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 "Kohonen neural networks" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-7 z 7
    Tytuł:
    Sztuczne sieci neuronowe Kohonena jako narzędzie w taksonomii paleontologicznej - metodyka oraz zastosowanie na przykładzie późnokredowych belemnitów
    Artificial Kohonen neural networks as a tool in paleontological taxonomy - an introduction and application to Late Cretaceous belemnites
    Autorzy:
    Remin, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/2074559.pdf
    Data publikacji:
    2008
    Wydawca:
    Państwowy Instytut Geologiczny – Państwowy Instytut Badawczy
    Tematy:
    paleontologia
    sztuczna inteligencja
    sieci neuronowe Kohonena
    samoorganizujących się sieci Kohonena
    klasyfikacja
    belemnity
    górna kreda
    paleontology
    artificial intelligence
    artificial neural networks
    Kohonen neural networks
    self-organizing map
    classification
    belemnites
    Upper Cretaceous
    Opis:
    Artificial neural networks (ANNs), the computer software or systems that are able to "learn" on the basis of previously collected input data sets are proposed here as a new useful tool in paleontological modeling. Initially ANNs were designed to imitate the structure and function of natural neural systems such as the human brain. They are commonly used in many natural researches such as physics, geophysics, chemistry, biology, applied ecology etc. Special emphasis is put on the Kohonen self-organizing mapping algorithm, used in unsupervised networks for ordination purposes. The application of ANNs for paleontology is exemplified by study of Late Cretaceous belemnites. The Kohonen networks objectively subdivided the belemnite material] ~ 750 specimens) into consistent groups that could be treated as monospecific. The possibility of transferring these results to the language of classical statistics is also presented. Further development and possibility of use of ANNs in various areas of paleontology, paleobiology and paleoecology is briefly discussed.
    Źródło:
    Przegląd Geologiczny; 2008, 56, 1; 58-66
    0033-2151
    Pojawia się w:
    Przegląd Geologiczny
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Pulse shape discrimination of neutrons and gamma rays using kohonen artificial neural networks
    Autorzy:
    Tambouratzis, T.
    Chernikova, D.
    Pzsit, I.
    Powiązania:
    https://bibliotekanauki.pl/articles/91759.pdf
    Data publikacji:
    2013
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    shape
    neutron
    discrimination
    gamma rays
    Kohonen artificial neural networks
    ANNs
    linear vector quantisation
    LVQ
    self-organizing map
    SOM
    pulse shape discrimination
    PSD
    Opis:
    The potential of two Kohonen artificial neural networks (ANNs) - linear vector quantisation (LVQ) and the self organising map (SOM) - is explored for pulse shape discrimination (PSD), i.e. for distinguishing between neutrons (n’s) and gamma rays (’s). The effect that (a) the energy level, and (b) the relative size of the training and test sets, have on identification accuracy is also evaluated on the given PSD dataset. The two Kohonen ANNs demonstrate complementary discrimination ability on the training and test sets: while the LVQ is consistently more accurate on classifying the training set, the SOM exhibits higher n/ identification rates when classifying new patterns regardless of the proportion of training and test set patterns at the different energy levels; the average time for decision making equals ˜100 μs in the case of the LVQ and ˜450 μs in the case of the SOM.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2013, 3, 2; 77-88
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The method of neuron weight vector initial values selection in Kohonen network
    Autorzy:
    Chandzlik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/333164.pdf
    Data publikacji:
    2006
    Wydawca:
    Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach. Instytut Informatyki. Zakład Systemów Komputerowych
    Tematy:
    neural networks
    Kohonen network
    neurological diseases diagnosis
    Parkinson disease
    hemiparesis after ischemic stroke
    Opis:
    Diagnosing of morbid conditions by means of automatic tools supported by computers is a significant and often used element in modern medicine. Some examples of these tools are automatic conclusion-making units of Parotec System for Windows (PSW). In the initial period of PSW system implementation, the units were used for recognition of orthopaedic diseases on the basis of the patient's walk and posture [15,17]. Subsequently, many additional options have been implemented, which have been used for purposes of diagnosing neurological diseases [1,2,3,9,12]. During automatic classification of diseases the additional units use elements of neural networks. The vectors based on normalised diagnostic measures [3] are inputs of the units. The measurements describe a patient's posture condition, his walk and overloads occurring on his feet. The Counter-Propagation (CP), two-layer network has been used in one of the automatic conclusion-making units. During CP network activity, we can see not only supervised but unsupervised learning processes as well. This is a characteristic feature of the CP network. The initial steps of the CP network learning process are very important, because the success of the network training process depends on them to a great extent. Therefore, a new method of weight vector initial values selection was proposed. The efficiency of the method was compared with classical methods. The results were very satisfactory. Owing to the proposed method, the time of the network training process as well as the mean-square error and the classification error was reduced. The research has been carried out using clinical cases of some neurological diseases: Parkinson's Disease, left-lateral hemiparesis and right-lateral hemiparesis after ischemic stroke. The measurements, which were made on a control group of patients without any neurological diseases, were the reference for these diagnostic classes.
    Źródło:
    Journal of Medical Informatics & Technologies; 2006, 10; 189-197
    1642-6037
    Pojawia się w:
    Journal of Medical Informatics & Technologies
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Sztuczne sieci neuronowe ANN : sieci Kohonena
    Artificial neural networks (ANN) : Kohonen networks
    Autorzy:
    Iljaszewicz, Paweł
    Powiązania:
    https://bibliotekanauki.pl/articles/131981.pdf
    Data publikacji:
    2018
    Wydawca:
    Wrocławska Wyższa Szkoła Informatyki Stosowanej Horyzont
    Tematy:
    Sieci Kohonena
    sieci neuronowe
    mapa samoorganizująca
    SOM
    WEBSOM
    Kohonen networks
    artificial neural networks
    ANN
    Self Organizing Map
    Opis:
    Artykuł omawia sztuczne sieci neuronowe (ang. ANN- Artificial neural networks). Jedną z odmian są sieci Kohonena zwane Mapą Samoorganizującą (ang. SOM – Self Organizing Map) realizują one proces uczenia się sieci neuronowych samodzielnie tzn. rozpoznają relacje występujące w skupieniach poprzez wykrycie wewnętrznej struktury i kategoryzują je w procesie samouczenia. SOM służy do uformowania odwzorowania z przestrzeni wielowymiarowej do przestrzeni jednowymiarowej lub dwuwymiarowej. Główną cechą SOM jest to, że tworzy on nieliniową projekcję wielowymiarową kolektora danych na regularnej, niskowymiarowej (zwykle 2D) sieci. Na wyświetlaczu klastrowanie przestrzeni danych, jak również relacje metryczno-topologiczne elementów danych, są wyraźnie widoczne. Jeśli elementy danych są wektorami, składniki, których są zmiennymi z określone znaczenie, takie jak deskryptory danych statystycznych lub pomiary, które opisują proces, siatka SOM może być wykorzystana, jako podstawa, na której może znajdować się każda zmienna wyświetlane osobno przy użyciu kodowania na poziomie szarości lub pseudo koloru. Ten rodzaj projekcji został uznany za bardzo przydatny do zrozumienia wzajemnych zależności między zmiennymi, a także strukturami zbioru danych.
    The article discusses artificial neural networks (ANN). One of the varieties is the Kohonen network, called the Self Organizing Map (SOM), that perform the learning process of neural networks independently, i.e. they recognize relationships occurring in clusters by detecting an internal structure and categorizing them in the process of self-learning. SOM is used to form mapping from a multidimensional space to a one-dimensional or two-dimensional space. The main feature of SOM is that it creates a non-linear multi-dimensional projection of a data collector on a regular, low-dimensional (usually 2D) network. On the display, data space clustering as well as metric-topological relations of data elements are clearly visible. If the data elements are vectors, the components of which are variables with defined meanings, such as statistical data descriptors or measurements that describe the process, the SOM grid can be used as a basis on which each variable can be displayed separately using gray or pseudo-color coding. This type of projection has been found to be very useful for understanding the interrelationships between variables as well as data set structures.
    Źródło:
    Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej. Informatyka; 2018, 8, 1; 34-39
    2082-9892
    Pojawia się w:
    Biuletyn Naukowy Wrocławskiej Wyższej Szkoły Informatyki Stosowanej. Informatyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Use of neural networks in risk assessment and optimization of insurance cover in innovative enterprises
    Autorzy:
    Pukała, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/398804.pdf
    Data publikacji:
    2016
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    innovative enterprise
    risk
    neural networks
    Kohonen networks
    business insurance
    przedsiębiorstwo innowacyjne
    ryzyko
    sieci neuronowe
    sieci Kohonena
    ubezpieczenia gospodarcze
    Opis:
    The scientific objective of the paper is to present the findings of a study into the use of artificial neural networks in quantifying activity related risks of an innovative enterprise and to optimize its insurance cover in order to minimize the probable financial losses whenever they materialize. The Kohonen network involving the activation of 51 input variables was applied in the study. The outcomes of the stimulation for the given set of variables made it possible to determine the probability of a threat occurring in the classes. The results of the analysis were used to prepare an optimal insurance cover for the activities of the innovative company. The research findings are suitable for use in risk theory as well as in issues relating to entrepreneurship and insurance. The analytical device employed can also be put to practical use as a support tool in corporate risk management.
    Źródło:
    Ekonomia i Zarządzanie; 2016, 8, 3; 43-56
    2080-9646
    Pojawia się w:
    Ekonomia i Zarządzanie
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Speech nonfluency detection and classification based on linear prediction coefficients and neural networks
    Autorzy:
    Kobus, A.
    Kuniszyk-Jóźkowiak, W.
    Smołka, E.
    Codello, I.
    Powiązania:
    https://bibliotekanauki.pl/articles/333600.pdf
    Data publikacji:
    2010
    Wydawca:
    Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach. Instytut Informatyki. Zakład Systemów Komputerowych
    Tematy:
    przewidywanie liniowe
    liniowe kodowanie predykcyjne
    sieci nuronowe
    kowariancja
    brak płynności
    mowa
    wykrywanie
    perceptron
    linear prediction
    LPC
    neural networks
    Kohonen
    covariance
    nonfluency
    speech
    detection
    radial
    Opis:
    The goal of the paper is to present a speech nonfluency detection method based on linear prediction coefficients obtained by using the covariance method. The application “Dabar” was created for research. It implements three different methods of LP with the ability to send coefficients computed by them into the input of Kohonen networks. Neural networks were used to classify utterances in categories of fluent and nonfluent. The first one was Kohonen network (SOM), used to reduce LP coefficients representation of each window, which were used as input data to SOM input layer, to a vector of winning neurons of SOM output layer. Radial Basis Function (RBF) networks, linear networks and Multi-Layer Perceptrons were used as classifiers. The research was based on 55 fluent samples and 54 samples with blockades on plosives (p, b, d, t, k, g). The examination was finished with the outcome of 76% classifying.
    Źródło:
    Journal of Medical Informatics & Technologies; 2010, 15; 135-143
    1642-6037
    Pojawia się w:
    Journal of Medical Informatics & Technologies
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Comparison of selected methods of multi-parameter data visualization used for classification of coals
    Autorzy:
    Jamroz, D.
    Niedoba, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/110329.pdf
    Data publikacji:
    2015
    Wydawca:
    Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
    Tematy:
    multidimensional visualization
    observational tunnels method
    multidimensional scaling
    MDS
    principal component analysis
    PCA
    relevance maps
    autoassociative neural networks
    Kohonen maps
    parallel coordinates method
    grained material
    coal
    Opis:
    Methods of multi-parameter data visualization through the transformation of multidimensional space into two-dimensional one allow to present multidimensional data on computer screen, thus making it possible to conduct a qualitative analysis of this data in the most natural way for human – by a sense of sight. In the paper a comparison was made to show the efficiency of selected seven methods of multidimensional visualization and further, to analyze data describing various coal type samples. Each of the methods was verified by checking how precisely a coal type can be classified when a given method is applied. For this purpose, a special criterion was designed to allow an evaluation of the results obtained by means of each of these methods. Detailed information included presentation of methods, elaborated algorithms, accepted parameters for best results as well the results. The framework for the comparison of the analyzed multi-parameter visualization methods includes: observational tunnels method multidimensional scaling MDS, principal component analysis PCA, relevance maps, autoassociative neural networks, Kohonen maps and parallel coordinates method.
    Źródło:
    Physicochemical Problems of Mineral Processing; 2015, 51, 2; 769-784
    1643-1049
    2084-4735
    Pojawia się w:
    Physicochemical Problems of Mineral Processing
    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