Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Nowakowski, P." wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    Wpływ liczby zmiennych na jakość działania neuronowego modelu do identyfikacji mechanicznych uszkodzeń ziarniaków kukurydzy
    The impact of the number of variables on the operation quality of neuron model for identifying mechanical damage of corn seeds
    Autorzy:
    Nowakowski, K.
    Boniecki, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/290908.pdf
    Data publikacji:
    2008
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    kukurydza
    uszkodzenie mechaniczne
    identyfikacja
    reprezentatywne dane uczące
    sieć neuronowa
    analiza obrazu
    maize
    mechanical damage
    identifying
    representative teaching data
    neural network
    image analysis
    Opis:
    Wykorzystanie sztucznych sieci neuronowych do identyfikacji mechanicznych uszkodzeń ziarniaków, prezentowanych w postaci fotografii, wymaga doboru odpowiednich cech charakterystycznych, na podstawie których zostanie przeprowadzony proces rozpoznawania. Wybór danych można zweryfikować wykorzystując narzędzie analizy wrażliwości sieci. Dzięki jego zastosowaniu można ocenić poziom istotności poszczególnych cech charakterystycznych i sprawdzić czy wszystkie wcześniej wybrane zmienne są niezbędne w procesie uczenia.
    Using of artificial neuron networks for identifying mechanical damage of seeds presented on photographs requires selection of proper characteristics, which can be the basis for identification process. Data choice can be verified by using the instrument of network sensitivity analysis. Thanks to its use the significance level of particular characteristics can be evaluated, and it may be verified if all selected variables are essential in the learning process.
    Źródło:
    Inżynieria Rolnicza; 2008, R. 12, nr 6(104), 6(104); 151-157
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Konwersja obrazów cyfrowych do postaci zbiorów uczących dla potrzeb modelowania neuronowego
    Conversion of digital images into the form of teaching sets for the purposes of neural modeling
    Autorzy:
    Przybylak, A.
    Boniecki, P.
    Nowakowski, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/287969.pdf
    Data publikacji:
    2009
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    przetwarzanie obrazu
    analiza obrazu
    piksel
    zbiór uczący
    sieć neuronowa
    image processing
    image analysis
    pixel
    teaching set
    neural network
    Opis:
    Wykorzystanie sztucznych sieci neuronowych na potrzeby analizy obrazu wymaga prawidłowego przygotowania zbiorów uczących. W przypadku pozyskiwania informacji z obrazów cyfrowych konieczna jest ich konwersja do postaci akceptowanej przez sztuczną sieć neuronową. Niezwykle istotne jest, aby do struktury zbioru uczącego trafiły cechy reprezentatywne, pozwalające na poprawne działanie modelu neuronowego. W przedstawionym w pracy systemie użytkownik ma możliwość wyboru danych, które umieści w zbiorze uczącym. W aktualnej wersji systemu mogą to być informacje o barwie, na które składają się: histogram, tekstura oraz składowe modelu RGB.
    Using artificial neural networks for image analysis purposes requires proper preparation of teaching sets. In case of information acquisition from digital images it is necessary to convert them into the form accepted by an artificial neural network. It is extremely important to incorporate representative features allowing correct operation of neural model into the teaching set structure. In the system presented in this work user is able to select data, which will be included in the teaching set. In current system version this may be information on colour, which includes: histogram, texture and the RGB model components.
    Źródło:
    Inżynieria Rolnicza; 2009, R. 13, nr 9, 9; 201-206
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Optymalizacja procesów decyzyjnych przy zastosowaniu wybranych metod sztucznej inteligencji
    Optimization of decision processes using chosen methods of artificial intelligence
    Autorzy:
    Nowakowski, K.
    Boniecki, P.
    Majewski, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/288891.pdf
    Data publikacji:
    2005
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    sztuczne sieci neuronowe
    system ekspercki
    optymalizacja
    proces decyzyjny
    artificial neural network
    expert system
    optimization
    decision cases
    Opis:
    Już od dawna ludzie poszukują narzędzi, które pomogłyby im w procesie podejmowania trafnych decyzji. Ze względu na nikłe jak do tej pory sukcesy rozsądnym wydaje się być wykorzystanie w tym celu wybranych metod sztucznej inteligencji. Użycie w/w technologii opartych na symulacji pracy ludzkiego umysłu daje nowe możliwości. Połączenie techniki sztucznych sieci neuronowych i systemów ekspertowych pozwoliło na stworzenie wirtualnych doradców - specjalistów w wybranej dziedzinie. Pozwalają oni skutecznie pomóc w podejmowaniu konkretnych decyzji. Nie zrobią tego za człowieka ale dzięki wykorzystanym technologią mogą pomóc w podjęciu optymalnej decyzji.
    Since a long time humans seek tools which would help them take accurate decisions. Because of very little success so far, choosing methods of artificial intelligence seems to be reasonable. Using mentioned technologies based on simulation of work of human mind gives new possibilities. The connection of technique of artificial neural network and expert systems permitted to create virtual advisers' - experts in chosen field. They permit to help treat concrete decisions effectively. They will not make it instead of humans but thanks to used technology they can help undertake optimal decision.
    Źródło:
    Inżynieria Rolnicza; 2005, R. 9, nr 2, 2; 131-136
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wpływ kompresji barw na działanie neuronowego modelu identyfikacyjnego
    Colour compression impact on operation of a neural identification model
    Autorzy:
    Nowakowski, K.
    Boniecki, P.
    Przybylak, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/288902.pdf
    Data publikacji:
    2010
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    analiza neuronowa obrazu
    ziemniak
    barwa
    neural image analysis
    potato
    colour
    Opis:
    Analiza wrażliwości wytworzonego modelu neuronowego wskazała na kluczową rolę w procesie identyfikacji, informacji o kolorze ziarniaka. postanowiono sprawdzić wpływ kompresji kolorów na jakość działania neuronowego modelu identyfikacyjnego. Zaproponowano dwa autorskie sposoby kompresji informacji o kolorze ziarniaków. Obydwie metody znacząco zmniejszyły rozmiar wektora uczącego. Wyniki działania neuronowego modelu indentyfikacyjnego, w oparciu o zmodyfikowane zbiory uczące, okazały się znacząco gorsze od modelu wytrenowanego na zbiorach uczących zawierających pełną informację o barwie.
    Sensitivity analysis of a developed neural model has indicated key role in the process of identifying information on seed colour. The researchers decided to check the impact of colour compression on quality of neural identification model operation. The authors proposed two own methods allowing to compress information concerning colour of seeds. Both methods significantly reduced the size of teaching vector. Results for the neural identification model operation on the basis of modified teaching sets have proven to be considerably worse than for the model trained using teaching sets containing complete information on colour.
    Źródło:
    Inżynieria Rolnicza; 2010, R. 14, nr 3, 3; 159-164
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modelowanie danych w procesie odwzorowywania informatycznego systemów empirycznych stanowiących przedmiot inżynierii rolniczej
    Data modeling in a process of mapping empirical systems of agricultural engineering onto information systems
    Autorzy:
    Mueller, W.
    Boniecki, P.
    Weres, J.
    Nowakowski, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/287547.pdf
    Data publikacji:
    2007
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    modelowanie danych
    baza danych
    inżynieria rolnicza
    system empiryczny
    data modeling
    databases
    empirical system
    agricultural engineering
    Opis:
    Systemy empiryczne, leżące w obszarze zainteresowania inżynierii rolniczej, charakteryzują się wyjątkową złożonością. Próbą radzenia sobie z sygnalizowaną komplikacją w procesie poznawania jest wielopoziomowe modelowanie dziedziny problemowej. Istotną kwestią w procesie modelowania dziedziny problemowej, jak i projektowania systemów informatycznych, które są wykorzystywane do badania systemów empirycznych jest prawidłowe zrealizowanie fazy modelowania danych. Zaistnienie tego etapu jest konsekwencją podejmowanych wysiłków zmierzających do poznania coraz bardziej złożonych systemów empirycznych, opisywanych coraz większą porcją informacji wzajemnie ze sobą powiązanych.
    Empirical systems investigated within agricultural engineering are extremely complex. A multi-level modeling of a problem domain, extended by mapping developed operational structures onto information systems is a solution to deal with the complexity. A crucial issue, becoming more and more pronounced in modeling a problem domain and designing information systems oriented at investigation of empirical systems, is to complete correctly data modeling phase. Such analysis is a result of substantial attempts made to better understand the empirical systems, the systems which are more and more complex, requiring more and more interrelated information. The attempts have been favored by appearance of new information technologies dedicated to representation of data.
    Źródło:
    Inżynieria Rolnicza; 2007, R. 11, nr 6 (94), 6 (94); 175-182
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Przetwarzanie graficznych danych empirycznych dla potrzeb edukacji sztucznych sieci neuronowych, modelujących wybrane zagadnienia inżynierii rolniczej
    Processing graphics empirical data for the needs of education of artificial neural networks, modeling selected problems of agriculture engineering
    Autorzy:
    Nowakowski, K.
    Boniecki, P.
    Weres, J.
    Mueller, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/288990.pdf
    Data publikacji:
    2007
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    piksel
    filtracja
    segmentacja
    kompresja
    składowe RGB
    pixel
    filtration
    segmentation
    compression
    element of RGB
    Opis:
    Wykorzystanie sztucznych sieci neuronowych do odwzorowania wielowymiarowych graficznych zbiorów danych jest nieefektywne a nawet wręcz niemożliwe, co może być spowodowane chociażby niejednorodną reprezentacją wielkości w układzie czy rozmiarem wektora tych wielkości. W takich przypadkach wskazane jest użycie bloku przetwarzania wstępnego tzw. preprocesora. Zaprojektowanie i wytworzenie systemu informatycznego dla tego właśnie celu pozwoliło na transformację danych pierwotnych (zdjęcia fotograficzne) do takiej reprezentacji danych, która będzie odpowiednia dla wykorzystania procesie uczenia sieci neuronowej [Tadeusiewicz i in. 1991].
    The use of artificial neural networks for representing multidimensional graphic data sets is ineffective and even not possible, which can be caused for example by heterogeneous representation of the parameter in the system or the size of the vector of these parameters. In such cases it is advisable to use a preprocessing block, the so called preprocessor. Developing and making IT system specifically for this purpose allowed to transform the primary data (photographic pictures) into data representation, to be appropriate for using in the neural network learning process.
    Źródło:
    Inżynieria Rolnicza; 2007, R. 11, nr 2 (90), 2 (90); 243-248
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wybór reprezentatywnej struktury zbiorów uczących dla potrzeb neuronowych modeli identyfikacyjnych wykorzystywanych w inżynierii rolniczej
    Selection of representative structure of learning sets for purpose of neuron identification models used in agricultural engineering
    Autorzy:
    Nowakowski, K.
    Boniecki, P.
    Weres, J.
    Mueller, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/287545.pdf
    Data publikacji:
    2007
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    reprezentatywne dane uczące
    sieć neuronowa
    analiza obrazu
    inżynieria rolnicza
    agricultural engineering
    representative learning data
    neural network
    image analysis
    Opis:
    Wykorzystanie sztucznych sieci neuronowych do identyfikacji mechanicznych uszkodzeń ziarniaków na podstawie ich fotografii wymaga doboru odpowiednich cech charakterystycznych na podstawie, których zostanie przeprowadzony proces rozpoznawania. Ponieważ stosowanie sieci neuronowych do bezpośredniego mapowania zbiorów graficznych jest nieefektywne, wskazane jest użycie bloku przetwarzania wstępnego, tzw. preprocesora. Zaprojektowanie i wytworzenie właściwego systemu informatycznego dla tak sformułowanego celu pozwoliło na dokonanie transformacji danych pierwotnych (zdjęcia fotograficzne) do reprezentacji danych, która będzie odpowiednia dla wykorzystania w procesie uczenia sieci neuronowej.
    Use of artificial neural networks for identification of the mechanical damages to grains based on photographs requires a selection of appropriate characteristic features in order to conduct a recognition process. Since the application of neural networks for direct mapping of graphic sets is not really effective, it is recommended to use the initial processing block, so called preprocessor. Design and creation of a proper information system for this particular purpose allowed to transform raw data (photographic images) for data representation, appropriate to be used in the learning process of neural network.
    Źródło:
    Inżynieria Rolnicza; 2007, R. 11, nr 6 (94), 6 (94); 183-188
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Możliwości stosowania zdjęć lotniczych niskiego pułapu jako danych fotointerpretacyjnych do oceny użytków zielonych
    Possibilities for application of aerial photographs of low altitude as photo interpretation data for assessment of grasslands
    Autorzy:
    Tomczak, R. J.
    Nowakowski, K.
    Kujawa, S.
    Koszela, K.
    Nowak, P. J.
    Powiązania:
    https://bibliotekanauki.pl/articles/288154.pdf
    Data publikacji:
    2012
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    fotointerpretacja
    zdjęcie lotnicze
    niski pułap
    model zdalnie sterowany
    wielowirnikowiec
    photointerpretation
    aerial photograph
    low altitude
    remotely controlled model
    multicopter
    Opis:
    Fotointerpretacja zdjęć lotniczych jest dziedziną rozwijaną wielokierunkowo od wielu lat. Do niedawna bazą do badań były zdjęcia lotnicze z obiektów załogowych oraz zdjęcia satelitarne, co w znaczący sposób ograniczało zakres zastosowań. Głównymi ograniczeniami były min. koszt i częstotliwość wykonywania zdjęć nad tym samym obszarem oraz wysokość, przekładająca się na jakość zdjęcia i minimalną wielkość odwzorowywanych elementów. Zastosowanie zdalnie sterowanych przez naziemnego operatora lub autonomicznych lekkich obiektów latających (UAV) pozwala na zupełnie nowe możliwości wykonywania zdjęć [Heine 2008]. Autorzy pracy za pomocą zdalnie sterowanego, wyposażonego w elementy automatyki pionowzlotu wykonali serię zdjęć użytków zielonych. Wykonano przegląd i analizę zdjęć lotniczych wykonanych z wysokości do 100 m w celu wskazania cech i parametrów do ich interpretacji. Zaproponowano elementy metodyki do fotointerpretacji zdjęć na potrzeby rozpoznawania zmian w strukturze użytków zielonych.
    Photointerpretation of aerial photographs is a discipline which has been developed in many directions for many years. Aerial photographs from manned objects and satellite photographs have recently constituted a base for research which considerably limited the scope of application. Expenses and frequency of taking pictures over the same area as well as height translated into the quality of a picture and the minimum size of the reproduced elements have been the main limitations. The use of aerial vehicles remotely controlled by a navigator or unmanned aerial vehicles (UAV) allows completely new possibilities of taking pictures [Heine 2008]. The authors of the study took a series of pictures of grasslands with the use of remotely controlled vertiplane equipped with elements of automatics. Inspection and analysis of aerial pictures taken from the height up to 100m in order to indicate properties and parameters for their interpretation were carried out. Elements of methodology for photointerpretation of photographs for the needs of recognising changes in the structure of grasslands.
    Źródło:
    Inżynieria Rolnicza; 2012, R. 16, nr 4, t. 1, 4, t. 1; 431-437
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies