Wszystkie pola: network model - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Sieci neuronowe typu MLP oraz RBF jako narzędzia klasyfikacyjne w analizie obrazu
The neural network type the MLP and RBF as classifying tools in picture analysis
Autorzy:: Boniecki, P.
Powiązania:: https://bibliotekanauki.pl/articles/337163.pdf
Data publikacji:: 2006
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: sieć neuronowa
sieć neuronowa MLP
sieć neuronowa RBF
analiza obrazu
identyfikacja neuronowa
model neuronowy
neural network
MLP neural network
RBF neural network
picture analysis
neuronal identification
neuronal model
Opis:: Neuronowa identyfikacja danych obrazowych, ze szczególnym naciskiem na analizę ilościową oraz jakościową, coraz częściej wykorzystywana jest do pozyskiwania oraz zgłębiania wiedzy zawartej w danych empirycznych. Ekstrakcja, a następnie klasyfikacja wybranych cech obrazu, pozawala na wytworzenie informatycznych narzędzi do identyfikacji wybranych obiektów, prezentowanych np. w postaci obrazu cyfrowego. W związku z tym, celowym wydaje się być poszukiwanie nowoczesnych metod wspomagających proces edukacyjny w zakresie konstrukcji oraz eksploatacji modeli neuronowych w kontekście ich wykorzystania w procesie analizy obrazu. Dodatkowym celem pracy było porównanie jakości sieci MLP oraz RBF mające na względzie wskazanie optymalnego instrumentu klasyfikacyjnego.
The neuronal identification of pictorial data, with special emphasis on both quantitative & qualitative analysis, is more frequently utilized to gain & deepen the empirical data knowledge. Extraction & then classification of selected picture features, enables one to create computer tools in order to identify these objects presented as, for example, digital pictures. In relationship from this, it seems to be purposeful the search of the modern methods helping educational process in the range of construction as well as exploitation of neuronal models in context of their utilization in picture analysis process. The additional aim of the work was the comparison of neural network of the type MLP and RBF for indication of the optimum classification tool.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2006, 51, 4; 34-39
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Prognozowanie plonów wybranych płodów rolnych z wykorzystaniem modeli neuronowych w postaci szeregów czasowych
Expectation crops of chosen agricultural fetuses with the help of neural model by time series
Autorzy:: Boniecki, P.
Mueller, W.
Powiązania:: https://bibliotekanauki.pl/articles/337153.pdf
Data publikacji:: 2006
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: sieć neuronowa
prognozowanie
płody rolne
plon
model neuronowy
szereg czasowy
neural network
prognose
neural model
time series
agricultural fetuses
yield
Opis:: Jednym z ważnych etapów badania oraz analizy systemów empirycznych jest proces prognozowania, mający praktyczne zastosowanie w szerokim zakresie działalności ludzkiej. W przypadku przewidywania wielkości płodów rolnych mamy do czynienia z szeregiem złożonych bodźców, które w efekcie przekładają się na wynik końcowy, jakim jest plon. Jakość tych prognoz ma ogromne znaczenie dla kolejnych etapów w łańcuchu produkcyjno-dystrybucyjnym płodów rolnych. Sieci neuronowe w postaci szeregów czasowych są wysublimowaną techniką modelowania, zdolną odwzorować bardzo złożone funkcje. Celem analizy szeregów czasowych jest ustalenie prognozy przyszłych wartości pewnej zmiennej, której wartości zmieniają się w czasie. Najczęściej dąży się do obliczenia prognozy korzystając z wcześniejszych wartości tej samej zmiennej, której wartość ma być przewidywana. Zbiór uczący, wykorzystywany przy neuronowej analizie szeregów czasowych, budowany jest zwykle w oparciu o pojedynczą zmienną, której typ określony jest jako "Wejściowo-Wyjściowy". Oznacza to, że jest ona wykorzystywana zarówno jako wejście sieci neuronowej, jak i jako jej wyjście.
Prediction becomes a very important stage in many activities. In case of expectation crops of chosen agricultural foetuses we deal with a number of stimuli which consequently transform into the end effect. It is clear that the quality of those predictions has a great influence on subsequent stages in the production and distribution chain of agricultural foetuses. Neural networks by time series are a sophisticated technique of modeling capable of reflecting very complex functions. In time series problems, the objective is to predict ahead the value of a variable which varies in time, using previous values of that and/or other variables. The time series training data set therefore typically has a single variable, and this has type input/output (i.e., it is used both for network input and network output).
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2006, 51, 4; 40-43
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Wpływ liczby zmiennych na jakość działania neuronowego modelu do identyfikacji mechanicznych uszkodzeń ziarniaków kukurydzy
The impact of the number of variables on the operation quality of neuron model for identifying mechanical damage of corn seeds
Autorzy:: Nowakowski, K.
Boniecki, P.
Powiązania:: https://bibliotekanauki.pl/articles/290908.pdf
Data publikacji:: 2008
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: kukurydza
uszkodzenie mechaniczne
identyfikacja
reprezentatywne dane uczące
sieć neuronowa
analiza obrazu
maize
mechanical damage
identifying
representative teaching data
neural network
image analysis
Opis:: Wykorzystanie sztucznych sieci neuronowych do identyfikacji mechanicznych uszkodzeń ziarniaków, prezentowanych w postaci fotografii, wymaga doboru odpowiednich cech charakterystycznych, na podstawie których zostanie przeprowadzony proces rozpoznawania. Wybór danych można zweryfikować wykorzystując narzędzie analizy wrażliwości sieci. Dzięki jego zastosowaniu można ocenić poziom istotności poszczególnych cech charakterystycznych i sprawdzić czy wszystkie wcześniej wybrane zmienne są niezbędne w procesie uczenia.
Using of artificial neuron networks for identifying mechanical damage of seeds presented on photographs requires selection of proper characteristics, which can be the basis for identification process. Data choice can be verified by using the instrument of network sensitivity analysis. Thanks to its use the significance level of particular characteristics can be evaluated, and it may be verified if all selected variables are essential in the learning process.
Źródło:: Inżynieria Rolnicza; 2008, R. 12, nr 6(104), 6(104); 151-157
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 4.

Tytuł:: System informatyczny piao jako narzędzie do przetwarzania obrazów cyfrowych wspomagające proces generowania zbiorów uczących przeznaczonych do budowy modeli neuronowych
Computer system piao as a tool for processing and gathering digital images in a process of generating learning sets used for construction of models of artificial neural networks
Autorzy:: Zaborowicz, M.
Boniecki, P.
Świerczyński, K.
Powiązania:: https://bibliotekanauki.pl/articles/337395.pdf
Data publikacji:: 2010
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: system informatyczny PIAO
obraz cyfrowy
przetwarzanie
model neuronowy
computer system PIAO
neural network
digital images
Opis:: Pozyskiwanie oraz przetwarzanie danych empirycznych występujących w formie graficznej jest istotnym elementem w procesie generowania zbiorów uczących, przeznaczonych do budowy identyfikacyjnych modeli neuronowych. Właściwa analiza oraz konwersja obrazów cyfrowych są fundamentalnym procesem, determinującym dalsze etapy modelowania neuronowego. Powszechnie dostępne metody edycji oraz pozyskiwania danych z obrazów nie zawsze pozwalają na właściwe i efektywne wytworzenie zbioru uczącego. Często zachodzi potrzeba użycia kilku rodzajów komercyjnego oprogramowania, aby w efekcie można było pozyskać zbiór danych empirycznych zapisanych w pożądanej formie. Dlatego wydaje się być zasadnym wytwarzanie od podstaw kompleksowego systemu informatycznego dedykowanego dla wsparcia procesu generowania zbiorów uczących.
Gathering data is an essential element of the process of generating learning sets, intended for the construction of artificial neural networks. A proper analysis and processing of the images are the basis for the next stages of the neural simulation. Commonly available methods of the edition and gaining data from images do not always allow to create a learning set in a right way. Often, there is a need to use several different software in order to gain one eligible set of data. This is a reason, why making a complex software for the process of generating the learning sets, is so important.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2010, 55, 2; 128-133
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "network model" wg kryterium: Wszystkie pola

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język