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 "Kohonen networks" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Kohonen networks as ships classifier
    Autorzy:
    Żak, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/331686.pdf
    Data publikacji:
    2008
    Wydawca:
    Polskie Towarzystwo Akustyczne
    Tematy:
    Kohonen networks
    hydroacoustics
    ships classifier
    Opis:
    The paper presents the technique of artifficial neural networks used as classifier of hydroacoustic signatures generated by moving ship. In the paper firstly the method of feature extraction from hydracoustic signatures using calculation of Mel-Frequency Cepstral Coefficients was discussed. Next the mathod of feature matching using for purpose of object classification basing on hydroacoustic signatures was described. The technique of artificial neural networks especially Kohonen networks which belongs to group of self organizing networks where chosen to solve the research problem of classification. the choice was caused by some advantages of mentioned kind of neural networks for example they are ideal for finding relationships amongst complex sets of data, they have possibility to self expand the set answers for new input vectors. To check the correctness of classifier work the research in which the number of right classification for presented and not presented before hydroacoustic signatures were made. some results of research were presented on this paper.
    Źródło:
    Hydroacoustics; 2008, 11; 467-476
    1642-1817
    Pojawia się w:
    Hydroacoustics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    • odwiedzone
    Tytuł:
    The application of Kohonen networks for identification of leaders in the trade sector in Czechia
    Autorzy:
    Vrbka, Jaromír
    Nica, Elvira
    Podhorská, Ivana
    Powiązania:
    https://bibliotekanauki.pl/articles/22446390.pdf
    Data publikacji:
    2019
    Wydawca:
    Instytut Badań Gospodarczych
    Tematy:
    trade sector
    Kohonen networks
    leaders in the field
    cluster analysis
    return on equity
    Opis:
    Research background: The trade sector is considered to be the power of economy, in developing countries in particular. With regard to the Czech Republic, this field of the national economy constitutes the second most significant employer and, at the same time, the second most significant contributor to GNP. Apart from traditional methods of business analyzing and identifying leaders, artificial neural networks are widely used. These networks have become more popular in the field of economy, although their potential has yet to be fully exploited. Purpose of the article: The aim of this article is to analyze the trade sector in the Czech Republic using Kohonen networks and to identify the leaders in this field. Methods: The data set consists of complete financial statements of 11,604 enterprises that engaged in trade activities in the Czech Republic in 2016. The data set is subjected to cluster analysis using Kohonen networks. Individual clusters are subjected to the analysis of absolute indicators and return on equity which, apart from other, shows a special attraction of individual clusters to potential investors. Average and absolute quantities of individual clusters are also analyzed, which means that the most successful clusters of enterprises in the trade sector are indicated. Findings & Value added: The results show that a relatively small group of enter-prises enormously influences the development of the trade sector, including the whole economy. The results of analyzing 319 enterprises showed that it is possible to predict the future development of the trade sector. Nevertheless, it is also evident that the trade sector did not go well in 2016, which means that investments of owners are minimal.
    Źródło:
    Equilibrium. Quarterly Journal of Economics and Economic Policy; 2019, 14, 4; 739-761
    1689-765X
    2353-3293
    Pojawia się w:
    Equilibrium. Quarterly Journal of Economics and Economic Policy
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Sztuczne sieci neuronowe ANN : sieci Kohonena
    Artificial neural networks (ANN) : Kohonen networks
    Autorzy:
    Iljaszewicz, Paweł
    Powiązania:
    https://bibliotekanauki.pl/articles/131981.pdf
    Data publikacji:
    2018
    Wydawca:
    Wrocławska Wyższa Szkoła Informatyki Stosowanej Horyzont
    Tematy:
    Sieci Kohonena
    sieci neuronowe
    mapa samoorganizująca
    SOM
    WEBSOM
    Kohonen networks
    artificial neural networks
    ANN
    Self Organizing Map
    Opis:
    Artykuł omawia sztuczne sieci neuronowe (ang. ANN- Artificial neural networks). Jedną z odmian są sieci Kohonena zwane Mapą Samoorganizującą (ang. SOM – Self Organizing Map) realizują one proces uczenia się sieci neuronowych samodzielnie tzn. rozpoznają relacje występujące w skupieniach poprzez wykrycie wewnętrznej struktury i kategoryzują je w procesie samouczenia. SOM służy do uformowania odwzorowania z przestrzeni wielowymiarowej do przestrzeni jednowymiarowej lub dwuwymiarowej. Główną cechą SOM jest to, że tworzy on nieliniową projekcję wielowymiarową kolektora danych na regularnej, niskowymiarowej (zwykle 2D) sieci. Na wyświetlaczu klastrowanie przestrzeni danych, jak również relacje metryczno-topologiczne elementów danych, są wyraźnie widoczne. Jeśli elementy danych są wektorami, składniki, których są zmiennymi z określone znaczenie, takie jak deskryptory danych statystycznych lub pomiary, które opisują proces, siatka SOM może być wykorzystana, jako podstawa, na której może znajdować się każda zmienna wyświetlane osobno przy użyciu kodowania na poziomie szarości lub pseudo koloru. Ten rodzaj projekcji został uznany za bardzo przydatny do zrozumienia wzajemnych zależności między zmiennymi, a także strukturami zbioru danych.
    The article discusses artificial neural networks (ANN). One of the varieties is the Kohonen network, called the Self Organizing Map (SOM), that perform the learning process of neural networks independently, i.e. they recognize relationships occurring in clusters by detecting an internal structure and categorizing them in the process of self-learning. SOM is used to form mapping from a multidimensional space to a one-dimensional or two-dimensional space. The main feature of SOM is that it creates a non-linear multi-dimensional projection of a data collector on a regular, low-dimensional (usually 2D) network. On the display, data space clustering as well as metric-topological relations of data elements are clearly visible. If the data elements are vectors, the components of which are variables with defined meanings, such as statistical data descriptors or measurements that describe the process, the SOM grid can be used as a basis on which each variable can be displayed separately using gray or pseudo-color coding. This type of projection has been found to be very useful for understanding the interrelationships between variables as well as data set structures.
    Źródło:
    Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej. Informatyka; 2018, 8, 1; 34-39
    2082-9892
    Pojawia się w:
    Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej. Informatyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Use of neural networks in risk assessment and optimization of insurance cover in innovative enterprises
    Autorzy:
    Pukała, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/398804.pdf
    Data publikacji:
    2016
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    innovative enterprise
    risk
    neural networks
    Kohonen networks
    business insurance
    przedsiębiorstwo innowacyjne
    ryzyko
    sieci neuronowe
    sieci Kohonena
    ubezpieczenia gospodarcze
    Opis:
    The scientific objective of the paper is to present the findings of a study into the use of artificial neural networks in quantifying activity related risks of an innovative enterprise and to optimize its insurance cover in order to minimize the probable financial losses whenever they materialize. The Kohonen network involving the activation of 51 input variables was applied in the study. The outcomes of the stimulation for the given set of variables made it possible to determine the probability of a threat occurring in the classes. The results of the analysis were used to prepare an optimal insurance cover for the activities of the innovative company. The research findings are suitable for use in risk theory as well as in issues relating to entrepreneurship and insurance. The analytical device employed can also be put to practical use as a support tool in corporate risk management.
    Źródło:
    Ekonomia i Zarządzanie; 2016, 8, 3; 43-56
    2080-9646
    Pojawia się w:
    Ekonomia i Zarządzanie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Selekcja podobrazów dla potrzeb dopasowywania zdjęć lotniczych oparta na histogramach gradientu i sieci neuronowej
    Selection of sub-images for aerial photographs matching purposes based on gradient distribution and neural networks
    Autorzy:
    Czechowicz, A.
    Mikrut, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/131000.pdf
    Data publikacji:
    2007
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    fotogrametria
    wzajemne dopasowanie
    algorytm Canny'ego
    histogram gradientów
    SOM
    sieci Kohonena
    sieci backpropagation
    photogrammetry
    mutual matching
    Canny edge detector
    gradient histogram
    Kohonen networks
    backpropagation networks
    Opis:
    Artykuł przedstawia wyniki wykorzystania sieci neuronowych do selekcji podobrazów oraz wyniki wyszukiwania wybranych obszarów na pozostałych zdjęciach z wykorzystaniem rozkładu odpowiedzi dla sieci SOM Kohonena. Zaproponowano reprezentacje fragmentu obrazu oparta na rozkładzie wartości modułu gradientu i jego kierunku. Badania przeprowadzono na dziewięciuset podobrazach zdjęć lotniczych okolic Krakowa o różnym pokryciu terenu podzielonych na trzy kategorie: obszarów korzystnych, pośrednich i niekorzystnych pod względem wyszukiwania cech do orientacji wzajemnej. Dla każdego z obrazów, w oparciu o algorytm Canny’ego, wyznaczono krawędzie. Na podstawie wartości gradientu i kierunków wykrytych krawędzi sporządzono histogram, który następnie posłużył wyznaczeniu reprezentacji podobrazu w postaci profilu kierunku. Tak przygotowana reprezentacje wykorzystano do uczenia sieci neuronowych metoda nadzorowana (backpropagation) oraz nienadzorowana (Kohonena), a następnie do klasyfikacji obszarów nauczonymi sieciami. W przypadku sieci backpropagation miara efektywności klasyfikacji był globalny współczynnik rozpoznania oraz macierz pomyłek. Dla sieci Kohonena wyznaczano współczynnik kompletności i poprawności. Wyniki zestawiono z rezultatami otrzymanymi na drodze uczenia metoda wstecznej propagacji błędów, gdzie generowane na mapie Kohonena odpowiedzi stanowiły sygnał wejściowy dla warstwy backpropagation. W dalszym etapie wytypowane obszary korzystne poszukiwano na sąsiednich obrazach. Wzmocniony funkcja preferująca wysokie wartości rozkład odpowiedzi na mapie cech siec Kohonena, uzyskany dla podobrazów korzystnych, porównywano z rozkładem dla podobrazów o tych samych wymiarach na sąsiednich zdjęciach. Za miarę podobieństwa obszarów przyjęto współczynnik korelacji dla porównywanych odpowiedzi sieci.
    This paper describes the application of neural networks for selection of sub-images and the result of the search for the selected areas on the remaining photographs with the utilisation of Kohonen’s SOM network responses distribution. Image fragment representation based on the gradient magnitude values distribution and its direction was proposed. The research was conducted on nine hundred sub-images, taken from aerial photographs of the Cracow’s environs with different terrain cover, divided into three categories: advantageous, intermediate and disadvantageous areas in respect of searching for the features for mutual matching. The edges were detected with Canny algorithm. Based on the gradient values and the directions of the edges, the histogram was created and used to determine the representation of the sub-image in the direction’s profile form. The prepared representation served for teaching the neural network using supervised (backpropagation) and unsupervised (Kohonen) method and later for the classification. For the backpropagation network, the classification effectiveness was measured using the global recognition coefficient and the cooccurrence matrix. For the Kohonen network, the completeness and correctness coefficients were determined. Afterwards, the two networks were put together: the responses generated on the Kohonen map constituted the input signal for the backpropagation layer. In the next step, the adjacent images were sought for the chosen areas. Response distribution on the Kohonen network feature map, amplified with the function preferring the high values, was compared with the distribution for the same size sub-images of the adjacent photographs. To measure the similarity of the subimages, the correlation coefficient to compare network’s responses was used.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2007, 17a; 149-158
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-5 z 5

      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