PRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH
|
|
- Wiktoria Romanowska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Przewody wodociągowe, sieci neuronowe, uszkodzenia Małgorzata KUTYŁOWSKA* PRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH Celem pracy jest analiza i ocena przydatności stosowania sztucznych sieci neuronowych do prognozowania rodzaju uszkodzeń występujących na przewodach wodociągowych. Informacje o zaobserwowanych awariach sieci wodociągowej w Głogowie z lat posłużyły do uczenia sieci neuronowej, natomiast sprawdzenie poprawności modelu (prognoza) wykonano na zbiorze danych z lat Wyniki prognozy za pomocą klasyfikujących sieci neuronowych są obiecujące, gdyż uszkodzenie typu korozja zostało przyporządkowane ze stuprocentową dokładnością, natomiast pęknięcie zostało błędnie zidentyfikowane jedynie w osiemnastu przypadkach na 198. Wyniki uzyskane z zastosowaniem wybranego modelu wielowarstwowego perceptronu (MLP 8-3-2) potwierdziły, występującą w praktyce eksploatacyjnej analizowanej sieci wodociągowej, zależność rodzaju uszkodzeń rurociągów od ich materiału. 1. WSTĘP 1.1. SZTUCZNE SIECI NEURONOWE Sztuczne sieci neuronowe (SSN) wydają się być bardzo obiecującym narzędziem do przewidywania wybranych zjawisk w inżynierii środowiska, co wykazano w pracy [3]. W ostatnich latach obserwuje się znaczny postęp związany nie tylko ze stosowaniem nowych technologii, ale także z możliwością wykorzystania, poza tradycyjnymi modelami matematycznymi, sztucznych sieci neuronowych do prognozowania niestacjonarnych i zmiennych zjawisk zachodzących w powietrzu, w systemach dystrybucji wody i usuwania ścieków oraz w technologii uzdatniania wody i oczyszczania ścieków. Sztuczne sieci neuronowe są narzędziem przydatnym, stosowanym w inżynierii * Instytut Inżynierii Środowiska, Politechnika Wrocławska, pl. Grunwaldzki 9, Wrocław, malgorzata.kutylowska@pwr.wroc.pl.
2 312 M. KUTYŁOWSKA środowiska, jednak należy pamiętać, że każdy rozwiązywany problem jest inny i w związku z tym nie ma jednej wykładni mówiącej, jaką strukturę sieci i które metody uczenia należy wybrać w celu określenia wartości wag wszystkich warstw. W zależności od rodzaju danych wejściowych i celu optymalizacji należy każdorazowo, często metodą prób i błędów, dokonać wyboru m. in. liczby neuronów ukrytych [6] SIEĆ WODOCIĄGOWA W GŁOGOWIE Jednym z najważniejszych elementów systemu zaopatrzenia w wodę jest sieć wodociągowa, która powinna charakteryzować się dużą niezawodnością działania i niskimi kosztami eksploatacji. Prawidłowa eksploatacja sieci dystrybucji oraz przewidywanie przyczyn, rodzaju i liczby uszkodzeń przewodów pozwolą podjąć kroki zmierzające do zmniejszenia awaryjności, polepszenia stanu technicznego i hydraulicznego sieci oraz stworzenia programu naprawy i odnowy rurociągów. Sieć wodociągowa w Głogowie charakteryzuje się średnim poziomem awaryjności opisanym za pomocą wskaźnika intensywności uszkodzeń, porównywalnym z poziomem w innych miastach w Polsce i na świecie. Opis systemu wodociągowego w Głogowie oraz analizę awaryjności w latach zamieszczono w pracy [4]. Głównymi obserwowanymi rodzajami uszkodzeń przewodów były pęknięcia i korozja materiału rur, a także niesprawności armatury. Intensywność uszkodzeń przyłączy wodociągowych, w porównaniu do magistrali i przewodów rozdzielczych była największa. W okresie jesienno-zimowym awaryjność przewodów była zwiększona, co związane jest z warunkami atmosferycznymi i niekiedy zbyt płytkim ułożeniem rurociągów. W tym opracowaniu głównym celem jest zaprezentowanie możliwości przewidywania rodzaju uszkodzeń przewodów wodociągowych za pomocą klasyfikujących sieci neuronowych. W przyszłości, bazując na tych pierwszych podstawowych badaniach, model będzie mógł być rozbudowany o dodatkowe zmienne eksploatacyjne w celu zwiększenia możliwości aplikacyjnych, np. w przedsiębiorstwach wodociągowych. Podobne analizy zostały przeprowadzone już kilka lat temu [1], co pozwoliło dokonać, w rozpatrywanej przez autorów sieci dystrybucji wody, wiele zmian nie tylko technicznych, ale również związanych z zarządzeniem systemem. 2. METODYKA BADAŃ Do analizy przydatności stosowania klasyfikujących SSN w celu modelowania rodzaju uszkodzeń wykorzystano zapisy z dzienników awarii sieci wodociągowej w Głogowie w latach oraz [5] dotyczące sieci magistralnej, rozdzielczej i przyłączy (bez awarii armatury), w podziale na liczbę i rodzaj uszko-
3 Przewidywanie rodzaju uszkodzeń przewodów wodociągowych za pomocą klasyfikujących 313 dzeń, co przedstawiono na rysunku 1. Dane z lat (łącznie 526 przypadków z czego 50% stanowiły dane do uczenia sieci, 25% do testowania oraz 25% do walidacji modelu) posłużyły do stworzenia modeli sieci neuronowych i ich prawidłowego przetrenowania, natomiast informacje z lat (łącznie 198 przypadków) wykorzystane zostały do wykonania prognozy rodzaju uszkodzeń na wybranych modelach sieci. Sieć neuronowa nie znała wcześniej danych o awariach z lat , co pozwoliło na uzyskanie miarodajnych wyników prognoz. Należy pamiętać, że liczba przypadków podana na wejście do sieci nie była równa liczbie zanotowanych uszkodzeń, gdyż na niektórych przewodach (o określonej średnicy i materiale) zaobserwowano w ciągu roku większą liczbę uszkodzeń niż 1. Natomiast do sieci neuronowej podano sumaryczną dla każdego roku, a nie całego okresu badań, liczbę awarii. Przykład danych (kilka przypadków dla 2001 roku) wprowadzanych do sieci zestawiono w tabeli 1. Tabela 1. Przykład kilku przypadków danych uczących Średnica Materiał Liczba uszkodzeń Rodzaj uszkodzenia 100 stal 3 korozja 65 stal 2 korozja 100 żeliwo 1 pęknięcie 100 stal 1 korozja 125 stal 1 korozja 150 stal 7 korozja 100 stal 1 korozja 100 żeliwo 1 pęknięcie 225 PCW 1 pęknięcie 150 stal 2 korozja 100 stal 3 korozja Analizując dane z dzienników awarii zaobserwowano, że rurociągi stalowe ulegały głównie korozji, natomiast uszkodzenia przewodów wykonanych z azbestocementu, tworzyw sztucznych i żeliwa szarego to w większości pęknięcia. Analiza danych na rys. 1 uwidacznia, że na przestrzeni kilku lat zmniejszyła się liczba występujących przypadków korozji na rzecz pęknięć. Uzasadnienie i wytłumaczenie tego faktu nie jest możliwe, gdyż nie dysponowano odpowiednimi informacjami z eksploatacji i inwentaryzacji rozważanego systemu dystrybucji wody. Pomimo tego, w celu modelowania SSN, zasadne okazało się wybranie wspomnianych wyżej przedziałów czasowych do uczenia i prognozy rodzaju uszkodzeń. Przetrenowanie sieci neuronowej na zbiorze danych charakteryzujących się większą liczbą przypadków korozji w stosunku do pęknięć nie spowodowało przeuczenia sieci. Zachowana została także zdol-
4 Liczba uszkodzeń Liczba uszkodzeń 314 M. KUTYŁOWSKA ność generalizacji podczas wykonywania prognozy dla danych z przeważającą liczbą pęknięć. a) pęknięcia korozja Lata b) pęknięcia korozja Lata Rys. 1. Liczba i rodzaj uszkodzeń sieci wodociągowej w Głogowie w latach a) ; b) Na przewodach sieci wodociągowej w Głogowie, o średnicach mm, występowało, w rozważanym okresie, od 1 do 8 uszkodzeń. Model sieci neuronowej typu wielowarstwowego perceptronu składał się z 8 neuronów wejściowych, z których średnica przewodu oraz liczba uszkodzeń dla poszczególnych średnic i ulic były parametrami ilościowymi reprezentowanymi po jednym neuronie, natomiast pozostałe 6
5 Przewidywanie rodzaju uszkodzeń przewodów wodociągowych za pomocą klasyfikujących 315 impulsów wejściowych mających charakter jakościowy stanowił materiał rur (azbestocement, PCW, PE, stal, stal ocynkowana i żeliwo szare). Wybór zmiennych podawanych na wejście do sieci neuronowej został dokonany na podstawie informacji zawartych w literaturze [2] oraz możliwości wykorzystania danych udostępnionych przez Przedsiębiorstwo Wodociągów i Kanalizacji w Głogowie [5]. W pracy [2], w której modelowano za pomocą SSN intensywność uszkodzeń przewodów wodociągowych, stwierdzono, że znaczący wpływ na efekt modelowania miały: liczba zarejestrowanych awarii, materiał i średnica przewodu. Liczba neuronów ukrytych w zastosowanej jednej warstwie wynosiła Zbyt duża liczba neuronów ukrytych mogłaby prowadzić do przeuczenia i utraty zdolności generalizacji wyników prognozy. Wyjście z sieci neuronowej stanowiły dwa neurony mające charakter parametrów jakościowych, opisujące dwa rodzaje uszkodzeń (pęknięcie i korozja). Modelowanie wykonano przy użyciu programu Statistica. Podczas uczenia sieci metodą quasi-newtona z wykorzystaniem algorytmu zmiennej metryki (BFGS) zastosowano następujące funkcje aktywacji: liniową, logistyczną, tangens hiperboliczny i wykładniczą. Liczba epok uczenia wahała się, w zależności od rozpatrywanego modelu, w granicach W związku z tym, że modelowanie z wykorzystaniem SSN jest podejściem typu czarna skrzynka, wspomniane wyżej warunki brzegowe dla tworzonych modeli zostały założone a priori lub metodą prób i błędów. 3. WYNIKI I DYSKUSJA Podczas trenowania sieci neuronowej (dane z lat ) wybrano 20 modeli charakteryzujących się najmniejszym procentem niepoprawnie zaklasyfikowanych uszkodzeń oraz najlepszymi wynikami jakości uczenia, testowania i walidacji, co przedstawiono w tabeli 2. Pięć wybranych modeli, zaznaczonych w tabeli 2 drukiem pogrubionym, posłużyło do wykonania prognozy rodzaju uszkodzeń przewodów wodociągowych dla lat Wybrano modele o najlepszej jakości uczenia oraz o najmniejszym udziale niepoprawnie przyporządkowanych rodzajów awarii. W przypadkach, w których wspomniany procent był taki sam wybrano modele o najprostszej strukturze (najmniej neuronów ukrytych). Analiza wyników prognozy pokazała, że każdy z 5 modeli generuje takie same rezultaty klasyfikacji. W związku z tym za model najlepiej klasyfikujący uznano ten o najprostszej architekturze MLP 8-3-2, gdyż celem przewidywania za pomocą SSN jest nie tylko uzyskanie zadowalających wyników prognoz, ale również minimalizacja stopnia komplikacji struktury sieci. Im prostsza architektura, tym większe prawdopodobieństwo, że sieć nie zostanie przeuczona i spełnione będą wymogi generalizacji [6]. Prognoza rodzaju uszkodzeń, dla lat na wybranym modelu MLP 8-3-2, dała bardzo dobre rezultaty, co zilustrowano na rys. 2.
6 Liczba przypadków 316 M. KUTYŁOWSKA Tabela 2. Wyniki poprawności klasyfikacji rodzaju uszkodzeń na zbiorze danych uczących Model Jakość uczenia Jakość testowania Jakość walidacji % niepoprawnie zaklasyfikowanych uszkodzeń Funkcja aktywacji-neurony ukryte Funkcja aktywacjineurony wyjściowe MLP ,86 98,47 99,24 1,1407 Logistyczna Softmax MLP ,86 97,71 99,24 1,3308 Liniowa Logistyczna MLP ,86 98,47 99,24 1,1407 Tanh Softmax MLP ,86 98,47 99,24 1,1407 Tanh Softmax MLP ,86 98,47 99,24 1,1407 Logistyczna Softmax MLP ,86 98,47 99,24 1,1407 Tanh Tanh MLP ,86 98,47 99,24 1,1407 Wykładnicza Softmax MLP ,86 98,47 99,24 1,1407 Liniowa Logistyczna MLP ,61 67,94 74,81 34,0304 Logistyczna Logistyczna MLP ,48 98,47 99,24 1,3308 Tanh Logistyczna MLP ,83 96,95 96,18 3,8023 Wykładnicza Wykładnicza MLP ,86 98,47 99,24 1,1407 Tanh Tanh MLP ,86 98,47 99,24 1,1407 Wykładnicza Softmax MLP ,86 98,47 99,24 1,1407 Wykładnicza Softmax MLP ,86 98,47 99,24 1,1407 Wykładnicza Softmax MLP ,80 92,37 95,42 6,6540 Logistyczna Wykładnicza MLP ,86 98,47 99,24 1,1407 Liniowa Softmax MLP ,11 98,47 99,24 1,5209 Liniowa Wykładnicza MLP ,86 98,47 99,24 1,1407 Logistyczna Tanh MLP ,86 98,47 99,24 1,1407 Liniowa Wykładnicza a) ogółem poprawna niepoprawna Korozja Pęknięcie Suma Rodzaj uszkodzenia
7 Klasyfikacja, % Przewidywanie rodzaju uszkodzeń przewodów wodociągowych za pomocą klasyfikujących 317 b) 100,00 90,00 80,00 70,00 60,00 50,00 40,00 30,00 20,00 10,00 0,00 poprawna niepoprawna 100,00 90,91 84,35 15,65 9,09 0,00 Korozja Pęknięcie Suma Rodzaj uszkodzenia Rys. 2. Wyniki prognozy rodzaju uszkodzeń sieci wodociągowej w Głogowie dla modelu MLP a) klasyfikacja liczby przypadków podanych do sieci; b) klasyfikacja procentowa Prognoza (dla modelu MLP 8-3-2) klasyfikująca uszkodzenie typu korozja została dokonana ze stuprocentową dokładnością. Awaria typu pęknięcie została nieprawidłowo przyporządkowana w osiemnastu przypadkach, co stanowiło jedynie ok. 15% całkowitej liczby odnotowanych pęknięć. Ogółem identyfikacja obu rodzajów uszkodzeń przebiegła z dokładnością ok. 91%. Tak dobre rezultaty prognoz wynikają z jednorodności danych wejściowych, gdyż rodzaj uszkodzenia zależny był, po dokonaniu niezbędnych uproszczeń związanych z udostępnionymi danymi, właściwie tylko od rodzaju materiału, z jakiego wykonany był przewód wodociągowy. Uszczegółowienie wstępnej klasyfikacji rodzaju uszkodzeń na etapie analizy dzienników awarii (np. pęknięcie podłużne i poprzeczne, pojedynczy wżer korozyjny, korozja na znacznej długości przewodu, itp.) oraz dysponowanie informacjami o wieku przewodu, panującym w sieci wodociągowej ciśnieniu, warunkach gruntowo-wodnych i długości przewodu pozwoli w przyszłości na uzyskanie większej liczby zmiennych, co przełoży się na większą uniwersalność przedstawionego sposobu prognozy przy użyciu klasyfikujących SSN. 4. PODSUMOWANIE W pracy zaprezentowano możliwość wykorzystania klasyfikujących sztucznych sieci neuronowych do przewidywania rodzaju uszkodzeń przewodów wodociągowych w Głogowie na przykładzie danych z dzienników awarii w latach oraz Analiza wyników pokazała, że przedstawiony sposób matematycznego
8 318 M. KUTYŁOWSKA modelowania potwierdza prawidłowości i zależności znane z praktyki eksploatacyjnej rozważanego systemu dystrybucji wody. Pomimo jednoznacznie uzyskanego potwierdzenia zależności rodzaju uszkodzenia od materiału rury, badania takie są potrzebne z uwagi na rosnące zainteresowanie możliwością wykorzystania modeli sztucznej inteligencji do rozwiązywania zagadnień w inżynierii środowiska. Obecnie coraz częściej stosuje się sztuczną inteligencję do optymalizacji zagadnień inżynierskich, a zwłaszcza takich, które charakteryzują się losowością i dużą zmiennością w czasie. W związku z tym dalsze badania nad możliwością zastosowania podejścia typu czarna skrzynka do modelowania liczby i rodzaju awarii przewodów infrastruktury podziemnej, a także intensywności uszkodzeń są jak najbardziej zasadne i obiecujące. Aby to było możliwe konieczne jest gromadzenie przez zakłady wodociągowokanalizacyjne odpowiedniej bazy danych, co obecnie jest ułatwione z uwagi na wprowadzanie systemu GIS. PODZIĘKOWANIE Autorka składa podziękowanie Pracownikom Przedsiębiorstwa Wodociągów i Kanalizacji w Głogowie za udostępnienie danych i możliwość ich wykorzystania do badań naukowych. LITERATURA [1] IZQUIERDO J., LOPEZ P.A., MARTINEZ F.J., PEREZ R., Fault detection in water supply systems using hybrid (theory and data-driven) modelling, Mathematical and Computer Modelling, 2007, Vol. 46, No. 3-4, [2] JAFAR R., SHAHROUR I., JURAN I., Application of Artificial Neural Networks (ANN) to model the failure of urban water mains, Mathematical and Computer Modelling, 2010, Vol. 51, No. 9-10, [3] KABSCH-KORBUTOWICZ M., KUTYŁOWSKA M., Sztuczne sieci neuronowe jako narzędzie do modelowania zagadnień związanych z inżynierią środowiska- stan wiedzy, Gaz, Woda i Technika Sanitarna, 2012, No. 5, [4] KUTYŁOWSKA M., HOTLOŚ H., Failure analysis of water supply system in the Polish city of Głogów, Engineering Failure Analysis, w recenzji. [5] Materiały udostępnione przez Przedsiębiorstwo Wodociągów i Kanalizacji w Głogowie, [6] OSOWSKI S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa PREDICTION OF WATER PIPES FAILURES USING CLASSIFYING NEURAL NETWORKS The aim of the work is the analysis of using artificial neural networks to predict kind of failures occurring on the water pipes. Information about the observed breakdowns of water network in Głogów in years were used to learn the neural network. Verification of model validity (prognosis) was done using data sets from years The prognosis results are promising. Corrosion was classified at the level of 100 percent accuracy. Cracks were classified incorrectly only in 18 per 198 times. Results obtained using chosen model of multilayer perceptrone (MLP 8-3-2) confirm, known from operation of analyzed water system, regularity and relationships between the material and kinds of failure.
Projekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej szczegółowoWYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN
Inżynieria Rolnicza 2(9)/7 WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Akademia
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
Bardziej szczegółowoAnaliza awaryjności systemu dystrybucji wody miasta Toruń
PASELA Rafał 1 DWORAK Jarosław 1 TOTCZYK Grażyna 1 RAMCZYK Marek Antoni 1 NAPIERAJ Krzysztof 1 MARCHEWKA Adam 2 Analiza awaryjności systemu dystrybucji wody miasta Toruń WSTĘP Problematyka oceny niezawodności
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 4 Modelowanie niezawodności prostych struktur sprzętowych Prowadzący: mgr inż. Marcel Luzar Cel
Bardziej szczegółowoNiezawodność funkcjonowania systemów zaopatrzenia w wodę
ŁUKASIK Zbigniew 1 KUŚMIŃSKA-FIJAŁKOWSKA Aldona 2 NOWAKOWSKI Waldemar 3 Niezawodność funkcjonowania systemów zaopatrzenia w wodę WSTĘP System zaopatrzenia w wodę (SZW) stanowi infrastrukturę przeznaczoną
Bardziej szczegółowoAnaliza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4
Wojciech Sikora 1 AGH w Krakowie Grzegorz Wiązania 2 AGH w Krakowie Maksymilian Smolnik 3 AGH w Krakowie Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoMapy ryzyka systemu zaopatrzenia w wodę miasta Płocka
Mapy ryzyka systemu zaopatrzenia w wodę miasta Płocka 27 Stanisław Biedugnis, Mariusz Smolarkiewicz, Paweł Podwójci, Andrzej Czapczuk Politechnika Warszawska. Wstęp W artykule zawartym w niniejszej zbiorczej
Bardziej szczegółowoStreszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych
InŜynieria Rolnicza 11/2006 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie METODA PROGNOZOWANIA WARTOŚCI PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH MASZYN ROLNICZYCH
Bardziej szczegółowoAnaliza i ocena niezawodności sieci wodociągowej z punktu widzenia gotowości zaopatrzenia w wodę
Dawid Szpak Politechnika Rzeszowska 1 Analiza i ocena niezawodności sieci wodociągowej z punktu widzenia gotowości zaopatrzenia w wodę Wstęp Podstawowym zadaniem systemu zbiorowego zaopatrzenia w wodę
Bardziej szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej szczegółowoZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al
LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT
Bardziej szczegółowoZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH
Inżynieria Rolnicza 9(118)/2009 ZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoPROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2
PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 Celem opracowania algorytmu obliczeń jest umożliwienie doboru zestawu maszyn do robót
Bardziej szczegółowoSieci neuronowe w Statistica
http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI W LOGISTYCE
PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 117 Transport 2017 Arkadiusz Jóźwiak Wojskowa Akademia Techniczna, Wydział Logistyki, Instytut Logistyki Andrzej Świderski Instytut Transportu Samochodowego ALGORYTMY
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoSztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW
Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się
Bardziej szczegółowoRurociągi polietylenowe w wodociągach i kanalizacji
Rurociągi polietylenowe w wodociągach i kanalizacji Rozwój rynku w Polsce i niezawodność funkcjonowania. 1. Wprowadzenie Analizując polski rynek inwestycyjny w zakresie stosowania rur z różnych materiałów
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoSZTUCZNE SIECI NEURONOWE W MODELOWANIU ZJAWISK ZACHODZĄCYCH NA RYNKU NIERUCHOMOŚCI
Dr Agnieszka MAZUR-DUDZIŃSKA Politechnika Łódzka, Katedra Zarządzania SZTUCZNE SIECI NEURONOWE W MODELOWANIU ZJAWISK ZACHODZĄCYCH NA RYNKU NIERUCHOMOŚCI Streszczenie: Celem referatu jest zastosowanie sztucznych
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
Bardziej szczegółowoSTAN TECHNICZNY SIECI WODOCIĄGOWYCH W MAŁYCH WODOCIĄGACH WOJEWÓDZTWA MAŁOPOLSKIEGO I PODKARPACKIEGO
INFRASTRUKTURA I EKOLOGIA TERENÓW WIEJSKICH INFRASTRUCTURE AND ECOLOGY OF RURAL AREAS Nr 3/IV/2013, POLSKA AKADEMIA NAUK, Oddział w Krakowie, s. 291 304 Komisja Technicznej Infrastruktury Wsi STAN TECHNICZNY
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoDIAGNOSTYKA DOBORU ŚREDNIC PRZEWODÓW WODOCIAGOWYCH ZA POMOCĄ SZTUCZNYCH SIECI NEURONOWYCH TYPU MLP: PRZYKŁAD OBLICZENIOWY
DIAGNOSTYKA DOBORU ŚREDNIC PRZEWODÓW WODOCIAGOWYCH ZA POMOCĄ SZTUCZNYCH SIECI NEURONOWYCH TYPU MLP: PRZYKŁAD OBLICZENIOWY Jacek DAWIDOWICZ Wydział Budownictwa i Inżynierii Środowiska, Politechnika Białostocka,
Bardziej szczegółowoMODELOWANIE PROCESÓW PRZETWÓRCZYCH Z UŻYCIEM SZTUCZNYCH SIECI NEURONOWYCH
Inżynieria Rolnicza 7(125)/2010 MODELOWANIE PROCESÓW PRZETWÓRCZYCH Z UŻYCIEM SZTUCZNYCH SIECI NEURONOWYCH Jerzy Langman, Norbert Pedryc Katedra Inżynierii Mechanicznej i Agrofizyki, Uniwersytet Rolniczy
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoNEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.
Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład 5 Sztuczne sieci neuronowe (SSN) 8 grudnia 2011 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką,
Bardziej szczegółowoDariusz Brzeziński Instytut Informatyki, Politechnika Poznańska
Dariusz Brzeziński Instytut Informatyki, Politechnika Poznańska Podstawowe architektury sieci neuronowych Generowanie sztucznych danych Jak się nie przemęczyć Korzystanie z istniejących wag Zamrażanie
Bardziej szczegółowoMODELOWANIE FAZ ZNI ANIA I L DOWANIA SAMOLOTU BOEING 767-300ER PRZY U YCIU SZTUCZNYCH SIECI NEURONOWYCH
P R A C E N A U K O W E P O L I T E C H N I K I W A R S Z A W S K I E J z. 102 Transport 2014 Aleksandra Stycunów, Jerzy Manerowski Politechnika Warszawska, Wydzia Transportu MODELOWANIE FAZ ZNI ANIA I
Bardziej szczegółowoMOŻLIWOŚCI ZASTOSOWANIA METOD DATA MINING DO ANALIZY ILOŚCI ŚCIEKÓW DOPŁYWAJĄCYCH DO OCZYSZCZALNI
MOŻLIWOŚCI ZASTOSOWANIA METOD DATA MINING DO ANALIZY ILOŚCI ŚCIEKÓW DOPŁYWAJĄCYCH DO OCZYSZCZALNI Monika Paluch-Puk, Instytut Inżynierii Środowiska, Uniwersytet Przyrodniczy we Wrocławiu W każdej oczyszczalni
Bardziej szczegółowoInteligentne systemy przeciw atakom sieciowym
Inteligentne systemy przeciw atakom sieciowym wykład Sztuczne sieci neuronowe (SSN) Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Inteligentne systemy przeciw atakom sieciowym 2016 1 / 36 Biologiczne
Bardziej szczegółowoANALIZA I OCENA AWARYJNOŚCI W WYBRANYM SYSTEMIE WODOCIĄGOWYM
CZASOPISMO INŻYNIERII LĄDOWEJ, ŚRODOWISKA I ARCHITEKTURY JOURNAL OF CIVIL ENGINEERING, ENVIRONMENT AND ARCHITECTURE JCEEA, t. XXXII, z. 62 (3/I/15), lipiec-wrzesień 2015, s. 337-344 Katarzyna PIETRUCHA-URBANIK
Bardziej szczegółowoDobór zestawu maszyn do robót ziemnych w aspekcie minimalizacji emisyjności CO 2
Budownictwo i Architektura 12(4) (2013) 233-250 Dobór zestawu maszyn do robót ziemnych w aspekcie minimalizacji emisyjności CO 2 1 Katedra Inżynierii Procesów Budowlanych, Wydział Budownictwa i Architektury,
Bardziej szczegółowoWYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU THE USE OF ARTIFICIAL NEURAL NETWORKS IN FORECASTING Konrad BAJDA, Sebastian PIRÓG Resume Artykuł opisuje wykorzystanie sztucznych sieci neuronowych
Bardziej szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoSieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska
Sieci neuronowe w Statistica Agnieszka Nowak - Brzezioska Podstawowym elementem składowym sztucznej sieci neuronowej jest element przetwarzający neuron. Schemat działania neuronu: x1 x2 w1 w2 Dendrites
Bardziej szczegółowoModelowanie niezawodności prostych struktur sprzętowych
Modelowanie niezawodności prostych struktur sprzętowych W ćwiczeniu tym przedstawione zostaną proste struktury sprzętowe oraz sposób obliczania ich niezawodności przy założeniu, że funkcja niezawodności
Bardziej szczegółowoKatowice GPW 2013. Zintegrowany system informatyczny do kompleksowego zarządzania siecią wodociągową. Jan Studziński
Katowice GPW 2013 Zintegrowany system informatyczny do kompleksowego zarządzania siecią wodociągową Jan Studziński 1 1. Wstęp Cel pracy Usprawnienie zarządzania siecią wodociągową za pomocą nowoczesnych
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych do modelowania procesów azotowania próżniowego stali narzędziowych
Zastosowanie sztucznych sieci neuronowych do modelowania procesów azotowania próżniowego stali narzędziowych Emilia Wołowiec-Korecka Politechnika Łódzka Zastosowania statystyki i data mining w badaniach
Bardziej szczegółowoDOŚWIADCZENIA W STOSOWANIU RUR Z PVC, PP I PE
Henryk Zdunkowski DOŚWIADCZENIA W STOSOWANIU RUR Z PVC, PP I PE Wprowadzenie Miejskie Przedsiębiorstwo Wodociągów i Kanalizacji Sp. z o.o. w Brodnicy produkuje ponad 2 miliony m 3 wody rocznie. Miasto
Bardziej szczegółowoSztuczne sieci neuronowe w zastosowaniu do modelowania fazy wznoszenia samolotu
Paulina Stańczyk 1, Anna Stelmach 2 Wydział Transportu Politechniki Warszawskiej Sztuczne sieci neuronowe w zastosowaniu do modelowania fazy wznoszenia samolotu 1. WPROWADZENIE W ostatnich latach na świecie,
Bardziej szczegółowo1.1Przepisy i zarządzenia Dane geologiczne...14
Spis treści 1 Pozyskiwanie wody...13 1.1Przepisy i zarządzenia...13 1.2 Dane geologiczne...14 1.3 Źródła...15 1.3.1Typy źródeł...15 1.3.2.Ujęcia źródeł...18 1.3.3 Studnie zbiorcze...20 1.3.4 Nadzór i konserwacja...24
Bardziej szczegółowoPRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ**
Górnictwo i Geoinżynieria Rok 30 Zeszyt 4 2006 Dorota Pawluś* PRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ** 1. Wstęp Na
Bardziej szczegółowoModel do analizy. Autorzy: Szymon Pająk, Daniel Roch ENERGOPOMIAR Sp. z o.o., Zakład Techniki Cieplnej. Modelowanie sieci ciepłowniczych
Model do analizy Autorzy: Szymon Pająk, Daniel Roch ENERGOPOMIAR Sp. z o.o., Zakład Techniki Cieplnej ( Energetyka Cieplna i Zawodowa nr 6/2013) Aby wykorzystywać potencjał już istniejących scentralizowanych
Bardziej szczegółowoUczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Bardziej szczegółowoZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W PROCESIE ROZLICZEŃ MIESZKAŃCÓW BUDYNKÓW WIELOLOKATOROWYCH
sieci neuronowe, rozliczenie mediów, zdalny odczyt Grzegorz BARTNICKI, Agnieszka CHMIELEWSKA* ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W PROCESIE ROZLICZEŃ MIESZKAŃCÓW BUDYNKÓW WIELOLOKATOROWYCH W pracy
Bardziej szczegółowoWykład 8. Testowanie w JEE 5.0 (1) Autor: Zofia Kruczkiewicz. Zofia Kruczkiewicz
Wykład 8 Testowanie w JEE 5.0 (1) Autor: 1. Rola testowania w tworzeniu oprogramowania Kluczową rolę w powstawaniu oprogramowania stanowi proces usuwania błędów w kolejnych fazach rozwoju oprogramowania
Bardziej szczegółowoZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ
Inżynieria Rolnicza 1(99)/2008 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ Marta Kiljańska, Marek Klimkiewicz Katedra Organizacji i Inżynierii
Bardziej szczegółowoRurociągi polietylenowe. w wodociągach i kanalizacji. - rozwój rynku w Polsce i niezawodność funkcjonowania. Marian Kwietniewski* 1.
Rurociągi polietylenowe w wodociągach i kanalizacji - rozwój rynku w Polsce i niezawodność funkcjonowania Marian Kwietniewski* 1. Wprowadzenie Analizując polski rynek inwestycyjny w zakresie stosowania
Bardziej szczegółowoOCENA EFEKTYWNOŚCI NEURONOWEGO PROGNOZOWANIA W OPARCIU O WYBRANE METODY NA PRZYKŁADZIE DYSTRYBUCJI PRODUKTÓW ROLNICZYCH
Inżynieria Rolnicza 2/2005 Krzysztof Koszela, Piotr Boniecki, Jerzy Weres Instytut Inżynierii Rolniczej Akademia Rolnicza w Poznaniu OCENA EFEKTYWNOŚCI NEURONOWEGO PROGNOZOWANIA W OPARCIU O WYBRANE METODY
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoPodstawy Sztucznej Inteligencji
Politechnika Łódzka Katedra Informatyki Stosowanej Podstawy Sztucznej Inteligencji Laboratorium Ćwiczenie 2 Wykorzystanie środowiska Matlab do modelowania sztucznych sieci neuronowych Opracowali: Dr hab
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoMODELOWANIE PROCESU OMŁOTU PRZY WYKORZYSTANIU SZTUCZNYCH SIECI NEURONOWYCH
Inżynieria Rolnicza 13/2006 Andrzej Złobecki *, Ryszard Macura **, Magdalena Michalczyk ** * Katedra Inżynierii Mechanicznej i Agrofizyki ** Katedra Chłodnictwa i Koncentratów Spożywczych Akademia Rolnicza
Bardziej szczegółowoKOMPUTEROWE MODELOWANIE SIECI WODOCIĄGOWYCH JAKO NARZĘDZIE DO ANALIZY PRĘDKOŚCI PRZEPŁYWU WODY
Wojciech KRUSZYŃSKI * systemy zaopatrzenia w wodę, komputerowe modelowanie sieci wodociągowych, wodociągi, modelowanie KOMPUTEROWE MODELOWANIE SIECI WODOCIĄGOWYCH JAKO NARZĘDZIE DO ANALIZY PRĘDKOŚCI PRZEPŁYWU
Bardziej szczegółowoAlgorytmy optymalizacji systemu ICT wspomagające zarządzanie siecią wodociągową
Katowice GPW 2014 Algorytmy optymalizacji systemu ICT wspomagające zarządzanie siecią wodociągową Jan Studziński 1 1. Wstęp Cel projektu Usprawnienie zarządzania siecią wodociągową za pomocą nowoczesnych
Bardziej szczegółowoRAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex.
Projekt współfinansowane przez Unię Europejską ze środków Europejskiego Funduszu Społecznego w ramach projektu Wiedza Techniczna Wzmocnienie znaczenia Politechniki Krakowskiej w kształceniu przedmiotów
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2018, 347(93)4, 57 68
DOI: 1.215/oe218.93.4.5 FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 218, 347(93)4, 57 68 Joanna PERZYŃSKA ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH
Bardziej szczegółowoMETODA PROGNOZOWANIA SZEREGÓW CZASOWYCH PRZY UŻYCIU SZTUCZNYCH SIECI NEURONOWYCH
Inżynieria Rolnicza 6(115)/2009 METODA PROGNOZOWANIA SZEREGÓW CZASOWYCH PRZY UŻYCIU SZTUCZNYCH SIECI NEURONOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Uniwersytet Rolniczy w Krakowie
Bardziej szczegółowoSTAN INFRASTRUKTURY WODOCIĄGOWEJ W WYBRANYCH MIASTACH DOLINY SANU WATER INFRASTRUCTURE IN THE CHOSEN CITIES IN THE SAN VALLEY
Katarzyna Pietrucha-Urbanik Politechnika Rzeszowska im. I. Łukasiewicza STAN INFRASTRUKTURY WODOCIĄGOWEJ W WYBRANYCH MIASTACH DOLINY SANU Abstrakt W pracy dokonano charakterystyki wyposaŝenia wybranych
Bardziej szczegółowoZagadnienia optymalizacji i aproksymacji. Sieci neuronowe.
Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI
Bardziej szczegółowoAlgorytmy sztucznej inteligencji
Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia
Bardziej szczegółowoZASTOSOWANIE METODY DWUPARAMETRYCZNEJ w OCENIE RYZYKA BRAKU DOSTAW CIEPŁA DO ODBIORCÓW
BOŻENA BABIARZ * ZASTOSOWANIE METODY DWUPARAMETRYCZNEJ w OCENIE RYZYKA BRAKU DOSTAW CIEPŁA DO ODBIORCÓW THE APPLICATION OF TWOPARAMETRIC METHOD IN RISK ASSESMENT OF a LACK HEAT SUPPLY FOR CONSUMERS Streszczenie
Bardziej szczegółowoWYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO ANALIZY WPŁYWU WYBRANYCH PARAMETRÓW NA ŚREDNICE KOLUMN INIEKCYJNYCH
Maciej OCHMAŃSKI * Politechnika Śląska WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO ANALIZY WPŁYWU WYBRANYCH PARAMETRÓW NA ŚREDNICE KOLUMN INIEKCYJNYCH 1. Wprowadzenie Kolumny iniekcyjne jet grouting
Bardziej szczegółowoPARAMETRY, WŁAŚCIWOŚCI I FUNKCJE NIEZAWODNOŚCIOWE NAPOWIETRZNYCH LINII DYSTRYBUCYJNYCH 110 KV
Elektroenergetyczne linie napowietrzne i kablowe wysokich i najwyższych napięć PARAMETRY, WŁAŚCIWOŚCI I FUNKCJE NIEZAWODNOŚCIOWE NAPOWIETRZNYCH LINII DYSTRYBUCYJNYCH 110 KV Wisła, 18-19 października 2017
Bardziej szczegółowoLiteratura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu
Literatura Wykład : Wprowadzenie do sztucznych sieci neuronowych Małgorzata Krętowska Wydział Informatyki Politechnika Białostocka Tadeusiewicz R: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa
Bardziej szczegółowoI EKSPLORACJA DANYCH
I EKSPLORACJA DANYCH Zadania eksploracji danych: przewidywanie Przewidywanie jest podobne do klasyfikacji i szacowania, z wyjątkiem faktu, że w przewidywaniu wynik dotyczy przyszłości. Typowe zadania przewidywania
Bardziej szczegółowoZastosowanie analizy dyskryminacyjnej i sieci neuronowych do oceny możliwości sprzedaży nieruchomości mieszkaniowych
295 Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 2(34)/2013 Politechnika Opolska Zastosowanie analizy dyskryminacyjnej i sieci neuronowych do oceny możliwości sprzedaży nieruchomości mieszkaniowych
Bardziej szczegółowoZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO LOKALIZACJI ZWARĆ W LINIACH ELEKTROENERGETYCZNYCH
Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Nr 65 Politechniki Wrocławskiej Nr 65 Studia i Materiały Nr 31 2011 Mirosław ŁUKOWICZ* Mateusz PUSTUŁKA* sieci neuronowe, systemy elektroenergetyczne,
Bardziej szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 6 Model matematyczny elementu naprawialnego Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia:
Bardziej szczegółowoOpis programu studiów
IV. Opis programu studiów Załącznik nr 9 do Zarządzenia Rektora nr 35/19 z dnia 12 czerwca 2019 r. 3. KARTA PRZEDMIOTU Kierunek studiów Poziom kształcenia Profil studiów i tryb prowadzenia studiów Zakres
Bardziej szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW 17 XII 2013 Jan Karwowski
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 04. Skierowane sieci neuronowe. Algorytmy konstrukcyjne dla sieci skierowanych
Wstęp do sieci neuronowych, wykład 04. Skierowane sieci neuronowe. dla sieci skierowanych Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-25 1 Motywacja
Bardziej szczegółowoSZTUCZNE SIECI NEURONOWE W MODELOWANIU PROCESÓW Z OGRANICZONYM ZBIOREM DANYCH W INŻYNIERII ROLNICZEJ
Inżynieria Rolnicza /005 Jędrzej Trajer Katedra Podstaw Inżynierii Szkoła Główna Gospodarstwa Wiejskiego w Warszawie SZTUCZNE SIECI NEURONOWE W MODELOWANIU PROCESÓW Z OGRANICZONYM ZBIOREM DANYCH W INŻYNIERII
Bardziej szczegółowoZastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2013/2014
Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner rok akademicki 2013/2014 Sieci neuronowe Sieci neuronowe W XIX wieku sformułowano teorię opisującą podstawowe
Bardziej szczegółowoW PROGNOZOWANIU ZAPOTRZEBOWANIA
ANALIZA RYZYKA NA GAZ ZIEMNY W PROGNOZOWANIU ZAPOTRZEBOWANIA Autorzy: Jolanta Szoplik, Michał Oszczyk ("Rynek Energii" - czerwiec 215) Słowa kluczowe: prognozowanie zapotrzebowania na gaz, ryzyko prognozy,
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoStatystyczna analiza awarii pojazdów samochodowych. Failure analysis of cars
Wydawnictwo UR 2016 ISSN 2080-9069 ISSN 2450-9221 online Edukacja Technika Informatyka nr 1/15/2016 www.eti.rzeszow.pl DOI: 10.15584/eti.2016.1.1 ROMAN RUMIANOWSKI Statystyczna analiza awarii pojazdów
Bardziej szczegółowoCZY DOKŁADNIEJSZE POMIARY WPŁYWAJĄ NA OGRANICZENIE STRAT WODY
CZY DOKŁADNIEJSZE POMIARY WPŁYWAJĄ NA OGRANICZENIE STRAT WODY dr inż. Florian G. PIECHURSKI Politechnika Śląska w Gliwicach Wydział Inżynierii Środowiska i Energetyki Instytut Inżynierii Wody i Ścieków
Bardziej szczegółowoSieci neuronowe jako sposób na optymalizacje podejmowanych decyzji. Tomasz Karczyoski Wydział W-08 IZ
optymalizacje podejmowanych decyzji Tomasz Karczyoski Wydział W-08 IZ Czym są sieci neuronowe Struktura matematycznych oraz programowy lub sprzętowy model, realizujących obliczenia lub przetwarzanie sygnałów
Bardziej szczegółowoDokumentacja Końcowa
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Dokumentacja Końcowa Autorzy: Robert Wojciechowski Michał Denkiewicz Wstęp Celem
Bardziej szczegółowoInformatyka I stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny) kierunkowy (podstawowy / kierunkowy / inny HES)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Zastosowanie sztucznych sieci neuronowych Nazwa modułu w informatyce Application of artificial
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoBENCHMARKING W SEKTORZE WODOCIĄGÓW NA PRZYKŁADZIE WYBRANYCH WSKAŹNIKÓW
benchmarking, wodociągi, wskaźniki Małgorzata KUTYŁOWSKA* BENCHMARKING W SEKTORZE WODOCIĄGÓW NA PRZYKŁADZIE WYBRANYCH WSKAŹNIKÓW W pracy dokonano analizy porównawczej wybranych wskaźników opisujących niezawodność
Bardziej szczegółowoNumeryczna symulacja rozpływu płynu w węźle
231 Prace Instytutu Mechaniki Górotworu PAN Tom 7, nr 3-4, (2005), s. 231-236 Instytut Mechaniki Górotworu PAN Numeryczna symulacja rozpływu płynu w węźle JERZY CYGAN Instytut Mechaniki Górotworu PAN,
Bardziej szczegółowoDRZEWA REGRESYJNE JAKO NARZĘDZIE DO PRZEWIDYWANIA AWARYJNOŚCI PRZEWODÓW WODOCIĄGOWYCH
drzewa regresyjne, przewód wodociągowy, intensywność uszkodzeń, przewidywanie Małgorzata KUTYŁOWSKA* DRZEWA REGRESYJNE JAKO NARZĘDZIE DO PRZEWIDYWANIA AWARYJNOŚCI PRZEWODÓW WODOCIĄGOWYCH Praca przedstawia
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Sieci sanitarne I The sanitary networks I Kierunek: Inżynieria Środowiska Kod przedmiotu: 4.9 Rodzaj przedmiotu: Poziom kształcenia: Semestr: Treści kierunkowe, moduł 4.9 I stopnia, 6
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoMODELOWANIE KOSZTÓW REALIZACJI BUDYNKÓW MIESZKALNYCH Z ZASTOSOWANIEM ZESPOŁÓW SZTUCZNYCH SIECI NEURONOWYCH
167 MICHAŁ JUSZCZYK MODELOWANIE KOSZTÓW REALIZACJI BUDYNKÓW MIESZKALNYCH Z ZASTOSOWANIEM ZESPOŁÓW SZTUCZNYCH SIECI NEURONOWYCH THE COST MODELLING OF RESIDENTIAL BUILDINGS REALIZATION WITH NEURAL NETWORK
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3 Andrzej Rutkowski, Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-11-05 Projekt
Bardziej szczegółowo