Mobility Expert System Decision Support System for Medellin's Traffic Control Center

2018 ◽  
Author(s):  
R.A. Urrea ◽  
J.M. Restrepo ◽  
J.C. Valencia ◽  
J.M. Ortiz
Keyword(s):  
Decision Support ◽  
Expert System ◽  
Decision Support System ◽  
Support System ◽  
Traffic Control ◽  
Control Center

scholarly journals A review paper on decision support system/expert system developed on mango

2018 ◽  
Vol 11 (1) ◽  
pp. 119-123 ◽  
Author(s):  
Meenakshi Malik ◽  
Mukesh Sehgal ◽  
A.K. Kanojia ◽  
R. V. Singh
Keyword(s):  
Decision Support ◽  
Expert System ◽  
Decision Support System ◽  
Support System ◽  
Review Paper

scholarly journals Διερεύνηση δυνατοτήτων συμβολής μεθόδων μη καταστρεπτικού ελέγχου στη διάγνωση και στον έλεγχο ποιότητας δομικών υλικών με έμφαση στην αειφόρο κατασκευή

2015 ◽  
Author(s):  
Νικόλαος Κατσιώτης
Keyword(s):  
Decision Support ◽  
Expert System ◽  
Decision Support System ◽  
Real Time ◽  
Support System ◽  
Image Pattern

Στην παρούσα Διδακτορική Διατριβή παρουσιάζεται η διερεύνηση των δυνατοτήτων συμβολής μεθόδων μη-καταστρεπτικού ελέγχου στη διάγνωση και στον έλεγχο ποιότητας δομικών υλικών με έμφαση στην Αειφόρο Κατασκευή. Ως προς το παραπάνω σκοπό, πραγματοποιήθηκε εκτενής μελέτη των υπό έρευνα δομικών υλικών (δοκιμίων σκυροδεμάτων 5 συνθέσεων, έκαστη σύνθεση αποτελούμενη από διαφορετικό τύπο, ποιότητα και κατηγορία αντοχών του περιεχόμενου τσιμέντου) μέσω τόσο συμβατικών/παραδοσιακών (καταστρεπτικών) τεχνικών ανάλυσης όσο και καινοτόμων μη-καταστρεπτικών τεχνικών χαρακτηρισμού.Η μέθοδος που αναπτύχθηκε στα πλαίσια της παρούσας Διδακτορικής Διατριβής αφορά την συνδυαστική και συνεργατική εφαρμογή των μη-καταστρεπτικών τεχνικών της Μικροσκοπίας Οπτικών Ινών και της Ψηφιακής Επεξεργασίας Εικόνας. Περισσότερο συγκεκριμένα, παρασκευάσθηκαν δοκίμια σκυροδεμάτων στον ξυλότυπο (“καλούπι”) των οποίων είχε προσαρμοστεί κατάλληλο πλαίσιο (“παράθυρο”) παρατήρησης και λήψης εικόνων μέσω του οποίου εφαρμόστηκε Μικροσκοπία Οπτικών Ινών σε τακτά διαστήματα πραγματικού χρόνου (“real-time”) κατά την διάρκεια της τοποθέτησης/σκυροδέτησης αυτών. Εν συνεχεία, οι εικόνες υφής αυτές επεξεργάστηκαν κατάλληλα μέσω αλγορίθμου Ψηφιακής Επεξεργασίας Εικόνας (ο οποίος αναπτύχθηκε και αριστοποιήθηκε για τις ανάγκες της συγκεκριμένης Έρευνας και εφαρμογής) σε υπολογιστικό περιβάλλον MatLab®, και εξήχθησαν ποσοτικές πληροφορίες χαρακτηρισμού της δεδομένης εικόνας ανά χρονική στιγμή λήψης αυτής.Τα πειραματικά αποτελέσματα αυτά τροφοδοτήθηκαν αυτομάτως (και σε πραγματικό χρόνο - “real-time”) σε κατάλληλη πληροφοριακή γνωσιακή βάση δεδομένων, η οποία αποτέλεσε το έναυσμα για περαιτέρω αξιοποίηση των περιεχόμενων πληροφοριών, υπό την μορφή εύρεσης και έκφρασης κατάλληλου μαθηματικού συσχετισμού (“correlation”). Εν συνεχεία και βάσει του αναπτυχθέντος ημιεμπειρικού μαθηματικού μοντέλου, έλαβε χώρα μετάβαση σε έμπειρο σύστημα υποστήριξης απόφασης (“expert system”), ικανό να ανταποκρίνεται στις ανάγκες της Κατασκευής (σε πραγματικό τόπο, χρόνο και κλίμακα).Στα Συμπεράσματα της παρούσας Διδακτορικής Διατριβής συμπεριλαμβάνεται η επιτυχής συνδυαστική αξιοποίηση μη-καταστρεπτικών τεχνικών Μικροσκοπίας Οπτικών Ινών και Ψηφιακής Επεξεργασίας Εικόνας ως προς την λήψη αντιπροσωπευτικών επιφανειακών εικόνων υφής/μικροδομής (“image patterns”) σε ορισμένες χρονικές στιγμές αμέσως μετά την έναρξη της σκυροδέτησης (αρχή,+ 5, +10, +15, +20, +25, +30, +40, +50, 60λεπτά). Οι ληφθείσες ψηφιακά επεξεργασμένες εικόνες μικροδομής συσχετίστηκαν (μέσω εκτεταμένου προγράμματος γραμμικών παλινδρομήσεων) με τις τελικές μηχανικές αντοχές των παραχθέντων σκυροδεμάτων και συμπεραίνεται η εντονότερη βαρύτητα/σχέση των μορφολογικών παραμέτρων του “κεντροειδούς” και του “αριθμού Euler” (καθόλες τις χρονικές στιγμές), σε μεγέθυνση 25x και όριο κατωφλίωσης/threshold 110. Πέραν αυτών, η αποτίμηση της μικροδομής από τα ληφθέντα image pattern ενσωματώνεται επιτυχώς σε εξειδικευμένη γνωσιολογική βάση δεδομένων και η Γνώση αυτή μετατρέπεται (μέσω τεχνητής νοημοσύνης και εφαρμογής γενετικών αλγορίθμων σε περιβάλλον MatLab®) σε έμπειρο σύστημα (“expert system”) υποβοήθησης/υποστήριξης αποφάσεων (“decision support system”) Αειφορίας στην Κατασκευή.

scholarly journals Decision Support System for Diagnose Hepatitis Type using Expert System Method

2021 ◽  
Vol 6 (1) ◽  
pp. 66
Author(s):  
Dimmas Mulya ◽  
Dian Pratiwi ◽  
Is Mardianto
Keyword(s):  
Decision Support ◽  
Expert System ◽  
Decision Support System ◽  
Support System ◽  
Skin Color ◽  
Hepatitis A ◽  
Medical Personnel ◽  
Medical Specialists ◽  
System Method ◽  
Loss Of Appetite

In the medical world, there are five types of Hepatitis, namely Hepatitis A, B, C, D, and E. However, the five types of hepatitis have similar symptoms, including yellowing of the skin color, yellowing of the eyeball, loss of appetite, etc. Thus, many of the Medical Personnel often misdiagnose the patient for the type of hepatitis or not suffer from hepatitis.Therefore, previous diagnostic data ware collected from Medical Specialists which will be processed and developed into the Java-based Decision Support System Application with Expert System method with the percentage output of the likelihood of patients from each type of hepatitis along with the possibility of patients not suffering from hepatitis.With the output of this application, the percentage of the possibility of each type of hepatitis or the possibility of not suffering from hepatitis can help Medical Personnel to make diagnostic decisions based on alternatives provided by the application.

An Intelligent Decision Support System (IDSS) for Nutrition Therapy

2013 ◽  
Vol 2 (4) ◽  
pp. 14-27 ◽  
Author(s):  
Ali Fahmi ◽  
Amin Dorostanian ◽  
Hassan Rezazadeh ◽  
Alireza Ostadrahimi
Keyword(s):  
Decision Support ◽  
Expert System ◽  
Decision Support System ◽  
Support System ◽  
Nutrition Therapy ◽  
Intelligent Decision Support System ◽  
Intelligent Decision ◽  
Artificial Neural Network Ann ◽  
Suitable Framework ◽  
Intelligent Decision Support

In this paper, the authors have presented an expert system to support decision makers in nutrition therapy planning. This system is an extended version of a fuzzy decision support system for nutrition therapy. The presented expert system is equipped with an updated knowledge base component by using a set of rules. Also in order to deal with vagueness and uncertainty, fuzzy set theory could provide a suitable framework for data management, modelling and decision support. Therefore, fuzzy rules empower this system to be implemented more realistically. In addition, for developing knowledge management component, artificial neural network (ANN) is applied to survey the input data and information in the long term. The integration of ANN with the expert system provides the possibility for a set of novel rules to be generated and consequently adds new knowledge to the system.

Sign in / Sign up

Export Citation Format

Share Document