A novel feature selection technique for number classification problem using PNN—A plausible scheme for boiler flue gas analysis

Sivakumar, A.; Kannan, K.

doi:10.1016/j.snb.2009.02.015

Cited by 9 publications

(5 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Further it is mandatory to maintain the emission levels of other gases namely Sulphur oxides (SO 2) , Nitrogen oxides (NO X ) at stack. The technical specifications of gas analyzer are furnished in [14].…”

Section: A Conceptmentioning

confidence: 99%

“…First one as an offline case the portable ORSAT type analyzer and the other one KANE make online data acquisition analyzer system. Nitrogen (N 2 ), Carbon di oxide (CO 2 ), Oxygen (O 2 ), Nitrogen Oxides (NO 2 ), Sulphur oxides (SO 2), Carbon monoxide (CO) are the consistent gases of the flue gas mixed at certain ratios though they vary from place to place according to national ambient quality standards [14]. Typical absorbent reagents used in the successive steps of absorption analysis have been carried out based on ASTM standards [14].…”

Section: B Data Acquisitionmentioning

confidence: 99%

“…Support vector machines are techniques based on regularization schemes developed from hyper plane classifier under linear separable case, which perform well in many classification problems. SVM converts the Euclidean input vector space to higher dimensional space [14] and acts as binary classifier with separating hyper plane in higher dimensional space satisfying…”

Section: A Support Vector Machinementioning

confidence: 99%

“…Furthermore, stacked generalization emerged out of parallel classifiers for decision based fusion requires further training for combining classifiers which in turn cause the design of adaptive classifiers with respect to input data. Feature extraction / selection algorithms such as arithmetic residue techniques [14] provide good classifiers yet they require a PNN at the classifying stage itself.…”

Section: Introductionmentioning

confidence: 99%

See 3 more Smart Citations

Development of K- Means Based SVM Regression (KSVMR) Technique for Boiler Flue Gas Estimation

Ayyagari¹,

Sivakumar²,

Kannan³

2014

ijeei

View full text Add to dashboard Cite

This paper presents development of a Support Vector Machine (SVM) regression, driven by a Radial Basis Function kernel for obtaining the composition of boiler flue gas mixtures. The frequency components of various gas mixtures were first processed by Floyd K -Means algorithm and the data with class labels were utilized to build a multi-class SVM regression model for discrimination of the flue gas constituents and subsequent composition finding. The Meta parameters (C, ε and kernel) are optimized using grid search technique to obtain appropriate support vectors to train the network. After ascertaining the performance of proposed technique through volatile organic component (VOC) data acquired from quartz crystal microbalance (QCM) type sensors used by earlier researchers, detailed studies have been carried out to study the discriminating and estimation capability of the proposed technique for real time flue gas data acquired from two different analyzers namely ORSAT R and KANE. Exhaustive studies clearly indicate the exceptional performance of the proposed SVM model in classifying and estimating the flue gas components in machine (Analyzer) independent manner.

show abstract

Section: A Conceptmentioning

confidence: 99%

Section: B Data Acquisitionmentioning

confidence: 99%

Section: A Support Vector Machinementioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Development of K- Means Based SVM Regression (KSVMR) Technique for Boiler Flue Gas Estimation

Ayyagari¹,

Sivakumar²,

Kannan³

2014

ijeei

View full text Add to dashboard Cite

show abstract

“…Em nosso trabalho para obter os sigmas ótimos se realizou um procedimento de aproximações sucessivas e otimização dos sigmas para o qual foi estabelecida uma faixa entre 0 e 10 , que é a faixa máxima recomendado nas diversas literaturas (LEFTERI; UHRIG, 1997); (SIVAKUMAR; KANNAN, 2009); (DERYA;MUSTAFA, 2009), e se fez uma busque da grossa variando os valores dos sigmas de um a um e calculando sua eficiência para cada sigma na faixa. Como resultado se obteve que os valores de eficiência eram significativos só na faixa de 0 a 5 , de ai se realiza una busqueda mais refinada no intervalo ] 5 , 0 [ , com uma variação do σ de 0.05.…”

Section: Sigma Por Classesunclassified

Automação de diagnóstico para ensaios nao destrutivos magnéticos.

Pereda¹

View full text Add to dashboard Cite

Agradeço em primeiro lugar, a Deus por me dar forças para concluir o trabalho e iluminar meu caminho. Aos meus pais por me dar a oportunidade de demonstra-lhes que todo é possível, pelo amor o exemplo e o apoio que me deram para que eu cresça como profissional e como ser humano. Um agradecimento especial ao meu Orientador o Prof. Dr. Linilson R. Padovese, por toda a sua dedicação, apoio e entusiasmo, seu carisma, capacidade intelectual e disponibilidade foram fatores importantes para que este trabalho se realizasse. À Escola Politécnica da USP e ao departamento de Engenharia Mecânica que me outorgou todos os recursos e material necessário para a concretização de este trabalho. Agradeço também aos membros da banca de mestrado, pela paciência em ler meu trabalho e pelas suas valiosas sugestões e comentários. Agradeço também ao Prof. Dr. José Pérez Benítez, por todas as suas sugestões feitas a este trabalho. Ao grupo de pesquisadores do laboratório LADIN da Engenharia Mecânica da Escola Politécnica da USP por seu companheirismo e amizade.

show abstract