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 "Klasyfikacja sieci" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Bezprzewodowa sieć sensorów
    Wireless Sensors Networks
    Autorzy:
    Kurytnik, I.
    Mikulski, M.
    Karpiński, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/155107.pdf
    Data publikacji:
    2010
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    bezprzewodowe sieci sensorów
    ZigBee
    propagacja fal radiowych
    klasyfikacja ataków w sieci sensorów
    Wireless Sensors Networks
    propagation of radio waves
    classification of attacks in network of sensors
    Opis:
    Bezprzewodowe sieci sensorów (WSN) znajdują coraz większe zastosowanie w automatyce przemysłowej oraz domowej. WSN mogą składać się z bardzo dużej ilości urządzeń (sensor wraz ze specjalizowanym układem komunikacyjnym), na ogół o zasilaniu bateryjnym. Istotną kwestią jest zatem optymalne wykorzystanie zasobów energetycznych urządzeń tworzących sieć sensorów. Z kolei do poprawnego modelowania wykorzystania zasobów energetycznych WSN konieczne jest przyjęcie właściwego modelu propagacji sygnału radiowego. W artykule przedstawiono zagadnienia związane z komunikacją za pomocą fal radiowych w wolnej przestrzeni, omówiono również inne modele propagacji wykorzystywane chociażby przy projektowaniu sieci komórkowych GSM. Szczegółowo omówiono te modele, które (być może z pewnymi modyfikacjami) najlepiej odzwierciedlają realia komunikacji w WSN. W dalszej części dokonano podziału zagrożeń bezpiecznej transmisji w omawianych sieciach.
    The wireless sensors networks (WSN) find each time greater application in industrial and also domestic automation. WSN can consist of plenty devices (sensors together with a communication block which is specialized), on the whole with a battery supply. A substantial question is thus the optimal use of supplies of devices which create the network of sensors. In turn to the correct design of the use of supplies of WSN the acceptance of peculiar propagation model of the radio signal is needed. Questions, related to com-munication of radio waves in free space, are presented in the article, other models of used propagation are discussed also even at plan-ning of cellular networks (GSM). These models which (presumably with certain modifications) better in all reflect realities of communication in WSN are thoroughly discussed. Questions, related to functioning of wireless networks of sensors, are presented in the article, with the special account for network with far nodes and end devices. In further part the division of threats of safe transmission in the networks is discussed. The division of attacks with which we can have business in the separate layers of WSN is shown.
    Źródło:
    Pomiary Automatyka Kontrola; 2010, R. 56, nr 6, 6; 548-551
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Porównanie i ocena metod klasyfikacji sygnałów EEG
    Analysis and classification of EEG data. An evaluation of methods
    Autorzy:
    Rutkowski, G.
    Patan, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/154847.pdf
    Data publikacji:
    2012
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    EEG
    sztuczne sieci neuronowe
    rozpoznawanie obrazów
    klasyfikacja
    artificial neural networks
    pattern recognition
    classification
    Opis:
    Analiza i interpretacja sygnałów elektroencefalograficznych znalazła szerokie spektrum zastosowań w diagnostyce klinicznej. Pomimo licznych doświadczeń specjalistów, ciągle napotyka się wiele trudności. Powstające problemy związane są m.in. z aspektami technicznymi co spowodowane jest charakterem niestacjonarności w przypadku sygnałów takich jak sygnały EEG. Rozwiązania sprzętowe i programowe w tej dziedzinie są poddawane ciągłej poprawie ze względu na rozwój technologiczny. Bardzo obiecującym narzędziem w analizie i interpretacji sygnałów EEG są sztuczne sieci neuronowe. W pracy przedstawiono eksperymenty oparte o analizę i klasyfikację danych biomedycznych za pomocą różnych technik, w tym metod klasycznych takich jak naiwny klasyfikator Bayesa, k najbliższych sąsiadów z zastosowaniem metod sztucznej inteligencji takich jak klasyfikatory SVM czy perceptron wielowarstwowy.
    Analysis and interpretation methods of electroencephalogram signals have found a broad spectrum of applications in clinical diagnosis. Despite the experience of professionals, biomedical data analysis encounters many difficulties. Measurement problems are associated with both the technical ground that determines the character of non-stationarity of EEG signals and the individual nature of a neurological dysfunction. The existing hardware and software have been continuously improved due to the rapid progress of technological development. Very promising tool in the analysis and interpretation of the EEG signals are artificial neural networks. An electroencephalogram (EEG) is a noninvasive technique for measurement of processes occurring in the human brain. This technique allows direct measurement of electrical potentials of neuronal activity. EEG is thus recording of electrical activity of nerve cells on the surface of the cerebral cortex. Seizures are very important element in clinical diagnosis due to the ongoing search for causal link in generating sudden discharges of electricity. The interpretation of such signals may allow for appropriate treatment and selection of relevant therapy for individual cases. There have been many works in the area of electroencephalography which used artificial neural networks involving among the others in the process of recognizing specific graphoelements, which in turn indicate a definite neurological dysfunction. Neural networks are also able to extract the relevant information contained in the EEG signals and support the process of solving problems, such as the identification of characteristic EEG [1, 5, 6] patterns or determine patterns based on spectral EEG topography [3]. Neural networks are also used to identify artifacts, where inputs to the classifier are implemented in the form of selected parameters of a specific wave length [10]. The paper presents experiments based on the analysis and classification of biomedical data using various techniques, including classical methods such as naive Bayes classifiers, and nearest neighbor using artificial intelligence methods including SVM classifiers and multilayer perceptron.
    Źródło:
    Pomiary Automatyka Kontrola; 2012, R. 58, nr 4, 4; 369-371
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Hardware acceleration of data classifiers for multimedia processing tasks
    Sprzętowe przyspieszenie klasyfikacji danych multimedialnych
    Autorzy:
    Dziurzański, P.
    Mąka, T.
    Forczmański, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/153826.pdf
    Data publikacji:
    2014
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    feature extraction
    multimedia data classification
    Network on Chip (NoC)
    ImpulseC
    ekstrakcja cech
    klasyfikacja danych multimedialnych
    sieci wewnątrzukładowe
    Opis:
    In this paper, experimental results of a proposed hardware acceleration of feature extraction and data classifiers for multimedia are presented. This hardware is based on multi-core architecture connected with a mesh Network on Chip (NoC). The cores in the system execute both data classifiers and feature extraction for audio and image data. Using various meta heuristics the system is optimized with regards to different data communication criteria. The system was implemented on an FPGA platform with use of ImpulseC hardware description language.
    W artykule zostały zeprezentowane wyniki eksperymentalne dotyczące sprzętowego przyspieszania ekstrakcji cech i klasyfikacji danych multimedialnych. Opracowane rozwiązanie sprzętowe bazuje na architekturze wielordzeniowej, w której każdy blok realizuje przypisaną mu statycznie funkcjonalność. Rdzenie połączone są ze sobą za pomocą sieci wewnątrzukładowej (ang. Network on Chip, NoC) o architekturze siatki. W artykule opisano pokrótce autorskie oprogramowanie służące do generowania kodu sieci wewnątrzukładowej. Graficzny interfejs użytkownika został zaprezentowany na rys. 1. Narzędzie ma za zadanie dokonywać odwzorowania wybranych funkcjonalności do poszczególnych rdzeni z wykorzystaniem takich meta-heurystyk jak algorytmy genetyczne, symulowane wyżarzanie, poszukiwanie losowe czy algorytmu gradientowego. Jako kryterium optymalizacji można wybrać minimalizację całkowitego przesyłu danych, minimalizację maksymalnej liczby danych transmitowanych przez pojedyncze łącze, a także minimalizację odchylenia standardowego rozmiaru strumieni transmitowanych przez poszczególne łącza. Przykładowe wyniki optymalizacji losowej dla sieci wewnątrzukładowej zostały przedstawione w tab. 1, natomiast wyniki optymalizacji dla sieci wewnątrzukładowej wykorzystującej inne podejścia - w tab. 2. Dla systemu zoptymalizowanego w ten sposób został wygnerowany opisujący go kod w języku ImpulseC, który następnie posłużył do syntezy sprzętowej na układzie FPGA z rodziny Xilinx Virtex 5. Zajętość układu XC5VSX50T dla trzech wykorzystanych klasyfikatorów została przedstawiona na rys. 3. Z kolei tab. 3 przedstawia liczbę zasobów wykorzystanych przez narzędzie syntezy wysokiego poziomu dla tych klasyfikatorów. Technika przedstawiona w publikacji umożliwia określenie warunków i ograniczeń implementacji sprzętowej systemu służącego klasyfikacji danych multimedialnych.
    Źródło:
    Pomiary Automatyka Kontrola; 2014, R. 60, nr 6, 6; 382-384
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      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