Tuning machine learning hyperparameters in electrical tomography of masonry walls
Artykuł w czasopiśmie
MNiSW
70
Lista 2021
Status: | |
Warianty tytułu: |
Dostrajanie hiperparametrów uczenia maszynowego w tomografii elektrycznej ścian murowanych
|
Autorzy: | Rymarczyk Tomasz, Kłosowski Grzegorz, Rymarczyk Paweł, Sikora Jan, Adamkiewicz Przemysław, Oleszek Michał |
Dyscypliny: | |
Aby zobaczyć szczegóły należy się zalogować. | |
Rok wydania: | 2022 |
Wersja dokumentu: | Drukowana | Elektroniczna |
Język: | angielski |
Numer czasopisma: | 3 |
Wolumen/Tom: | 98 |
Strony: | 102 - 105 |
Impact Factor: | 0,5 |
Web of Science® Times Cited: | 1 |
Scopus® Cytowania: | 1 |
Bazy: | Web of Science | Scopus |
Efekt badań statutowych | NIE |
Materiał konferencyjny: | NIE |
Publikacja OA: | TAK |
Licencja: | |
Sposób udostępnienia: | Otwarte czasopismo |
Wersja tekstu: | Ostateczna wersja opublikowana |
Czas opublikowania: | W momencie opublikowania |
Data opublikowania w OA: | 23 marca 2022 |
Abstrakty: | angielski | polski |
The article presents a proposal for the final optimisation of the parameters of machine learning models in tomographic applications. In the case under consideration, electrical impedance tomography (EIT) was used to illustrate the distribution of moisture inside the walls of buildings. The mentioned topic focuses on optimising hyperparameters of machine learning models to optimise the efficiency of capturing accurate tomographic pictures. In the EIT, machine learning models are used to transform input measurements into output images. It is called an inverse or ill-posed problem that is difficult to solve due to insufficient arguments. In machine learning, the correct selection of model hyperparameters plays a key role. Therefore, the optimisation of these hyperparameters has a direct impact on the quality of the reconstruction. This article presents examples of hyperparameter optimisation for regression models and classification models based on the example of the k-nearest neighbours. The above methods were used in the electrical tomography system, intended to monitor and visualise the distribution of moisture inside the walls of buildings and structures. The results acquired during the research confirmed the high quality of the proposed methods. | |
W artykule przedstawiono propozycję optymalizacji (dostrajania) parametrów modeli uczenia maszynowego w aplikacjach tomograficznych. W omawianym przypadku do zobrazowania rozkładu wilgoci wewnątrz ścian budynków wykorzystano elektryczną tomografię impedancyjną (EIT). Wspomniany temat koncentruje się na optymalizacji hiperparametrów modeli uczenia maszynowego w celu optymalizacji generowania obrazów tomograficznych o wysokiej jakości. W EIT modele uczenia maszynowego są wykorzystywane do przekształcania pomiarów wejściowych w obrazy wyjściowe. Ma to związek z tzw. problemem odwrotnym lub źle postawionym, który jest trudny do rozwiązania z powodu niewystarczającej liczby argumentów. W uczeniu maszynowym kluczową rolę odgrywa prawidłowy dobór hiperparametrów modelu. Dlatego optymalizacja tych hiperparametrów ma bezpośredni wpływ na jakość rekonstrukcji. W artykule przedstawiono przykłady optymalizacji hiperparametrów dla modeli regresyjnych, a także dla modeli klasyfikacyjnych na przykładzie metody k-najbliższych sąsiadów. Powyższe metody zostały zastosowane w systemie tomografii elektrycznej, przeznaczonym do monitorowania i wizualizacji rozkładu wilgoci wewnątrz ścian budynków i budowli. Uzyskane w trakcie badań wyniki potwierdziły wysoką jakość proponowanych metod. |