Smooth Quadrature-Inspired Generalized Choquet Integral in an Application to Drone Engine Failures Detection
Fragment książki (Rozdział monografii pokonferencyjnej)
MNiSW
20
Poziom I
| Status: | |
| Autorzy: | Karczmarek Paweł, Stęgierski Rafał, Ambrożkiewicz Bartłomiej, Koszewnik Andrzej, Ołdziej Daniel, Syta Arkadiusz, Dolecki Michał, Kiersztyn Adam, Rachwał Alicja, Smoliński Konrad, Pedrycz Witold |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Strony: | 155 - 166 |
| Web of Science® Times Cited: | 0 |
| Scopus® Cytowania: | 0 |
| Bazy: | Web of Science | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 23rd International Conference on Artificial Intelligence and Soft Computing |
| Skrócona nazwa konferencji: | ICAISC 2024 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 16 czerwca 2024 do 20 czerwca 2024 |
| Miasto konferencji: | Zakopane |
| Państwo konferencji: | POLSKA |
| Publikacja OA: | NIE |
| Abstrakty: | angielski |
| In recent years, drones have found a place in many industries. Their proper functioning is important for the development of various organizations and companies. Therefore, it is not surprising that there is a need to protect against equipment failures, especially drone engines. In this study, we analyze the possibility of effectively diagnosing the number of engines that stopped working during a drone flight using effective aggregation methods based on Smooth Quadrature-Inspired Generalized Choquet Integral and aggregating classification results obtained by individual deep neural networks. The experimental results show an increase in the accuracy measure of over 7 percentage points with respect to the best of the analyzed individual classifiers. |
