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 "network methods" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Comparative study of learning methods for artificial neural network
    Badania porównawcze metod uczenia sieci neuronowej
    Autorzy:
    Tiliouine, H.
    Powiązania:
    https://bibliotekanauki.pl/articles/153863.pdf
    Data publikacji:
    2007
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    metody uczenia
    sieć neuronowa
    neuronowy regulator napięcia
    learning methods
    artificial neural network (ANN)
    neural voltage controller
    Opis:
    The paper presents a comparative study of various learning methods for artificial neural network. The methods are: the backpropagation BP, the recursive least squares RLS, the Zangwill's method ZGW and the method based on evolutionary algorithm EA. The study consists of evaluating the learning effectiveness of these methods and selecting the most efficient one to be used in the designing of an adaptive neural voltage controller for a synchronous generator.
    W artykule przedstawiono wyniki badań porównawczych metod uczenia sieci neuronowych takich jak: metoda propagacji wstecznej błędów, rekurencyjna metoda najmniejszych kwadratów, metoda Zangwill'a, metoda algorytmów ewolucyjnych. Celem tych badań jest dobieranie najefektywniejszej metody uczenia do projektowania adaptacyjnego neuronowego regulatora napięcia generatora synchronicznego.
    Źródło:
    Pomiary Automatyka Kontrola; 2007, R. 53, nr 4, 4; 117-121
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A Study of Correlation between Fishing Activity and AIS Data by Deep Learning
    Autorzy:
    Shen, K. Y.
    Chu, Y. J.
    Chang, S. J.
    Chang, S. M.
    Powiązania:
    https://bibliotekanauki.pl/articles/1841621.pdf
    Data publikacji:
    2020
    Wydawca:
    Uniwersytet Morski w Gdyni. Wydział Nawigacyjny
    Tematy:
    AIS Data
    deep learning framework
    learning methods
    Recurrent Neural Network
    (RNN)
    Automatic Identification System
    (AIS)
    fishing operation
    Opis:
    Previous researches on the prediction of fishing activities mainly rely on the speed over ground (SOG) as the referential attribute to determine whether the vessel is navigating or in fishing operation. Since more and more fishing vessels install Automatic Identification System (AIS) either voluntarily or under regulatory requirement, data collected from AIS in real time provide more attributes than SOG which may be utilized to improve the prediction. To be specific, the ships' trajectory patterns and the changes in course become available and should be considered. This paper aims to improve the accuracy in the identification of fishing activities. First, we do feature extraction from the AIS data of coastal waters around Taiwan and build a Recurrent Neural Network (RNN) model. Then, the activity data of fishing vessels are divided into fishing and non-fishing. Finally, based on the testing by feeding various fishing activity data, we can identify the fishing status automatically.
    Źródło:
    TransNav : International Journal on Marine Navigation and Safety of Sea Transportation; 2020, 14, 3; 527-531
    2083-6473
    2083-6481
    Pojawia się w:
    TransNav : International Journal on Marine Navigation and Safety of Sea Transportation
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Developing generative adversarial nets to extend training sets and optimize diiscrete actions
    Autorzy:
    Zhang, R. L.
    Furusho, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/116509.pdf
    Data publikacji:
    2019
    Wydawca:
    Uniwersytet Morski w Gdyni. Wydział Nawigacyjny
    Tematy:
    Maritime Education and Training (MET)
    Generative Adversarial Network (GAN)
    discrete actions
    MET System in Japan
    Lifeboat
    Monte Carlo Tree Search (MCTS)
    learning methods
    unmanned ship navigation
    Opis:
    This study proposes the use of generative adversarial networks (GANs) to solve two crucial problems in the unmanned ship navigation: insufficient training data for neural networks and convergence of optimal actions under discrete conditions. To achieve smart collision avoidance of unmanned ships in various sea environments, first, this study proposes a collision avoidance decision model based on a deep reinforcement learning method. Then, it utilizes GANs to generate enough realistic image training sets to train the decision model. According to generative network learning, the conditional probability distribution of ship maneuvers is learnt (action units). Subsequently, the decision system can select a reasonable action to avoid the obstacles due to the discrete responses of the generated model to different actions and achieve the effect of intelligent collision avoidance. The experimental results showed that the generated target ship image set can be used as the training set of decision neural networks. Further, a theoretical reference to optimize the optimal convergence of discrete actions is provided.
    Źródło:
    TransNav : International Journal on Marine Navigation and Safety of Sea Transportation; 2019, 13, 4; 875-880
    2083-6473
    2083-6481
    Pojawia się w:
    TransNav : International Journal on Marine Navigation and Safety of Sea Transportation
    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