblioteka do dowolnego programu napisanego w tym języku

K-means clustering algorithm is one of the most popular ways for data classification using artificial intelligence methods. Obtained clusters can be further used e.g. to build RBF networks or Takagi-Sugeno fuzzy models. This paper contains the implementation of this algorithm in C++ programming language. You can find there the description of the class, which can serve as a library in different programs written in C++.

Wykorzystanie sieci neuronowej MLP2LN do wyszukiwania wzorców i reguł w bazach danych pozyskiwanych z badań tribologicznych

63%

Wójcicki T.

2002

tom nr 4

33-45

W artykule przedstawono metodę wyszukiwania wzorców i reguł w danych z wykorzystaniem sieci neuronowej typu MLP2LN. Opisano architekturę sieci, sposób definiowania zmiennych lingwistycznych, funkcję kosztu, algorytm uczenia, sposób interpretacji węzłów warstwy regułowej. Pokazano przykład zastosowania metody do analizy danych pozyskiwanych z badań tribologicznych.

This paper shows method for patterns and rules searching in data with the use of MLP2LN neural network. Basic problems occurring in designing process area briefly described. The example of method application in tribological research is presented.

Zastosowanie detektorów neuronowych w detekcji ekscentryczności silników indukcyjnych

51%

Kamiński M. , Ewert P. , Kowalski C. T.

2010

tom Vol. 64, nr 30

303-311

Wczesna detekcja ekscentryczności w silnikach indukcyjnych ma duże znaczenie w eksploatacji napędów ze względu na skutki jej występowania. Monitorowanie ekscentryczności jest z reguły realizowane na podstawie analizy widmowej prądu stojana i oceny amplitud charakterystycznych częstotliwości. W artykule przedstawiono możliwość zastosowania detektorów neuronowych do wykrywania ekscentryczności silnika. Do trenowania i testowania sieci neuronowej wykorzystano dane uzyskane z modelowania polowo-obwodowego silnika z różnymi rodzajami i stopniami ekscentryczności. Przedstawiono badania prezentujące wpływ struktury sieci neuronowej oraz wstępnego przygotowania danych wejściowych na dokładność detekcji uszkodzeń.

Early detection of eccentricity in induction motors is very important in the exploitation of motors due to the consequences of its occurrence. Monitoring of the eccentricity is usually made on the basis of spectral analysis of the stator current and observation of the characteristic frequency amplitudes. In the article possibility of neural networks application for detection of eccentricity in induction motors is presented. The training and test of the neural network is based on data obtained from field-circuit modeling of the motor with different types and degrees of eccentricity. Influence of the neural networks structure and initial data scaling on precision of fault detection is presented.