A hybrid knowledge discovery system for oil spillage risks pattern classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The complexity and the dynamism of oil spillages make it difficult for planners and responders to produce robust plans towardstheir management. There is need for an understanding of the nature, sources, impact and responses required to prevent or controltheir occurrence. This paper develops an intelligent hybrid system driven by Sugeno-Type Adaptive Neuro Fuzzy InferenceSystem (ANFIS) for the identification, extraction and classification of oil spillage risk patterns. Dataset consisting of 1008records was used for training, validation and testing of the system. Result of sensitivity analysis shows that Cause, Locationand Type of spilled oil have cumulative significance of 85.1%. Optimal weights of Neural Network (NN) were determined viaGenetic Algorithm with hybrid encoding scheme. The Mean Squared Error (MSE) of NN training is 0.2405. NN training,validation and testing results yielded R > 0.839 in all cases indicating a strong linear relationship between each output andtarget data. Rule pruning was performed with support (15%) and confidence (10%) minimum thresholds and antecedent-size of3. The performance of the ANFIS was evaluated with eight different types of membership functions (MFs) and two learningalgorithms. The model with triangular MF gave the best performance among all other given models while hybrid-learningalgorithm performed better than back propagation algorithm. The ANFIS model reported in the paper adopted triangular MFand hybrid learning algorithm for the predication and classification of oil spillage risk patterns. Average training and testingMSE of the model is 0.414315 and 0.221402 respectively. The knowledge mining results show that ANFIS based systemsprovide satisfactory results in the prediction and classification of oil spillage risk patterns.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle