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 "Artificial neural networks" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    Implementacja sztucznych sieci neuronowych w środowisku LabVIEW
    Artificial neural networks in LabVIEW
    Autorzy:
    Rafiński, L.
    Powiązania:
    https://bibliotekanauki.pl/articles/268930.pdf
    Data publikacji:
    2008
    Wydawca:
    Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
    Tematy:
    sztuczne sieci neuronowe
    artificial neural networks
    Opis:
    Przedstawiono możliwości oraz strukturę zrealizowanego przez autora modułu do implementacji sztucznych sieci neuronowych w środowisku LabVIEW.
    The article shows the structure and capabilities of a LabVIEW module for the artficial neural networks implementation designed by the author.
    Źródło:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2008, 25; 141-143
    1425-5766
    2353-1290
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie sztucznych sieci neuronowych do prognozowania cen na giełdzie energii
    Using artificial neural networks to forecasting the energy exchange price
    Autorzy:
    Miller, A.
    Bućko, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/268589.pdf
    Data publikacji:
    2014
    Wydawca:
    Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
    Tematy:
    prognoza
    sztuczne sieci neuronowe
    rynek energii
    MATLAB
    prediction methods
    artificial neural networks
    energy market
    Opis:
    Jednym z aktualnych zagadnień gospodarczych jest prognozowanie cen na Giełdzie Energii. Autorzy publikacji proponują wykorzystanie do tego celu sztucznych sieci neuronowych i oprogramowania MATLAB. Opisują narzędzie do prognozy krótkoterminowej Rynku Dnia Następnego. W artykule przedstawiono sposób kalibracji danych. Opisano również użyte funkcje aktywacji w warstwach neuronowych wraz z konsekwencjami z nich wynikającymi dla samego procesu nauczania. W końcowej części artykułu porównano prognozę sieci neuronowej z rzeczywistym przebiegiem notowań na Giełdzie Energii.
    One of the current economic problem is the Energy Exchange price forecasting. Authors’ proposal is to implement artificial neural network and MATLAB package for price forecasting. Program for short-time forecast of the Next Day Market price is described. Data normalisation methods are presented in the paper. Neural activation functions are described and the consequences of choosing activation function on neural network learning process are discussed. In the conclusion, comparison of Energy Exchange forecast price and real prices is presented.
    Źródło:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2014, 40; 69-72
    1425-5766
    2353-1290
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Budowa modelu prognostycznego farmy wiatrowej w środowisku MATLAB
    Construction of wind farms forecasting model in MATLAB
    Autorzy:
    Rubanowicz, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/268666.pdf
    Data publikacji:
    2012
    Wydawca:
    Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
    Tematy:
    elektrownie wiatrowe
    prognozowanie mocy
    sztuczne sieci neuronowe
    MATLAB
    wind power plants
    prediction methods
    artificial neural networks
    Opis:
    Liberalizacja rynku energii elektrycznej sprawiła, że branża elektroenergetyczna przechodzi obecnie dynamiczny rozwój różnych jej obszarów (aspektów). Jednym z aspektów jest prognozowanie mocy jednostek wytwórczych źródeł wiatrowych. W prognozowaniu wykorzystuje się różnego rodzaju narzędzia matematyczne. Autor niniejszej publikacji poświęcił szczególną uwagę sztucznym sieciom neuronowym. Za pomocą modeli neuronowych istnieje możliwość predykcji generacji mocy wytwórczej farm wiatrowych. Budowa modelu prognostycznego wymaga umiejętności programistycznych. Powszechnym środowiskiem programistycznym, umożliwiającym budowę modeli, jest oprogramowanie naukowo-techniczne MATLAB. Wykorzystując wbudowane funkcje (gotowe moduły) istnieje możliwość zbudowania modelu prognostycznego farmy wiatrowej. W artykule przedstawiono sposób zamodelowania wybranej struktury neuronowej za pomocą modułu Neural Toolbox oraz przeprowadzono test nauczonej sieci.
    The liberalization of the electricity market has made electric power industry is undergoing rapid development its different areas (aspects). One aspect is the forecasting power generating units wind sources. The prediction uses various mathematical tools. The author of this publication has devoted special attention to artificial neural networks. Using neural models can predict power generation manufacturing of wind farms. Construction of a predictive model requires programming skills. A common programming environment that allows the construction of models, is the scientific and technical software MATLAB. Using the built-in (ready modules) it is possible to build a predictive model of the wind farm. This article shows you how to model a neural structure chosen by Neural Toolbox module and performed background and sensor network test.
    Źródło:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2012, 31; 123-126
    1425-5766
    2353-1290
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Krótkoterminowe prognozowanie dynamicznej obciążalności linii z wykorzystaniem techniki sztucznej inteligencji
    The dynamic line rating short-term forecasting with the use of artificial intelligence technique
    Autorzy:
    Babś, Adam
    Samotyjak, Tomasz
    Powiązania:
    https://bibliotekanauki.pl/articles/266825.pdf
    Data publikacji:
    2019
    Wydawca:
    Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
    Tematy:
    dynamiczna obciążalność linii
    prognozowanie parametrów pogodowych
    sztuczne sieci neuronowe
    dynamic line rating
    weather forecasting
    artificial neural networks
    Opis:
    W referacie przedstawiono sposób prognozowania parametrów pogodowych takich jak temperatura, prędkość i kierunek wiatru oraz natężenie promieniowania słonecznego, które są podstawą do wyznaczania dynamicznej obciążalności linii napowietrznych. Do krótkoterminowej prognozy warunków pogodowych wykorzystano jedną z metod technik sieci neuronowych tj. dynamiczną nieliniową autoregresyjną sieć neuronową (NAR). Przykład obliczeniowy prognoz warunków pogodowych wykorzystuje rzeczywiste dane z kilku stacji pogodowych ze zbioru ponad 350 stacji mierzących dane pogodowe na terenie kraju. Przyjmując symetryczny bezwzględny błąd procentowy (SMAPE) oszacowano dokładność prognozy oraz porównano ją z pomiarami rzeczywistymi oraz z prognozą pozyskiwaną od podmiotu komercyjnego. Obliczenia i symulacje przeprowadzono w środowisku MATLAB, umożliwiając wykorzystanie opisanej metody prognozowania w istniejących systemach Dynamicznej Obciążalności Linii (DOL).
    The paper presents the method of forecasting weather parameters such as temperature, wind speed and direction, as well as the solar irradiation, which are the basis for determining the dynamic load capacity of overhead lines. For the short-term forecast of weather conditions one of the methods of neural network techniques was used, i.e. a dynamic non-linear autoregressive neural network (NAR). The calculation example of weather forecasts uses real data from several weather stations from a set of over 350 stations measuring weather data across the country. Assuming a symmetrical absolute percentage error (SMAPE), the accuracy of the forecast was estimated and compared with the actual measurements and the forecast obtained from the commercial entity. Calculations and simulations were carried out in the MATLAB environment, enabling the use of the described prediction method in the existing Dynamic Line Rating systems (DOL).
    Źródło:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2019, 62; 49-53
    1425-5766
    2353-1290
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Estymacja wybranych wskaźników jakości energii elektrycznej w nieopomiarowanych punktach sieci dystrybucyjnej
    Estimation of selected power quality indicators at non-measured distribution network points using neural networks
    Autorzy:
    Firlit, Andrzej
    Świątek, Bogusław
    Piątek, Krzysztof
    Dutka, Mateusz
    Siostrzonek, Tomasz
    Powiązania:
    https://bibliotekanauki.pl/articles/266996.pdf
    Data publikacji:
    2019
    Wydawca:
    Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
    Tematy:
    jakość energii elektrycznej
    wskaźniki jakości energii elektrycznej
    sieci neuronowe
    power quality
    power quality indicators
    artificial neural networks
    Opis:
    W artykule przedstawiono metodę umożliwiającą estymację wybranych wskaźników jakości energii elektrycznej w zadanym punkcie sieci elektroenergetycznej na podstawie wskaźników jakości energii elektrycznej zarejestrowanych w punktach leżących w najbliższym otoczeniu. Do estymacji wykorzystano algorytmy sztucznych sieci neuronowych. W rezultacie uzyskano neuronowy model określający relację pomiędzy wskaźnikami jakości energii elektrycznej tego samego typu w sąsiadujących ze sobą punktach. W artkule przedstawiono wyniki analiz i testów dla rzeczywistych warunków pracy sieci dystrybucyjnej.
    The article presents a method allowing the estimation of selected power quality indicators at a given point of the power grid based on electricity quality indicators (or other voltage parameters) registered at points in the nearest surroundings. Artificial neural network algorithms were used for the estimation. As a result, a neural model was obtained that determined the relationship between the same power quality indices at neighbouring points. The article presents the results obtained for the real conditions of the distribution network.
    Źródło:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2019, 67; 17-20
    1425-5766
    2353-1290
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza sceny przy użyciu głębokich sieci neuronowych typu YOLO
    Scene analysis using YOLO neural network
    Autorzy:
    Mikołajczyk, Mateusz
    Kwasigroch, Arkadiusz
    Grochowski, Michał
    Powiązania:
    https://bibliotekanauki.pl/articles/267008.pdf
    Data publikacji:
    2019
    Wydawca:
    Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
    Tematy:
    sztuczne sieci neuronowe
    detekcja obiektów
    przetwarzanie obrazu
    uczenie głębokie
    artificial neural networks
    object detection
    image processing
    deep learning
    Opis:
    W artykule opisany został problem analizy sceny na obrazach oraz sekwencjach video. Zadanie analizy sceny polega na detekcji, lokalizacji i klasyfikacji obiektów znajdujących się na obrazach. Zaimplementowany system wykorzystuje głęboką sieć neuronową, której struktura oparta została na architekturze YOLO (You Only Look Once). Niskie zapotrzebowania obliczeniowe wybranej architektury pozwala na wykonywanie detekcji w czasie rzeczywistym z zadowalającą dokładnością. W pracy przeprowadzono również badania nad doborem odpowiedniego optymalizatora wykorzystywanego w procesie uczenia. Jako przykładową aplikację wybrano analizę ruchu ulicznego w której skład wchodzi wykrywanie i lokalizacja obiektów takich jak m.in. samochody, motocykle czy sygnalizacja świetlna. Systemy tego typu mogą być wykorzystywane w wszelkiego typu systemach analizy wizyjnej otoczenia np. w pojazdach autonomicznych, systemach automatycznej analizy video z kamer przemysłowych, systemach dozoru czy analizy zdjęć satelitarnych.
    The paper describes the problem of scene analysis in images and video sequences. The task of scene analysis is to detect, locate and classify objects in images. As an example of an application, traffic analysis was chosen, which includes the detection and location of objects such as cars, motorcycles or traffic lights. The implemented system uses a deep neural network, whose structure is based on the YOLO (You Only Look Once) architecture. Low computing requirements of the chosen architecture allows performing real-time detection with satisfactory accuracy. The work also included a study on the selection of an appropriate optimizer used in the learning process. The program correctly detects objects with a large surface area, allowing the system to be used in traffic analysis. The work also showed that using the ADAM algorithm allowed significantly shorten the training time of the neural network. Systems of this type can be used in many types of video analysis systems such as autonomous vehicles, automatic video analysis systems with CCTV cameras, surveillance systems or satellite image analysis.
    Źródło:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2019, 68; 37-40
    1425-5766
    2353-1290
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    System wspomagający diagnostykę czerniaka złośliwego przy pomocy metod przetwarzania obrazu i algorytmów inteligencji obliczeniowej
    Decision system supporting melanomena detection with the usage of image processing and computational intelligence methods
    Autorzy:
    Mikołajczyk, A.
    Kwasigroch, A.
    Grochowski, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/269110.pdf
    Data publikacji:
    2016
    Wydawca:
    Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
    Tematy:
    diagnostyka
    wspomaganie decyzji
    przetwarzanie obrazu
    sztuczne sieci neuronowe
    czerniak złośliwy
    diagnostics
    decision support
    image processing
    artificial neural networks
    melanoma malignant
    Opis:
    Nowotwory skóry są najczęściej spotykanymi nowotworami na świecie. Czerniaki złośliwe stanowią od około 5 do 7% wszystkich nowotworów złośliwych skóry u człowieka. Ich wczesne zdiagnozowanie jest kluczowym czynnikiem w późniejszej pomyślnej terapii. Niniejsza praca zawiera propozycję rozwinięcia i zautomatyzowania najważniejszej metody diagnozowania czerniaków, metody ABCD Stoltza. W artykule przedstawiono koncepcję i implementację zautomatyzowanego systemu do diagnostyki znamion skórnych pod kątem wykrycia czerniaka zł ościowego. Zaproponowano nową, rozszerzoną wersję metody dermatoskopowej ABCD i zaimplementowano niezbędne algorytmy w środowisku Matlab. Główne cechy znamion skórnych o charakterze nowotworowym są wyszukiwane automatycznie przy pomocy metod przetwarzania obrazu oraz opracowanych algorytmów. Decyzja na temat rozpoznania lub nie czerniaka złośliwego podejmowana jest przez sztuczną sieć neuronową, wnioskującą na podstawie wskaźników wyznaczonych na etapie przetwarzania obrazów. Omawiany system wspomagania decyzji może służyć jako narzędzie usprawniające pracę lekarzy pierwszego kontaktu lub jako system umożliwiający szybkie samobadanie skóry przez pacjentów. Aplikację przetestowano na 126 znamionach skórnych. Uzyskano czułość równą 98% oraz swoistość równą 73%, co jest bardzo dobrym osiągnięciem.
    Skin cancer is the most common cancer in the world. Malignant melanomas make up about 5-7% of all types of human skin cancer. The work describes the development process of an automated system purposed for the diagnosis of skin lesions in order to detect a malignant melanoma. The application should be used as a decision support system for primary care physicians or as a system capable of self-examination of the skin. When designing an application author developed and proposed a new, enhanced version of the ABCD dermatoscopic method of Stoltz. To describe main features of skin lesions for malignancy, image processing methods were used. In addition, application was trained by artificial neural network, which acts as a specialist doctor, who is responsible of making a diagnosis based on these features. The application has been tested on 126 the skin moles. It gets high final score with a sensitivity of 98% and specificity equal to 73.08%.
    Źródło:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2016, 51; 119-122
    1425-5766
    2353-1290
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Rozpoznawanie obiektów przez głębokie sieci neuronowe
    Object classification with deep neural networks
    Autorzy:
    Kwasigroch, A.
    Grochowski, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/268601.pdf
    Data publikacji:
    2018
    Wydawca:
    Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
    Tematy:
    uczenie głębokie
    sieci neuronowe
    sztuczna inteligencja
    przetwarzanie obrazu
    deep learning
    neural networks
    artificial intelligence
    image processing
    Opis:
    W referacie zaprezentowane zostaną wyniki badań nad rozpoznawaniem obiektów w różnych warunkach za pomocą głębokich sieci neuronowych. Przeanalizowano działanie dwóch struktur – ResNet50 oraz VGG19. Systemy rozpoznawania obrazu wytrenowano oraz przetestowano na reprezentatywnej, bazie zawierającej 25 tys. zdjęć psów oraz kotów, która znacznie upraszcza analizowanie działania systemów ze względu na łatwość interpretacji zdjęć przez człowieka. Zbadano wpływ pojawienia się nietypowych zdjęć na wynik klasyfikacji. Ponadto przeanalizowano zdjęcia niepoprawnie sklasyfikowane i porównano je z interpretacjami człowieka. Uzyskano bardzo wysokie wyniki klasyfikacji. Do oceny systemów użyto miar statystycznych takich jak: dokładność, czułość, swoistość, krzywe ROC.
    Deep neural networks are modern algorithms from the family of artificial intelligence, that are widely used these days for task of an image analysis. In this paper, we present results of research on deep neural network for image recognition. We tested 2 different neural architectures, namely: modified VGG19, ResNet50. In order to improve the classification results we employed two methods called dropout and transfer learning. The systems were trained on the dataset containing 22 000 training images and 3000 test images. The dataset used contains different pictures of animals (cats and dogs). The dataset of animals make analyses of network performance easier, because they are easy to interpret by human. The employed systems were tested qualitatively and quantitatively. The influence of atypical inputs were examined, also. Moreover, the analysis of improperly classified images was performed. We achieved high classification results. In order to evaluate the classification performance we utilized the following set of statistical measures: accuracy, specificity, sensitivity and ROC curves.
    Źródło:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2018, 60; 63-66
    1425-5766
    2353-1290
    Pojawia się w:
    Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
    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