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 "Metoda najbliższych sąsiadów" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-5 z 5
    Tytuł:
    Problem zmiennych zakłócających w agregowanych klasyfikatorach kNN
    Autorzy:
    Kubus, Mariusz
    Powiązania:
    https://bibliotekanauki.pl/articles/581356.pdf
    Data publikacji:
    2017
    Wydawca:
    Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
    Tematy:
    podejście wielomodelowe
    metoda k najbliższych sąsiadów
    selekcja zmiennych
    Opis:
    Podejście wielomodelowe w dyskryminacji i regresji zyskało duże uznanie ze względu na poprawę stabilności modeli oraz ich dokładności przewidywań. Agregowanie klasyfikatorów k najbliższych sąsiadów (kNN) napotyka jednak poważne problemy. Metoda kNN, wykorzystująca w klasyfikacji wyłącznie odległości między obiektami, jest względnie stabilna, przez co zróżnicowanie klasyfikatorów bazowych można osiągnąć, jedynie wybierając różne podprzestrzenie. Tu z kolei napotykamy problem zmiennych zakłócających (noisy variables), to jest takich, które nie mają wpływu na zmienną objaśnianą, a które w metodzie kNN znacznie obniżają dokładność klasyfikacji. W artykule dokonano przeglądu zaproponowanych w literaturze metod agregowania klasyfikatorów kNN oraz zweryfikowano je z własną propozycją algorytmu. W badaniach wykorzystano zbiory danych rzeczywistych z dołączonymi zmiennymi zakłócającymi.
    Źródło:
    Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu; 2017, 468; 116-126
    1899-3192
    Pojawia się w:
    Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predykcja poziomu tlenu w piecu EAF z wykorzystaniem metod sztucznej inteligencji : regresji liniowej i metody najblizszych sąsiadów (k-NN)
    Autorzy:
    Drzewiecki, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/109148.pdf
    Data publikacji:
    2013
    Wydawca:
    AXIS MEDIA
    Tematy:
    predykcja poziomu tlenu
    piec EAF
    sztuczna inteligencja
    regresja liniowa
    metoda k najbliższych sąsiadów
    Opis:
    W obecnych czasach ludzki intelekt zaczyna zastępować sztuczna inteligencja i związane z nią metody predykcji, czyli przewidywania, na podstawie zgromadzonych wcześniej danych. Nie ma firmy, która by nie starała się przewidzieć swoich potencjalnych zysków np na podstawie różnych danych statystycznych ustalając jednocześnie, który czynnik ma największy wpływ na rozwój firmy. Z tych przyczyn również sztuczna inteligencja znalazła zastosowanie w różnych dziedzinach przemysłu ,gdzie nawet najdrobniejsza poprawa parametrów procesu może powodować znaczne obniżenie kosztów produkcji i wpłynąć bezpośrednio na wzrost konkurencyjności firmy na rynku. Niniejsze opracowanie ma na celu przedstawienie metod sztucznej inteligencje pozwalające na analizę wpływu parametrów procesu stalowniczego na stopień aktywności tlenu, przy użyciu regresji linowej, nieliniowej i nieparametrycznej a następnie na wyborze najlepszego modelu a następnie porównanie ich.
    Źródło:
    Piece Przemysłowe & Kotły; 2013, 1-2; 30-37
    2082-9833
    Pojawia się w:
    Piece Przemysłowe & Kotły
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Curve skeleton extraction via k-nearest-neighbors based contraction
    Autorzy:
    Zhou, Jianling
    Liu, Ji
    Zhang, Min
    Powiązania:
    https://bibliotekanauki.pl/articles/331332.pdf
    Data publikacji:
    2020
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    curve skeleton
    points contraction
    point cloud
    k nearest neighbors
    szkieletyzacja
    chmura punktów
    metoda k najbliższych sąsiadów
    Opis:
    We propose a skeletonization algorithm that is based on an iterative points contraction. We make an observation that the local center that is obtained via optimizing the sum of the distance to k nearest neighbors possesses good properties of robustness to noise and incomplete data. Based on such an observation, we devise a skeletonization algorithm that mainly consists of two stages: points contraction and skeleton nodes connection. Extensive experiments show that our method can work on raw scans of real-world objects and exhibits better robustness than the previous results in terms of extracting topology-preserving curve skeletons.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2020, 30, 1; 123-132
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Categorization of Similar Objects Using Bag of Visual Words and k - Nearest Neighbour Classifier
    Autorzy:
    Artiemjew, P.
    Górecki, P.
    Sopyła, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/298103.pdf
    Data publikacji:
    2012
    Wydawca:
    Uniwersytet Warmińsko-Mazurski w Olsztynie
    Tematy:
    kategoryzacja obrazu
    metoda k najbliższych sąsiadów
    zbiór słów wizualnych
    Image categorization
    k-Nearest Neighbor Classifier
    Bag of Visual Words
    Opis:
    Image categorization is one of the fundamental tasks in computer vision, it has wide application in methods of artificial intelligence, robotic vision and many others. There are a lot of difficulties in computer vision to overcome, one of them appears during image recognition and classification. The difficulty arises from an image variance, which may be caused by scaling, rotation, changes in a perspective, illumination levels, or partial occlusions. Due to these reasons, the main task is to represent represent images in such way that would allow recognizing them even if they have been modified. Bag of Visual Words (BoVW) approach, which allows for describing local characteristic features of images, has recently gained much attention in the computer vision community. In this article we have presented the results of image classification with the use of BoVW and k - Nearest Neighbor classifier with different kinds of metrics and similarity measures. Additionally, the results of k - NN classification are compared with the ones obtained from a Support Vector Machine classifier.
    Źródło:
    Technical Sciences / University of Warmia and Mazury in Olsztyn; 2012, 15(2); 293-305
    1505-4675
    2083-4527
    Pojawia się w:
    Technical Sciences / University of Warmia and Mazury in Olsztyn
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of prototype selection algorithms used in construction of neural networks learned by SVD
    Autorzy:
    Jankowski, N.
    Powiązania:
    https://bibliotekanauki.pl/articles/330020.pdf
    Data publikacji:
    2018
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    radial basis function network
    extreme learning machine
    kernel method
    prototype selection
    machine learning
    k nearest neighbours
    radialna funkcja bazowa
    metoda jądrowa
    uczenie maszynowe
    metoda k najbliższych sąsiadów
    Opis:
    Radial basis function networks (RBFNs) or extreme learning machines (ELMs) can be seen as linear combinations of kernel functions (hidden neurons). Kernels can be constructed in random processes like in ELMs, or the positions of kernels can be initialized by a random subset of training vectors, or kernels can be constructed in a (sub-)learning process (sometimes by k-means, for example). We found that kernels constructed using prototype selection algorithms provide very accurate and stable solutions. What is more, prototype selection algorithms automatically choose not only the placement of prototypes, but also their number. Thanks to this advantage, it is no longer necessary to estimate the number of kernels with time-consuming multiple train-test procedures. The best results of learning can be obtained by pseudo-inverse learning with a singular value decomposition (SVD) algorithm. The article presents a comparison of several prototype selection algorithms co-working with singular value decomposition-based learning. The presented comparison clearly shows that the combination of prototype selection and SVD learning of a neural network is significantly better than a random selection of kernels for the RBFN or the ELM, the support vector machine or the kNN. Moreover, the presented learning scheme requires no parameters except for the width of the Gaussian kernel.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2018, 28, 4; 719-733
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    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