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 "autoencoder" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Browser fingerprint coding methods increasing the effectiveness of user identification in the web traffic
    Autorzy:
    Gabryel, Marcin
    Grzanek, Konrad
    Hayashi, Yoichi
    Powiązania:
    https://bibliotekanauki.pl/articles/1837413.pdf
    Data publikacji:
    2020
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    browser fingerprint
    device fingerprint
    LSH algorithm
    autoencoder
    Opis:
    Web-based browser fingerprint (or device fingerprint) is a tool used to identify and track user activity in web traffic. It is also used to identify computers that are abusing online advertising and also to prevent credit card fraud. A device fingerprint is created by extracting multiple parameter values from a browser API (e.g. operating system type or browser version). The acquired parameter values are then used to create a hash using the hash function. The disadvantage of using this method is too high susceptibility to small, normally occurring changes (e.g. when changing the browser version number or screen resolution). Minor changes in the input values generate a completely different fingerprint hash, making it impossible to find similar ones in the database. On the other hand, omitting these unstable values when creating a hash, significantly limits the ability of the fingerprint to distinguish between devices. This weak point is commonly exploited by fraudsters who knowingly evade this form of protection by deliberately changing the value of device parameters. The paper presents methods that significantly limit this type of activity. New algorithms for coding and comparing fingerprints are presented, in which the values of parameters with low stability and low entropy are especially taken into account. The fingerprint generation methods are based on popular Minhash, the LSH, and autoencoder methods. The effectiveness of coding and comparing each of the presented methods was also examined in comparison with the currently used hash generation method. Authentic data of the devices and browsers of users visiting 186 different websites were collected for the research.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2020, 10, 4; 243-253
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Method of machining centre sliding system fault detection using torque signals and autoencoder
    Autorzy:
    Augustyn, Damian
    Fidali, Marek
    Powiązania:
    https://bibliotekanauki.pl/articles/2233649.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    condition monitoring
    torque signal
    machining centre
    anomaly detection
    autoencoder
    Opis:
    The sliding system of machining centres often causes maintenance and process problems. Improper operation of the sliding system can result from wear of mechanical parts and drives faults. To detect the faulty operation of the sliding system, measurements of the torque of its servomotors can be used. Servomotor controllers can measure motor current, which can be used to calculate motor torque. For research purposes, the authors used a set of torque signals from the machining centre servomotors that were acquired over a long period. The signals were collected during a diagnostic test programmed in the machining centre controller and performed once per day. In this article, a method for detecting anomalies in torque signals was presented for the condition assessment of the machining centre sliding systems. During the research, an autoencoder was used to detect the anomaly, and the condition was assessed based on the value of the reconstruction error. The results indicate that the anomaly detection method using an autoencoder is an effective solution for detecting damage to the sliding system and can be easily used in a condition monitoring system.
    Źródło:
    Acta Mechanica et Automatica; 2023, 17, 3; 445--451
    1898-4088
    2300-5319
    Pojawia się w:
    Acta Mechanica et Automatica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Roller damage detection method based on the measurement of transverse vibrations of the conveyor belt
    Autorzy:
    Bortnowski, Piotr
    Król, Robert
    Ozdoba, Maksymilian
    Powiązania:
    https://bibliotekanauki.pl/articles/2172035.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    belt conveyor
    conveyor belt
    belt vibrations
    diagnostics
    roller
    idler
    LSTM
    autoencoder
    Opis:
    The article presents the detection of damage to rollers based on the transverse vibration signal measured on the conveyor belt. A solution was proposed for a wireless measuring device that moves with the conveyor belt along of the route, which records the signal of transverse vibrations of the belt. In the first place, the research was conducted in laboratory conditions, where a roller with prepared damage was used. Subsequently, the process of validating the adopted test procedure under real conditions was performed. The approach allowed to verify the correctness of the adopted technical assumptions of the measuring device and to assess the reliability of the acquired test results. In addition, an LSTM neural network algorithm was proposed to automate the process of detecting anomalies of the recorded diagnostic signal based on designated time series. The adopted detection algorithm has proven itself in both laboratory and in-situ tests.
    Źródło:
    Eksploatacja i Niezawodność; 2022, 24, 3; 510--521
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A nested autoencoder approach to automated defect inspection on textured surfaces
    Autorzy:
    Oz, Muhammed Ali Nur
    Kaymakci, Ozgur Turay
    Mercimek, Muharrem
    Powiązania:
    https://bibliotekanauki.pl/articles/2055170.pdf
    Data publikacji:
    2021
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    autoencoder
    defect detection
    automatic visual inspection
    deep learning
    autoenkoder
    wykrywanie defektów
    inspekcja wizyjna
    inspekcja automatyczna
    uczenie głębokie
    Opis:
    In recent years, there has been a highly competitive pressure on industrial production. To keep ahead of the competition, emerging technologies must be developed and incorporated. Automated visual inspection systems, which improve the overall mass production quantity and quality in lines, are crucial. The modifications of the inspection system involve excessive time and money costs. Therefore, these systems should be flexible in terms of fulfilling the changing requirements of high capacity production support. A coherent defect detection model as a primary application to be used in a real-time intelligent visual surface inspection system is proposed in this paper. The method utilizes a new approach consisting of nested autoencoders trained with defect-free and defect injected samples to detect defects. Making use of two nested autoencoders, the proposed approach shows great performance in eliminating defects. The first autoencoder is used essentially for feature extraction and reconstructing the image from these features. The second one is employed to identify and fix defects in the feature code. Defects are detected by thresholding the difference between decoded feature code outputs of the first and the second autoencoder. The proposed model has a 96% detection rate and a relatively good segmentation performance while being able to inspect fabrics driven at high speeds.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2021, 31, 3; 515--523
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning
    Diagnostyka pittingu kół zębatych na podstawie surowego sygnału emisji akustycznej w oparciu o głębokie uczenie maszynowe
    Autorzy:
    Li, Xueyi
    Li, Jialin
    He, David
    Qu, Yongzhi
    Powiązania:
    https://bibliotekanauki.pl/articles/301093.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    gear pitting fault diagnosis
    autoencoder
    one-dimensional convolutional neural network
    acoustic emission signal
    diagnostyka pittingu kół zębatych
    autoenkoder
    jednowymiarowa splotowa sieć neuronowa
    sygnał emisji akustycznej
    Opis:
    Gear pitting fault is one of the most common faults in mechanical transmission. Acoustic emission (AE) signals have been effective for gear fault detection because they are less affected by ambient noise than traditional vibration signals. To overcome the problem of low gear pitting fault recognition rate using AE signals and convolutional neural networks, this paper proposes a new method named augmented convolution sparse autoencoder (ACSAE) for gear pitting fault diagnosis using raw AE signals. First, the proposed method combines sparse autoencoder and one-dimensional convolutional neural networks for unsupervised learning and then uses the reinforcement theory to enhance the adaptability and robustness of the network. The ACSAE method can automatically extract fault features directly from the original AE signals without time and frequency domain conversion of the AE signals. AE signals collected from gear test experiments are used to validate the ACSAE method. The analysis result of the gear pitting fault test shows that the proposed method can effectively performing recognition of the gear pitting faults, and the recognition rate reaches above 98%. The comparative analysis shows that in comparison with fully-connected neural networks, convolutional neural networks, and recurrent neural networks, the ACSAE method has achieved a better diagnostic accuracy for gear fitting faults.
    Pitting kół zębatych stanowi jedno z najczęstszych uszkodzeń przekładni mechanicznych. Do wykrywania takich uszkodzeń stosuje się sygnały emisji akustycznej (AE), które, ze względu na niższą wrażliwość na hałas otoczenia, stanowią skuteczniejsze narzędzie diagnostyczne niż tradycyjne sygnały wibracyjne. Wykrywalność zużycia guzełkowatego (pittingu) kół zębatych przy użyciu sygnałów AE i splotowych sieci neuronowych jest jednak niska. Aby rozwiązać ten problem, w niniejszym artykule zaproponowano nową metodę diagnozowania uszkodzeń kół zębatych za pomocą surowych sygnałów AE, którą nazwano augmented convolution sparse autoencoder (konwolucją rozszerzoną z wykorzystaniem autoenkodera rzadkiego, ACSAE). Jest to metoda samouczenia jednowymiarowych splotowych sieci neuronowych realizowanego za pomocą autoenkodera rzadkiego. Metoda ta wykorzystuje teorię wzmocnienia do zwiększania adaptacyjności i odporności sieci. Metoda ACSAE pozwala na automatyczne wyodrębnianie cech degradacji bezpośrednio z oryginalnych sygnałów AE bez konieczności ich konwersji do domeny czasu i częstotliwości. Walidację metody przeprowadzono na podstawie sygnałów AE otrzymanych w badaniach kół zębatych. Analiza wyników badań pittingu kół zębatych wskazuje, że proponowana metoda pozwala na skuteczną detekcję tego typu uszkodzeń, przy wskaźniku wykrywalności powyżej 98%. Analiza porównawcza pokazuje, że metoda ACSAE cechuje się większą trafnością diagnostyczną w wykrywaniu błędów montażowych kół zębatych w porównaniu z sieciami neuronowymi w pełni połączonymi, splotowymi i rekurencyjnymi.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 3; 403-410
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    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