UTILIZING GAUSSIAN PROCESS REGRESSION FOR NONLINEAR MAGNETIC SEPARATION PROCESS IDENTIFICATION

Oleksandr Volovetskyi

doi:10.35784/iapgos.5954

PDF (angielski)

Opublikowane: 2024-09-30

DOI: https://doi.org/10.35784/iapgos.5954

Numer Tom 14 Nr 3 (2024)

TEORETYCZNE PODEJŚCIE DO OKREŚLANIA EMISYJNOŚCI MATERIAŁÓW STAŁYCH I JEJ PORÓWNANIE Z BADANIAMI EKSPERYMENTALNYMI NA PRZYKŁADZIE STALI PROSZKOWEJ 316L
Oleksandr Vasilevskyi, Michael Cullinan, Jared Allison

5-8
SYSTEM INFORMACYJNY DO WYKRYWANIA PARAMETRÓW NIEBEZPIECZNYCH OBIEKTÓW PRZEMYSŁOWYCH NA PODSTAWIE TECHNOLOGII GEOINFORMACYJNYCH
Oleg Barabahs, Olha Svynchuk, Olena Bandurka, Oleh Ilin

9-14
OKRESOWE FUNKCJE ATEB I METODA VAN DER POLA DO KONSTRUOWANIA ROZWIĄZAŃ DWUWYMIAROWYCH NIELINIOWYCH MODELI OSCYLACJI CIAŁ SPRĘŻYSTYCH
Yaroslav Romanchuk, Mariia Sokil, Leonid Polishchuk

15-20
WYKORZYSTANIE REGRESJI PROCESU GAUSSA DO IDENTYFIKACJI NIELINIOWYCH PROCESÓW SEPARACJI MAGNETYCZNEJ
Oleksandr Volovetskyi

21-28
DWUWYMIAROWA MAPA HIPERCHAOTYCZNA DLA CHAOTYCZNYCH OSCYLACJI
Oleh Krulikovskyi, Serhii Haliuk, Ihor Safronov, Valentyn Lesinskyi

29-34
NEUROBIOLOGICZNE WŁAŚCIWOŚCI STRUKTURY SIECI RÓWNOLEGŁO-HIERARCHICZNEJ I JEJ WYKORZYSTANIE DO ROZPOZNAWANIA WZORCÓW
Leonid Timchenko, Natalia Kokriatskaia, Volodymyr Tverdomed, Anatolii Horban, Oleksandr Sobovyi, Liudmyla Pogrebniak, Nelia Burlaka, Yurii Didenko, Maksym Kozyr, Ainur Kozbakova

35-38
MODELE FAŁSZYWEGO I POPRAWNEGO WYKRYWANIA SYGNAŁÓW WYCIEKU INFORMACJI Z EKRANÓW MONITORÓW PRZEZ WYSPECJALIZOWANE ŚRODKI TECHNICZNE WROGIEGO WYWIADU
Dmytro Yevgrafov, Yurii Yaremchuk

39-42
USPRAWNIENIE CYFROWEGO KORELACYJNO-INTERFEROMETRYCZNEGO USTALANIA KIERUNKU ZA POMOCĄ PRZESTRZENNEGO SYGNAŁU ANALITYCZNEGO
Nurzhigit Smailov, Vitaliy Tsyporenko, Akezhan Sabibolda, Valentyn Tsyporenko, Askar Abdykadyrov, Assem Kabdoldina, Zhandos Dosbayev, Zhomart Ualiyev, Rashida Kadyrova

43-48
MODEL MATEMATYCZNY I STRUKTURA SIECI NEURONOWEJ DO WYKRYWANIA CYBERATAKÓW NA SYSTEMY TELEINFORMATYCZNE I KOMUNIKACYJNE
Lubov Zahoruiko, Tetiana Martianova, Mohammad Al-Hiari, Lyudmyla Polovenko, Maiia Kovalchuk, Svitlana Merinova, Volodymyr Shakhov, Bakhyt Yeraliyeva

49-55
METODA TWORZENIA SYSTEMU SKRÓCONEGO KODU POZYCYJNEGO DLA PRZEKSZTAŁCONYCH OBRAZÓW WIDEO
Volodymyr Barannik, Roman Onyshchenko, Gennady Pris, Mykhailo Babenko, Valeriy Barannik, Vitalii Shmakov, Ivan Pantas

56-60
OPARTE NA LICZBACH Z MODELOWANIE GRUPOWEGO PODEJMOWANIA DECYZJI DOTYCZĄCYCH WYBORU DOSTAWCÓW W SYSTEMACH PRODUKCYJNYCH
Kamala Aliyeva

61-67
OPTYMALIZACJA INTELIGENTNIE STEROWANEGO BEZMOSTKOWEGO DODATNIEGO PRZEKSZTAŁTNIKA LUO DLA POJAZDÓW ELEKTRYCZNYCH O MAŁEJ POJEMNOŚCI
Rangaswamy Balamurugan, Ramasamy Nithya

68-70
ZMODYFIKOWANY VGG16 DO DOKŁADNEGO WYKRYWANIA GUZÓW MÓZGU W OBRAZACH MRI
Katuri Rama Krishna, Mohammad Arbaaz, Surya Naga Chandra Dhanekula, Yagna Mithra Vallabhaneni

71-75
EKG OPARTE NA IOT: HYBRYDOWE PODEJŚCIE CNN-BILSTM DO KLASYFIKACJI ZAWAŁÓW MIĘŚNIA SERCOWEGO
Abdelmalek Makhir, My Hachem El Yousfi Alaoui, Larbi Bellarbi, Abdelilah Jilbab

76-80
ZINTEGROWANY MODEL HYBRYDOWY DO WYKRYWANIA CHORÓB PŁUC Z WYKORZYSTANIEM GŁĘBOKIEGO UCZENIA SIĘ
Budati Jaya Lakshmi Narayana, Gopireddy Krishna Teja Reddy, Sujana Sri Kosaraju, Sirigiri Rajeev Choudhary

81-85
MAPOWANIE POLARYZACYJNO-KORELACYJNE OBRAZÓW MIKROSKOPOWYCH TKANEK BIOLOGICZNYCH O RÓŻNEJ STRUKTURZE MORFOLOGICZNEJ
Nataliia Kozan, Oleksandr Saleha, Olexander Dubolazov, Yuriy Ushenko, Iryna Soltys, Oleksandr Ushenko, Oleksandr Olar, Victor Paliy, Saule Smailova

86-90
WYKRYWANIE I KLASYFIKACJA RYB W CZASIE RZECZYWISTYM W ŚRODOWISKU PODWODNYM PRZY UŻYCIU YOLOV5: BADANIE PORÓWNAWCZE ARCHITEKTUR GŁĘBOKIEGO UCZENIA
Rizki Multajam, Ahmad Faisal Mohamad Ayob, W.S. Mada Sanjaya, Aceng Sambas, Volodymyr Rusyn, Andrii Samila

91-95
WYKRYWANIE CHWASTÓW NA MARCHWI PRZY UŻYCIU KONWOLUCYJNEJ SIECI NEURONOWEJ I INTERNETU RZECZY OPARTEGO NA SMARTFONIE
Lintang Patria, Aceng Sambas, Ibrahim Mohammed Sulaiman, Mohamed Afendee Mohamed, Volodymyr Rusyn, Andrii Samila

96-100
ANALIZA I BADANIE PARAMETRÓW WALCOWANIA ZWOJÓW NA POCHYŁEJ PŁASZCZYŹNIE
Larysa Gumeniuk, Lesya Fedik, Volodymyr Didukh, Pavlo Humeniuk

101-104
ANALIZA METOD REKOMENDACJI TREŚCI W SERWISACH INFORMACYJNYCH
Oleksandr Necheporuk, Svitlana Vashchenko, Nataliia Fedotova, Iryna Baranova, Yaroslava Dehtiarenko

105-108
OCENA WYDAJNOŚCI AKADEMICKIEJ STUDENTÓW W NAUCE ONLINE ZA POMOCĄ TECHNIK UCZENIA MASZYNOWEGO
Atika Islam, Faisal Bukhari, Muhammad Awais Sattar, Ayesha Kashif

109-117
ENTROPIJNA OCENA WPŁYWU EDUKACJI NA ROZWÓJ GOSPODARCZY
Yelyzaveta Mykhailova, Nataliia Savina, Volodymyr Lytvynenko, Stanislav Mykhailov

118-122
SYSTEM ІNFORMATYCZNY DO OCENY POZIOMU ZARZĄDZANIA KAPITAŁEM LUDZKIM
Anzhelika Azarova, Larysa Azarova, Iurii Krak, Olga Ruzakova, Veronika Azarova

123-128
ZDECENTRALIZOWANA PLATFORMA FINANSOWANIA PROJEKTÓW CHARYTATYWNYCH
Iryna Segeda, Vladyslav Kotsiuba, Oleksii Shushura, Viktoriia Bokovets, Natalia Koval, Aliya Kalizhanova

129-134

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

Authors

Oleksandr Volovetskyi

ovolovetskyi@knu.edu.ua

Kryvyi Rih National University

https://orcid.org/0009-0003-1703-387X

Abstrakt

Niniejsza praca prezentuje nowatorskie podejście wykorzystujące regresję procesu Gaussa (Gaussian Process Regression, GPR) do identyfikacji modeli dynamicznych z parametrami nieliniowymi w procesach separacji magnetycznej. Celem jest uwzględnienie złożonego i dynamicznego charakteru tych procesów poprzez zastosowanie zaawansowanych metod modelowania. Skuteczność GPR jest demonstrowana poprzez jego zastosowanie do symulowanych sygnałów, reprezentujących rzeczywiste procesy separacji rudy żelaza, co podkreśla jego potencjał do ulepszania istniejących modeli oraz optymalizacji procesów. Badania przeprowadzone w środowisku MATLAB stanowią podstawę do dalszego rozwoju i praktycznej implementacji. Zastosowanie GPR w separacji magnetycznej pozwala na innowacyjne modelowanie nieliniowych procesów dynamicznych, obiecując poprawę wydajności i precyzji w zastosowaniach przemysłowych.

Słowa kluczowe:

Regresja procesu gaussowskiego, separacja magnetyczna, modelowanie nieliniowe, systemy dynamiczne

Bibliografia

[1] Abrahamsen P. A: Review of Gaussian Random Fields and Correlation Functions. Apr. 1997 [https://doi.org/10.13140/RG.2.2.23937.20325].

[2] Bakhrushyn V.Ye. Matematychni osnovy modelyuvannya system: navchal’nyy posibnykdlya studentiv. Classic Private University, Zaporizhzhia 2009..

[3] Bilets’kyy V. S. et al.: Osnovy tekhniky ta tekhnolohiyi zbahachennya korysnykh kopalyn. Lira-K, Kiev 2020.

[4] Dobbins M. et al.: Recent Advances in Magnetic Separator Designs and Applications. Heavy Minerals Conference – SAIMM, 2009, 63–70 [www.saimm.co.za/Conferences/HMC2009/063-070_Dobbins.pdf].

[5] Drucker H. et al.: Support Vector Regression Machines. Advances in Neural Information Processing Systems 9, 1996, 155–161 [http://papers.neurips.cc/paper/1238-support-vector-regression-machines.pdf].

[6] Duvenaud D.: Automatic Model Construction With Gaussian Processes Declaration. University of Cambridge, Doctor of Philosophy, 2014. [http://www.cs.toronto.edu/~duvenaud/thesis.pdf].

[7] Jämsä-Jounela S.-L.: Current Status and Future Trends in the Automation of Mineral and Metal Processing. IFAC Proceedings 33(22), 2000, 83–94 [https://doi.org/10.1016/s1474-6670(17)36973-2].

[8] Kocijan J., Ažman K.: An Example of Gaussian Process Model Identification. Conference MIPRO 2005:28, Ljubljana, Slovenia, 2005, 79–84 [http://www.researchgate.net/publication/228804422_An_example_of_Gaussian_process_model_identification].

[9] Kocijan J., Murray-Smith R.: Nonlinear Predictive Control With a Gaussian Process Model. Switching and Learning in Feedback Systems Conference, 2003 185–200 [http://www.researchgate.net/publication/221185944_Nonlinear_Predictive_ Control_with_a_Gaussian_Process_Model].

[10] Kocijan J. et al.: Predictive Control With Gaussian Process Models. IEEE Region Conference EUROCON 2003. IEEE, 2003, 352–56 [https://doi.org/10.1109/EURCON.2003.1248042].

[11] Kocijan J. et al.: The Concept for Gaussian Process Model Based System Identification Toolbox. Proceedings of the 2007 International Conference on Computer Systems and Technologies (CompSysTech‘07), 1–6 [https://doi.org/10.1145/1330598.1330647].

[12] Korniyenko V. I. et al.: Teoriya system keruvannya. NHU, Dnipro 2017.

[13] Maryuta A. N. et al.: Avtomaticheskoye upravleniye tekhnologicheskimi protsessami obogatitel'nykh fabrik. Nedra, Moscow 1983.

[14] Morkun V., Tron V., Goncharov S.: Automation of the ore varieties recognition process in the technological process streams based on the dynamic effects of highenergy ultrasound. Metallurgical and Mining Industry 2, 2015, 31–34.

[15] Morkun V., Morkun N., Pikilnyak A.: Adaptive control system of ore beneficiation process based on Kaczmarz projection algorithm. Metallurgical and Mining Industry 2, 2015, 35–38.

[16] Morkun V., Tron V.: Automation of iron ore raw materials beneficiation with the operational recognition of its varieties in process streams. Metallurgical and Mining Industry 6, 2014, 4–7.

[17] Morkun V., Morkun N., Tron V.: Formalization and frequency analysis of robust control of ore beneficiation technological processes under parametric uncertainty. Metallurgical and Mining Industry 5, 2015, 7–11.

[18] Morkun V., Morkun N., Tron V.: Model synthesis of nonlinear nonstationary dynamical systems in concentrating production using Volterra kernel transformation. Metallurgical and Mining Industry 10, 2015, 6–9.

[19] Morkun V., Tcvirkun S.: Investigation of methods of fuzzy clustering for determining ore types. Metallurgical and Mining Industry 5, 2014, 11–14.

[20] Morkun V., Morkun N., Pikilnyak A.: The study of volume ultrasonic waves propagation in the gas-containing iron ore pulp. Ultrasonics 56, 2015, 340–343.

[21] Nesterov G. S.: Tekhnologicheskaya optimizatsiya obogatitel'nykh fabrik. Nedra, Moscow 1976.

[22] Patil, S., Shruti P.: Linear With Polynomial Regression: Overview. International Journal of Applied Research 7(8), 2021, 273–275, [https://doi.org/10.22271/allresearch.2021.v7.i8d.8876].

[23] Sbárbaro D., Villar R.: Advanced Control and Supervision of Mineral Processing Plants. Springer, 2011.

[24] Svoboda J., Fujita T. Recent developments in magnetic methods of material separation. Minerals Engineering 16(9), 2003, 785–792, [https://doi.org/10.1016/s0892-6875(03)00212-7].

[25] Thompson K. R.: Implementation of Gaussian Process Models for Nonlinear System Identification. 2009. University of Glasgow. Ph.D. thesis [https://www.researchgate.net/publication/258903887_Implementation_of_Gaussian_Process_models_for_nonlinear_system_identification].

[26] Tripathy S. K., Suresh N.: Influence of particle size on dry high-intensity magnetic separation of paramagnetic mineral. Advanced Powder Technology 28(3), 2017, 1092–1102 [https://doi.org/10.1016/j.apt.2017.01.018].

[27] Trombetta E. I. et al.: Nonlinear UGV Identification Methods via the Gaussian Process Regression Model for Control System Design. Applied Sciences 12(22), 2022, 1–13 [https://doi.org/10.3390/app122211769].

[28] Trop A. E. et al.: Avtomaticheskoye upravleniye tekhnologicheskimi protsessami obogatitel'nykhfabrik. Nerda, Moscow 1986.

[29] Vynohradov V. S. et al.: Avtomatizatsiya tekhnologicheskikh protsessov na gornorudnykh predpriyatiyakh. Nedra, Moscow 1984.

[30] Wills B. A.: Wills' Mineral Processing Technology: An Introduction to the Practical Aspects of Ore Treatment and Mineral Recovery. Elsevier Science & Technology Books, 2011.

[31] Gaussian Process Regression Models – MATLAB and Simulink [https://www.mathworks.com/help/stats/gaussian-process-regression-models.html] (available: 28.02.2024).

[32] Global Iron Ore Production Iron Content 2010-2022 [https://www.statista.com/statistics/589979/metal-content-of-the-global-iron-ore-production] (available: 28.02.2024).

[33] Interactive Visualization of Gaussian Processes [https://www.infinitecuriosity.org/vizgp] (available: 28.02.2024).

WYKORZYSTANIE REGRESJI PROCESU GAUSSA DO IDENTYFIKACJI NIELINIOWYCH PROCESÓW SEPARACJI MAGNETYCZNEJ. (2024). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 14(3), 21-28. https://doi.org/10.35784/iapgos.5954

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 14 Nr 3 (2024)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja