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 "głębokie sieci neuronowe" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-7 z 7
    Tytuł:
    Deep neural networks for skin lesions diagnostics
    Głębokie sieci neuronowe dla diagnostyki zmian skórnych
    Autorzy:
    Michalska-Ciekańska, Magdalena
    Powiązania:
    https://bibliotekanauki.pl/articles/2174701.pdf
    Data publikacji:
    2022
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    deep neural networks
    transfer learning
    dermatoscopic images
    skin lesions diagnostics
    głębokie sieci neuronowe
    obraz dermatoskopowy
    diagnostyka zmian skórnych
    Opis:
    Non-invasive diagnosis of skin cancer is extremely necessary. In recent years, deep neural networks and transfer learning have been very popular in the diagnosis of skin diseases. The article contains selected basics of deep neural networks, their interesting applications created in recent years, allowing the classification of skin lesions from available dermatoscopic images.
    Nieinwazyjna diagnostyka nowotworów skóry jest niezwykle potrzebna. W ostatnich latach bardzo dużym zainteresowaniem w diagnostyce chorób skóry cieszą się głębokie sieci neuronowe i transfer learning. Artykuł zawiera wybrane podstawy głębokich sieci neuronowych, ich ciekawe zastosowania stworzone w ostatnich latach, pozwalające na klasyfikację zmian skórnych z dostępnych obrazów dermatoskopowych.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2022, 12, 3; 50--53
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A hybrid deep learning framework for modeling the short term global horizontal irradiance prediction of a solar power plant in India
    Hybrydowa struktura głębokiego uczenia do modelowania krótkoterminowych prognoz globalnego natężenia napromienienia poziomego elektrowni słonecznej w Indiach
    Autorzy:
    Rajaprasad, S. V. S.
    Mukkamala, Rambabu
    Powiązania:
    https://bibliotekanauki.pl/articles/27312530.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
    Tematy:
    global horizontal irradiance
    energy
    deep neural networks
    hybrid model
    globalne natężenie napromienienia poziomego
    energia
    głębokie sieci neuronowe
    model hybrydowy
    Opis:
    The rapid development of grid integration of solar energy in developing countries like India has created vital concerns such as fluctuations and interruptions affecting grid operations. Improving the consistency and accuracy of solar energy forecasts can increase the reliability of the power grid. Although solar energy is available in abundance around the world, it is viewed as an unpredictable source due to uncertain fluctuations in climate conditions. Global horizontal irradiance (GHI) prediction is critical to efficiently manage and forecast the power output of solar power plants. However, developing an accurate GHI forecasting model is challenging due to the variability of weather conditions over time. This research aims to develop and compare univariate LSTM models capable of predicting GHI in a solar power plant in India over the short term. The present study introduces a deep neural network-based (DNN) hybrid model with a combination of convolutional neural network bi-directional long short-term memory (CNN BiLSTM) to predict the one minute interval GHI of a solar power plant located in the southern region of India. The model’s effectiveness was tested using data for the month of January 2023. In addition, the results of the hybrid model were compared to the long short-term memory (LSTM) and BiLSTM deep-learning (DL) models. It has been observed that the proposed hybrid model framework is more accurate compared to the LSTM and BiLSTM architectures. Finally, a GHI prediction tool was developed to understand the trend of the results.
    Szybki rozwój integracji energii słonecznej z siecią elektroenergetyczną w krajach rozwijających się, takich jak Indie, wywołał istotne obawy, m.in. związane z wahaniami i przerwami wpływającymi na działanie sieci. Poprawa spójności i dokładności prognoz dotyczących energii słonecznej może zwiększyć niezawodność sieci energetycznej. Chociaż energia słoneczna jest dostępna w dużych ilościach na całym świecie, jest ona postrzegana jako nieprzewidywalne źródło ze względu na niepewne wahania warunków klimatycznych. Prognozowanie globalnego natężenia napromienienia horyzontalnego (GHI) ma kluczowe znaczenie dla efektywnego zarządzania i prognozowania mocy elektrowni słonecznych. Jednak opracowanie dokładnego modelu prognozowania GHI jest trudne ze względu na zmienność warunków pogodowych w czasie. Badania te mają na celu opracowanie i porównanie modeli LSTM zdolnych do przewidywania GHI w elektrowni słonecznej w Indiach w krótkim czasie. W niniejszym badaniu wprowadzono hybrydowy model oparty na głębokiej sieci neuronowej (DNN) z kombinacją dwukierunkowej konwolucyjnej sieci neuronowej z długą pamięcią krótkotrwałą (CNN BiLSTM) w celu przewidywania jednominutowych interwałów GHI elektrowni słonecznej zlokalizowanej w południowym regionie Indii. Skuteczność modelu została przetestowana przy użyciu danych za styczeń 2023 roku. Ponadto wyniki modelu hybrydowego porównano z modelami uczenia głębokiego (DL) z długą pamięcią krótkotrwałą (LSTM) i BiLSTM. Zaobserwowano, że proponowany model hybrydowy jest dokładniejszy w porównaniu do architektur LSTM i BiLSTM. Ostatecznie opracowano narzędzie do przewidywania GHI, aby zrozumieć trend wyników.
    Źródło:
    Polityka Energetyczna; 2023, 26, 3; 101--116
    1429-6675
    Pojawia się w:
    Polityka Energetyczna
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The use of urban indicators in forecasting a real estate value with the use of deep neural network
    Autorzy:
    Bazan-Krzywoszańska, A.
    Bereta, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/106771.pdf
    Data publikacji:
    2018
    Wydawca:
    Politechnika Warszawska. Wydział Geodezji i Kartografii
    Tematy:
    planning analysis
    local zoning plans
    local policy
    deep learning
    deep neural networks
    machine learning
    artificial intelligence
    analiza planowania
    miejscowy plan zagospodarowania przestrzennego
    polityka lokalna
    głębokie sieci neuronowe
    uczenie maszynowe
    sztuczna inteligencja
    Opis:
    Records of municipal planning documents directly affect the land use. In this way, the market price of the land is also shaped. Awareness of the economic and social consequences of adapting specific solutions is the primary argument that should condition the local policy in terms of spatial planning. The research results indicate that the network trained with attributes which do not describe a property value by its price was able to estimate it with acceptable and satisfactory results. The possibility to use artificial multilayer networks in spatial policy decision-making seems well founded. The research results show the relevance of the assumption that using them for modeling can be helpful in selecting the most advantageous variant of planning arrangements in a local law document which determines the land use and development, therefore impacts its value.
    Źródło:
    Reports on Geodesy and Geoinformatics; 2018, 106; 25-34
    2391-8365
    2391-8152
    Pojawia się w:
    Reports on Geodesy and Geoinformatics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A comparison of conventional and deep learning methods of image classification
    Porównanie metod klasycznego i głębokiego uczenia maszynowego w klasyfikacji obrazów
    Autorzy:
    Dovbnych, Maryna
    Plechawska-Wójcik, Małgorzata
    Powiązania:
    https://bibliotekanauki.pl/articles/2055127.pdf
    Data publikacji:
    2021
    Wydawca:
    Politechnika Lubelska. Instytut Informatyki
    Tematy:
    image classification
    machine learning
    deep learning
    neural networks
    klasyfikacja obrazów
    uczenie maszynowe
    uczenie głębokie
    sieci neuronowe
    Opis:
    The aim of the research is to compare traditional and deep learning methods in image classification tasks. The conducted research experiment covers the analysis of five different models of neural networks: two models of multi–layer perceptron architecture: MLP with two hidden layers, MLP with three hidden layers; and three models of convolutional architecture: the three VGG blocks model, AlexNet and GoogLeNet. The models were tested on two different datasets: CIFAR–10 and MNIST and have been applied to the task of image classification. They were tested for classification performance, training speed, and the effect of the complexity of the dataset on the training outcome.
    Celem badań jest porównanie metod klasycznego i głębokiego uczenia w zadaniach klasyfikacji obrazów. Przeprowa-dzony eksperyment badawczy obejmuje analizę pięciu różnych modeli sieci neuronowych: dwóch modeli wielowar-stwowej architektury perceptronowej: MLP z dwiema warstwami ukrytymi, MLP z trzema warstwami ukrytymi; oraz trzy modele architektury konwolucyjnej: model z trzema VGG blokami, AlexNet i GoogLeNet. Modele przetrenowano na dwóch różnych zbiorach danych: CIFAR–10 i MNIST i zastosowano w zadaniu klasyfikacji obrazów. Zostały one zbadane pod kątem wydajności klasyfikacji, szybkości trenowania i wpływu złożoności zbioru danych na wynik trenowania.
    Źródło:
    Journal of Computer Sciences Institute; 2021, 21; 303--308
    2544-0764
    Pojawia się w:
    Journal of Computer Sciences Institute
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Theory I: Deep networks and the curse of dimensionality
    Autorzy:
    Poggio, T.
    Liao, Q.
    Powiązania:
    https://bibliotekanauki.pl/articles/200623.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    deep network
    shallow network
    convolutional neural network
    function approximation
    deep learning
    sieci neuronowe
    aproksymacja funkcji
    uczenie głębokie
    Opis:
    We review recent work characterizing the classes of functions for which deep learning can be exponentially better than shallow learning. Deep convolutional networks are a special case of these conditions, though weight sharing is not the main reason for their exponential advantage.
    Źródło:
    Bulletin of the Polish Academy of Sciences. Technical Sciences; 2018, 66, 6; 761-773
    0239-7528
    Pojawia się w:
    Bulletin of the Polish Academy of Sciences. Technical Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Estimating the distance to an object from grayscale stereo images using deep learning
    Autorzy:
    Kulawik, Joanna
    Powiązania:
    https://bibliotekanauki.pl/articles/2202043.pdf
    Data publikacji:
    2022
    Wydawca:
    Politechnika Częstochowska. Wydawnictwo Politechniki Częstochowskiej
    Tematy:
    estimating distance
    stereo vision
    convolutional neural network
    deep learning
    szacowanie odległości
    widzenie stereoskopowe
    konwolucyjne sieci neuronowe
    uczenie głębokie
    Opis:
    This article presents an innovative proposal for estimating the distance between an autonomous vehicle and an object in front of it. Such information can be used, for example, to support the process of controlling an autonomous vehicle. The primary source of information in research is monochrome stereo images. The images were made in compliance with the laws of the canonical order. The developed convolutional neural network model was used for the estimation. A proprietary dataset was developed for the experiments. The analysis was based on the phenomenon of disparity in stereo images. As a result of the research, a correctly trained model of the CNN network was obtained in six variants. High accuracy of distance estimation was achieved. This publication describes an original proposal for a hybrid blend of digital image analysis, stereo-vision, and deep learning for engineering applications.
    Źródło:
    Journal of Applied Mathematics and Computational Mechanics; 2022, 21, 4; 60--72
    2299-9965
    Pojawia się w:
    Journal of Applied Mathematics and Computational Mechanics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Early detection and localization of stator inter-turn short circuit faults based on variational mode decomposition and deep learning in induction motor
    Autorzy:
    Guedidi, Asma
    Laala, Widad
    Guettaf, Abderrazak
    Arif, Ali
    Powiązania:
    https://bibliotekanauki.pl/articles/27313828.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    convolutional neural networks
    CNNs
    deep learning
    short circuit fault diagnosis
    variational mode decomposition
    information map
    silnik indukcyjny
    konwolucyjne sieci neuronowe
    uczenie głębokie
    mapa informacyjna
    Opis:
    The existing diagnostic techniques for detecting inter-turn short circuits (ITSCs) in induction motors face two primary challenges. Firstly, they suffer from reduced sensitivity, often failing to detect ITSCs when only a few turns are short-circuited. Secondly, their reliability are compromised by load fluctuations, leading to false alarms even in the absence of actual faults. To address these issues, a novel intelligent approach to diagnose ITSC fault is proposed. Indeed, this method encompasses three core components: a novel multi-sensor fusion technique, a knowledge map, and enhanced Convolutional Neural Networks (CNNs). First, the raw data collected from multiple sensors undergoes a transformation into 2D data using a novel image transformation based on Hilbert transform (HT) and variational mode decomposition (VMD), which is concatenate to a novel information map including frequency fault information and rotational speed. Then, this 3D multi information image is used as input to an improvement CNN model that apply a transfer learning for an enhanced version of SqueezNet with incorporating a novel attention mechanism module to precisely identify fault features. Experimental results and performance comparisons demonstrate that the proposed model attains high performance surpassing other Deep Learning (DL) methods in terms of accuracy. In addition, the model has consistently demonstrated its ability to make precise predictions and accurately classify fault severity, even under different working conditions.
    Źródło:
    Diagnostyka; 2023, 24, 4; art. no. 2023401
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-7 z 7

      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