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 "data networks" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Single-ended quality measurement of a music content via convolutional recurrent neural networks
    Autorzy:
    Organiściak, Kamila
    Borkowski, Józef
    Powiązania:
    https://bibliotekanauki.pl/articles/1849158.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    audio data analysis
    artefacts detection
    convolutional neural networks
    recurrent neural networks
    classification model
    Opis:
    The paper examines the usage of Convolutional Bidirectional Recurrent Neural Network (CBRNN) for a problem of quality measurement in a music content. The key contribution in this approach, compared to the existing research, is that the examined model is evaluated in terms of detecting acoustic anomalies without the requirement to provide a reference (clean) signal. Since real music content may include some modes of instrumental sounds, speech and singing voice or different audio effects, it is more complex to analyze than clean speech or artificial signals, especially without a comparison to the known reference content. The presented results might be treated as a proof of concept, since some specific types of artefacts are covered in this paper (examples of quantization defect, missing sound, distortion of gain characteristics, extra noise sound). However, the described model can be easily expanded to detect other impairments or used as a pre-trained model for other transfer learning processes. To examine the model efficiency several experiments have been performed and reported in the paper. The raw audio samples were transformed into Mel-scaled spectrograms and transferred as input to the model, first independently, then along with additional features (Zero Crossing Rate, Spectral Contrast). According to the obtained results, there is a significant increase in overall accuracy (by 10.1%), if Spectral Contrast information is provided together with Mel-scaled spectrograms. The paper examines also the influence of recursive layers on effectiveness of the artefact classification task.
    Źródło:
    Metrology and Measurement Systems; 2020, 27, 4; 721-733
    0860-8229
    Pojawia się w:
    Metrology and Measurement Systems
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Ann modelling for the analysis of the green moulding sands properties
    Analiza właściwości syntetycznych mas formierskich z zastosowaniem sztucznych sieci neuronowych
    Autorzy:
    Jakubski, J.
    Malinowski, P.
    Dobosz, S. M.
    Major-Gabryś, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/356980.pdf
    Data publikacji:
    2013
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    data mining
    artificial neural networks
    green moulding sands
    sztuczne sieci neuronowe
    syntetyczne masy formierskie
    Opis:
    Application of modern technological solutions, as well as the economic and ecological solutions, is for foundries one of the main aspects of the competitiveness on the market for castings. IT solutions can significantly support technological processes. This article presents neural networks with different structures that have been used to determine the moisture content of the moulding sand based on the moulding sand selected properties research results. Neural networks were built using Matlab software. Moulding sand properties chosen for quality control processes were selected based on wide previous results. For the proposed moulding sand properties, neural networks can be a useful tool for predicting moisture content. The structure of artificial neural network do not have a significant influence on the obtained results. In subsequent studies on the use of neural networks as an application to support the green moulding sand rebonding process, it must be determined how factors such as environmental humidity and moulding sand temperature will affect the accuracy of data obtained with the use of artificial neural networks.
    Zastosowanie nowoczesnych rozwiązań technologicznych, a także ekonomicznych i ekologicznych stanowi dla odlewni jeden z głównych aspektów konkurencyjności na rynku produktów odlewów. Doskonałym wsparciem dla procesów technologicznych są rozwiązania informatyczne. W artykule zaprezentowano sieci neuronowych o różnej strukturze, które zostały użyte do określania wilgotności masy formierskiej na podstawie wyników badania wybranych właściwości masy. Sieci neuronowe zbudowano z wykorzystaniem oprogramowania Matlab. Właściwości mas wybrane do procesów sterowania jakością zostały dobrane w oparciu o wcześniejsze wyniki badań. Dla zaproponowanych właściwości syntetycznych mas formierskich sztuczne sieci neuronowe mogą być użytecznym narzędziem do przewidywania wilgotności masy. Ilość warstw ukrytych w strukturze sieci nie ma wpływu na otrzymywane rezultaty. W kolejnych badaniach nad wykorzystaniem sieci neuronowych jako aplikacji wspierającej procesy odświeżania syntetycznych mas formierskich, należy okreslić, w jaki sposób czynniki takie jak wilgotność otoczenia, czy temperatura masy wpłyną na dokładność danych uzyskanych z wykorzystaniem sztucznych sieci neuronowych.
    Źródło:
    Archives of Metallurgy and Materials; 2013, 58, 3; 961-963
    1733-3490
    Pojawia się w:
    Archives of Metallurgy and Materials
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    TRIDAQ Systems in HEP Experiments at LHC Accelerator
    Autorzy:
    Zagoździńska, A.
    Romaniuk, R. S
    Poźniak, K. T.
    Zalewski, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/963907.pdf
    Data publikacji:
    2013
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    TRIDAQ
    trigger
    RPC
    CMS
    HEP
    electronic systems
    detectors
    front-end electronics
    CERN
    data acquisition systems
    distributed measuring and control networks
    photonic networks
    Opis:
    The paper describes Trigger and Data Acquisition (TRIDAQ) systems of accelerator experiments for High Energy Physics. The background for physics research comprises assumptions of the Standard Model theory with basic extensions. On this basis, a structure of particle detector system is described, with emphasis on the following functional blocks: Front-End Electronics, Trigger and DAQ systems. The described solutions are used in the LHC experiments: ATLAS, ALICE, CMS and LHCb. They are also used in other accelerator experiments. Data storage and processing functionality is divided into two hardware systems: Trigger and Data Acquisition, that are dependent on each other. High input data rate impose relevant choices for the architecture and parameters of both systems. The key parameters include detailed system structure and its overall latency. Trigger structure is defined by the physics requirements and the storage capability of DAQ system. Both systems are designed to achieve the highest possible space and time resolution for particle detection. Trigger references are reviewed [1]–[39] as well as chosen accelerator research efforts originating in this country [40]–[83].
    Źródło:
    International Journal of Electronics and Telecommunications; 2013, 59, 4; 415-421
    2300-1933
    Pojawia się w:
    International Journal of Electronics and Telecommunications
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predictive regression models of monthly seismic energy emissions induced by longwall mining
    Regresyjne modele predykcyjne miesięcznej emisji energii sejsmicznej indukowanej eksploatacją w ścianie
    Autorzy:
    Jakubowski, J.
    Tajduś, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/219968.pdf
    Data publikacji:
    2014
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    sejsmiczność indukowana
    wstrząsy górnicze
    zagrożenie tąpaniami
    eksploatacja ścianowa
    drzewa wzmacniane
    sieci neuronowe
    data mining
    modele regresyjne
    modele predykcyjne
    induced seismicity
    mining tremors
    rockburst hazard
    longwall mining
    boosted trees
    neural networks
    regression models
    predictive models
    Opis:
    This article presents the development and validation of predictive regression models of longwall mining-induced seismicity, based on observations in 63 longwalls, in 12 seams, in the Bielszowice colliery in the Upper Silesian Coal Basin, which took place between 1992 and 2012. A predicted variable is the logarithm of the monthly sum of seismic energy induced in a longwall area. The set of predictors include seven quantitative and qualitative variables describing some mining and geological conditions and earlier seismicity in longwalls. Two machine learning methods have been used to develop the models: boosted regression trees and neural networks. Two types of model validation have been applied: on a random validation sample and on a time-based validation sample. The set of a few selected variables enabled nonlinear regression models to be built which gave relatively small prediction errors, taking the complex and strongly stochastic nature of the phenomenon into account. The article presents both the models of periodic forecasting for the following month as well as long-term forecasting.
    W artykule przedstawiono budowę i walidację predykcyjnych modeli regresyjnych sejsmiczności indukowanej eksploatacją w ścianie, opartych na obserwacjach w 63 ścianach kopalni Bielszowice prowadzonych w 12 pokładach w latach 1992-2012. Zmienna prognozowaną jest logarytm miesięcznej sumy energii sejsmicznej wstrząsów w ścianie. Zestaw predyktorów składa się z siedmiu zmiennych ilościowych i jakościowych opisujących wybrane czynniki górnicze i geologiczne w ścianach. Do budowy modeli zastosowano dwie metody uczenia się maszyn: drzewa wzmacniane oraz sieci neuronowe. Zastosowano dwa rodzaje walidacji modeli: na losowej próbie walidacyjnej oraz na czasowej próbie walidacyjnej. Zestaw kilku wybranych zmiennych pozwolił na zbudowanie nieliniowych modeli regresyjnych, które, biorąc pod uwagę złożoną i silnie stochastyczną naturę zjawiska, dają względnie małe błędy pro gnozy. W artykule przedstawiono zarówno modele do prognozy okresowej na kolejny miesiąc jak i do prognozy długoterminowej.
    Źródło:
    Archives of Mining Sciences; 2014, 59, 3; 705-720
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      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