Analysis of comparisons for Forecasting Gold Price using Neural Network, Radial Basis Function Network and Support Vector Regression

2014 ◽  
Author(s):  
Khanoksin Suranart ◽  
Supaporn Kiattisin ◽  
Adisorn Leelasantitham
Keyword(s):  
Neural Network ◽  
Radial Basis Function ◽  
Support Vector Regression ◽  
Basis Function ◽  
Radial Basis Function Network ◽  
Gold Price ◽  
Support Vector ◽  
Radial Basis ◽  
Function Network

Field applicability of a machine learning–based tensile force estimation for pre-stressed concrete bridges using an embedded elasto-magnetic sensor

2019 ◽  
Vol 19 (1) ◽  
pp. 281-292
Author(s):  
Junkyeong Kim ◽  
Seunghee Park
Keyword(s):  
Neural Network ◽  
Radial Basis Function ◽  
Basis Function ◽  
Tensile Force ◽  
Radial Basis Function Network ◽  
Feedforward Neural Network ◽  
Concrete Bridges ◽  
Force Estimation ◽  
Radial Basis ◽  
Function Network

It has been proposed that pre-stressed concrete bridges improve load performance by inducing axial pre-stress using pre-stress tendons. However, the tensile force of the pre-stress tendons could not be managed after construction, although it directly supports the load of the structure. Thus, the tensile force of the pre-stress tendon should be checked for structural health monitoring of pre-stressed concrete bridges. In this study, a machine learning–based tensile force estimation method for a pre-stressed concrete girder is proposed using an embedded elasto-magnetic sensor and machine learning method. The feedforward neural network and radial basis function network were applied to estimate the tensile force of the pre-stress tendon using the area ratio of the magnetic hysteresis curve measured by the embedded elasto-magnetic sensor. The feedforward neural network and radial basis function network were trained using 213 datasets obtained in laboratory experiments, and trained feedforward neural network and radial basis function network were applied to a 50-m real-scale pre-stressed concrete girder test for estimating tensile force. Nine embedded elasto-magnetic sensors were installed on the sheath, and the magnetic hysteresis curves of the pre-stress tendons were measured during tensioning. The area ratio was extracted and inputted to the trained feedforward neural network and radial basis function network to estimate the tensile force. The estimated tensile force was compared with the reference tensile force measured by the load cell. According to the result, the estimated tensile force can represent the actual tensile force of the pre-stress tendon without calibrating tensile force estimation algorithms at the site. In addition, it can measure the actual friction loss by estimating the tensile force at the maximum eccentric part. Based on the results, the proposed method might be a solution for the structural health monitoring of pre-stressed concrete bridges with field applicability.

scholarly journals Κατηγοριοποίηση χρηστών δια μέσου δυναμικής της πληκτρολόγησης, για ταυτοποίηση υπόπτου

2017 ◽  
Author(s):  
Ιωάννης Τσιμπερίδης
Keyword(s):  
Support Vector Machine ◽  
Radial Basis Function ◽  
Basis Function ◽  
Multilayer Perceptron ◽  
Radial Basis Function Network ◽  
Support Vector ◽  
Free Text ◽  
Keystroke Dynamics ◽  
Radial Basis ◽  
Function Network

Αντικείμενο μελέτης της παρούσας Διδακτορικής Διατριβής είναι η ανάπτυξη μίας μεθόδου με την οποία θα αποκαλύπτεται μέρος της ταυτότητας ενός ατόμου που συνδιαλέγεται μέσω Διαδικτύου. Η ανωνυμία πίσω από την οποία μπορεί να κρυφτεί ένας χρήστης, αυξάνει το βαθμό ασφάλειας για τη μη διαρροή προσωπικών ή και ευαίσθητων δεδομένων του. Ωστόσο, όταν αυτή η ανωνυμία χρησιμοποιείται ως παραπέτασμα συγκάλυψης παράνομης δραστηριότητας, τότε γίνεται επιτακτικό να προστατευθούν οι ανυποψίαστοι χρήστες από κακόβουλες επιθέσεις που θέτουν σε κίνδυνο την ασφάλεια που σχετίζεται με προσωπικά, κοινωνικά και οικονομικά θέματα.Αν και έχουν προταθεί διάφοροι τρόποι για να επιτευχθεί κάτι τέτοιο, ο καθένας τους παρουσιάζει από μία τουλάχιστον αδυναμία που τον καθιστά μη κατάλληλο για γενίκευση. Αντίθετα, στην παρούσα έρευνα, όλα τα απαραίτητα δεδομένα προέρχονται από τους χρόνους συμβάντων που λαμβάνουν χώρα επί του πληκτρολογίου. Τα σημαντικότερα πλεονεκτήματα της προτεινόμενης μεθόδου είναι πρώτον ότι μελετάται η συμπεριφορά του χρήστη κατά την πληκτρολόγηση κειμένου, που αποτελεί το κύριο μέσο επικοινωνίας χρηστών στο Διαδίκτυο. Δεύτερον, ότι όλη η έρευνα διεξήχθη βασισμένη στο πληκτρολόγιο QWERTY, που είναι η επικρατέστερη διάταξη πληκτρολογίου και συναντάται κατά το πλείστον τόσο στις «παραδοσιακές» συσκευές διασύνδεσης χρηστών (desktops και laptops), όσο και στις πιο «σύγχρονες» (tablets και smartphones), όπου έχει τη μορφή πληκτρολογίου οθόνης. Και τρίτον, ότι οι παράμετροι που χρησιμοποιούνται για την επίτευξη των στόχων δεν σχετίζονται με κάποια συγκεκριμένη γλώσσα, αφού έχουν να κάνουν με το πώς πληκτρολογεί ένας χρήστης και όχι με το τι πληκτρολογεί. Συνέπεια όλων αυτών είναι η προτεινόμενη μέθοδος να δύναται να χρησιμοποιηθεί καθολικά, αφού αφορά το κύριο μέσο επικοινωνίας χρηστών, την κύρια συσκευή σύνταξης κειμένου και είναι ανεξάρτητη γλώσσας πληκτρολόγησης.Το πεδίο της επιστήμης των υπολογιστών που ασχολείται με τη μελέτη των χρόνων των συμβάντων επί του πληκτρολογίου, ονομάζεται δυναμική της πληκτρολόγησης (keystroke dynamics) και έχει χρησιμοποιηθεί σχεδόν αποκλειστικά για την αυθεντικοποίηση χρηστών. Οι παράμετροι της δυναμικής της πληκτρολόγησης που μπορούν να αξιοποιηθούν για την εξαγωγή ενός αποτελέσματος είναι πάρα πολλές σε αριθμό, κάθε μία όμως από αυτές περικλείει μικρή ποσότητα πληροφορίας. Σε αυτή την έρευνα, η δυναμική της πληκτρολόγησης χρησιμοποιήθηκε για την κατηγοριοποίηση των χρηστών βάσει κάποιων χαρακτηριστικών τους και οι παράμετροι που εκμεταλλεύτηκαν ήταν οι διάρκειες πατήματος πλήκτρου (keystroke durations) και οι λανθάνοντες χρόνοι διγράμματος (digram latencies).Με σκοπό την επιτυχή πρόβλεψη των χαρακτηριστικών ενός άγνωστου χρήστη, ώστε να αποκαλυφθεί μέρος της ταυτότητάς του, δημιουργήθηκαν συστήματα που δέχονται δεδομένα προερχόμενα από τον τρόπο πληκτρολόγησής του και εξάγουν ένα αποτέλεσμα κατάταξής του σε μία κατηγορία. Τα συστήματα αυτά βασίστηκαν σε ταξινομητές (classifiers), η επιλογή των οποίων έγινε κατά περίπτωση με κριτήρια το ποσοστό ορθής πρόβλεψης, την ταχύτητα λειτουργίας και την σταθερότητα στην απόδοση. Συγκεκριμένα χρησιμοποιήθηκαν ταξινομητές Bayesian, Ευκλείδειας απόστασης, απόστασης Manhattan, μηχανής διανυσμάτων υποστήριξης (support vector machine, SVM), πολυστρωματικού perceptron (multilayer perceptron, MLP) και νευρωνικού δικτύου συνάρτησης ακτινωτής βάσης (radial basis function network, RBFN).Τα απαραίτητα για τη μελέτη δεδομένα λήφθηκαν με δύο τρόπους. Πρώτον, ζητώντας από ομάδες εθελοντών να καταγραφούν κατά τη διάρκεια πληκτρολόγησης δοσμένου κειμένου, δηλαδή με καταγραφή καθορισμένου κειμένου (fixed text). Δεύτερον, ζητώντας από εθελοντές να καταγραφούν κατά την καθημερινή χρήση των υπολογιστών τους, δηλαδή με καταγραφή ελεύθερου κειμένου (free text). Με τα δεδομένα του καθορισμένου κειμένου ακολουθήθηκε μια διαδικασία, που χαρακτηρίστηκε ως πρώτο στάδιο της έρευνας, κατά την οποία μελετήθηκε η κατηγοριοποίηση χρηστών βάσει της συσκευής όπου πληκτρολογούν και βάσει του φύλου τους. Με τα δεδομένα του ελεύθερου κειμένου ακολουθήθηκε αντιστοίχως μια άλλη διαδικασία, που χαρακτηρίστηκε ως δεύτερο στάδιο της έρευνας, κατά την οποία μελετήθηκε η κατηγοριοποίηση χρηστών βάσει της προτίμησης χεριού τους, βάσει της ηλικιακής τους ομάδας, βάσει του μορφωτικού τους επιπέδου και βάσει της ημερήσιας χρήσης υπολογιστή.Τα αποτελέσματα δείχνουν πως η κατηγοριοποίηση χρηστών δια μέσω της δυναμικής της πληκτρολόγησης, είναι εφικτή. Τα ποσοστά ορθής πρόβλεψης κρίνονται ικανοποιητικά και εξάγονται χρήσιμα συμπεράσματα για τη συνέχιση της έρευνας προς αυτή την κατεύθυνση.

Sign in / Sign up

Export Citation Format

Share Document