PL EN
 
PL EN
Bieżący numer
Online first
Archiwum
O czasopiśmie
Informacja dla autorów
3/2000
Wyświetlenia:
CC-BY 4.0
Pobierz cytowanie
Metody uczenia się maszyn w diagnostyce układów biegowych pojazdów szynowych za pomocą sygnałów wibroakustycznych
Jerzy Dembski 1
,
 
Wojciech Jędruch 1
 
 
 
Więcej
Ukryj
1
Politechnika Gdańska
 
 
Data publikacji online: 01-09-2000
 
 
Data publikacji: 10-05-2025
 
 
Rail Vehicles/Pojazdy Szynowe 2000,3,4-15
 
Artykuł (PDF)
Referencje (16)
 
STRESZCZENIE
W artykule przedstawiono rezultaty pracy badawczej związanej z diagnozowaniem układów biegowych pojazdów szynowych za pomocą sygnałów wibroakustycznych. Po krótkim omówieniu metod uczenia się maszyn podane zostały podstawowe wiadomości o najnowszych systemach obliczeniowych, tzw. sieciach neuronowych i drzewach decyzyjnych. W części podstawowej artykułu zaprezentowana została metoda przetwarzania sygnałów wibroakustycznych zarejestrowanych podczas wstępnych badań poligonowych oraz wyniki zastosowania sztucznych sieci neuronowych i drzew decyzyjnych do klasyfikacji uszkodzeń. W zakończeniu wskazano na pozytywne rokowania metody.
REFERENCJE (16)
1.
Durzyński Z, (1998), Diagnostyka układów biegowych pojazdów szynowych na bazie sygnałów wibroakustycznych, III Krajowa Konferencja Naukowo-Techniczna: Diagnostyka Procesów Przemysłowych, Jurata, 7-10 września, 1998, str. 355-360.
Google Scholar
 
 
2.
Korbicz J., Obuchowicz A., Uciński D., (1994) Sztuczne sieci neuronowe, Akademicka Oficyna Wydawnicza PLJ, Warszawa.
Google Scholar
 
 
3.
Michalewicz Z.: Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT, Warszawa 1996.
Google Scholar
 
 
4.
Goldberg D.E., (1995), Algorytmy genetyczne i ich zastosowania, WNT, Warszawa.
Google Scholar
 
 
5.
Heckerman D., Wellman M.P., (1995), Bayesian networks, Communications of the ACM, vol. 38, No. 3, p. 27-30, March 1995.
Google Scholar
 
 
6.
Jang J-S.R., Sun C-T, Mizutani E., (1997), NeuroFuzzy and Soft Computing, Prentice Hall, Upper Saddle River.
Google Scholar
 
 
7.
Li H., (1998) A n introduction to belief networks, Technical research report, The Center for Satellite and Hybrid Communication Network, internet: http://www.isr.umd. edu/CSHCN/.
Google Scholar
 
 
8.
Michalski R.S., Kubat M., Bratka I., Machine Learning & Data Mining: Methods & Applications, J. Wiley & Sans, Chichester 1998.
Google Scholar
 
 
9.
Mulawka 1.1., Systemy ekspertowe, WNT, Warszawa 1996.
Google Scholar
 
 
10.
Osowski S., Sieci neuronowe w ujęciu algorytmicznym, WNT, Warszawa 1996.
Google Scholar
 
 
11.
Pearl J., (1988) Probabilistic reasoning in intelligent systems, Morgan Kaujfmann, San Mateo, Cal.
Google Scholar
 
 
12.
Russel S., Norvig P., Artificial Intelligence, PrenticeHall, London 1995.
Google Scholar
 
 
13.
Rutkowska D., Pi/iński M., Rutkowski L., (1997) Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, PWN, Warszawa-Łódź.
Google Scholar
 
 
14.
Tadeusiewicz R., (1998), Sygnał mowy, WKiŁ, Warszawa.
Google Scholar
 
 
15.
Ziarko W., (1999) Discovery through rough set theory, Communications of the A CM, vol. 42, No. 11, p. 55-57, November 1999.
Google Scholar
 
 
16.
Żurada J., Barski M., Jędruch W., Sztuczne sieci neuronowe, PWN, Warszawa 1996.
Google Scholar
 
 
Udostępnij
Wyślij mailem
Indeksy
 
Indeks słów kluczowych
Indeks autorów
eISSN:2719-9630
ISSN:0138-0370
Journals System - logo
© 2006-2025 Journal hosting platform by Bentus
Scroll to top