Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "binary classifier" wg kryterium: Wszystkie pola


Wyświetlanie 1-3 z 3
Tytuł:
Analiza porównawcza Zoptymalizowanego i Klasycznego Algorytmu Multikomparacyjnego w zastosowaniu do klasyfikacji sygnałów akustycznych generowanych przez wyładowania niezupełne
Comparative analysis of classic and optimised multi-comparational algorithm
Autorzy:
Kurtasz, P.
Boczar, T.
Powiązania:
https://bibliotekanauki.pl/articles/157512.pdf
Data publikacji:
2010
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
klasyfikator multikomparacyjny
klasyfikator binarny
wyładowania niezupełne
sygnały emisji akustycznej
defekty izolacji
multi-comparational classifier
binary classifier
partial discharges
acoustic emission signals
insulation defects
Opis:
W artykule określono zakres i scharakteryzowano możliwości zastosowania Zoptymalizowanego i Klasycznego Algorytmu Multikomparacyjnego do klasyfikacji sygnałów emisji akustycznej (EA) generowanej przez osiem podstawowych form wyładowań niezupełnych (WNZ), jakie mogą występować w izolacji papierowo-olejowej transformatorów elektroenergetycznych. Jest to nowa implementacja Klasycznego Algorytmu Multikomparacyjnego. Natomiast Zoptymalizowany Algorytm Multikomparacyjny został utworzony dla potrzeb klasyfikacji i w konsekwencji rozpoznawania sygnałów EA i jest wynikiem pracy Autorów. W artykule szczególną uwagę poświęcono omówieniu zasady działania zastosowanych algorytmów oraz wynikom uzyskiwanych przy ich użyciu skuteczności rozpoznawania podstawowych form WNZ.
Application of the optimised multi-comparational and classic multi-comparational algorithms to classification of acoustic emission signals generated by eight basic forms of partial discharges modelled in insulation oil is described in the paper. This is a new implementation of the classical multi-comparational algorithm. The idea of the algorithm was taken from [1]. The optimised multi-comparational algorithm was especially designed for needs of classification of the acoustic emission methods and is the result of research conducted by the authors of this paper. In Sections 2 and 3 the evaluated algorithms are characterised. Their logical structure is described in Section 4. Figs. 1 and 2 show the structure of both algorithms. In Section 5 the descriptor applied and the knowledge base adopted in the algorithms under study are described. The knowledge base is the result of earlier investigations performed by Sebastian Borucki and Andrzej Cichoń [3]. In Section 6 the binary classifiers applied are described; their structures are presented in Figs. 3 and 4. Section 7 contains the results of simulations performed. It was proved that both algorithms indicate high, over 90%, classification efficiency. The efficiency results are given in Tab.1, while its distributions are shown in Figs. 5 - 8. In Section 8 the evaluation results are summarised. Implementation of a time-frequency descriptor in the optimized multi-computational algorithm is proposed.
Źródło:
Pomiary Automatyka Kontrola; 2010, R. 56, nr 9, 9; 1110-1113
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Could k-NN classifier be Useful in tree leaves recognition?
Autorzy:
Horaisová, K.
Powiązania:
https://bibliotekanauki.pl/articles/229900.pdf
Data publikacji:
2014
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
binary image
Fourier transform
affine invariance
harmonic analysis
pattern recognition
k-NN classifier
Opis:
This paper presents a method for affine invariant recognition of two-dimensional binary objects based on 2D Fourier power spectrum. Such function is translation invariant and their moments of second order enable construction of affine invariant spectrum except of the rotation effect. Harmonic analysis of samples on circular paths generates Fourier coefficients whose absolute values are affine invariant descriptors. Affine invariancy is approximately saved also for large digital binary images as demonstrated in the experimental part. The proposed method is tested on artificial data set first and consequently on a large set of 2D binary digital images of tree leaves. High dimensionality of feature vectors is reduced via the kernel PCA technique with Gaussian kernel and the k-NN classifier is used for image classification. The results are summarized as k-NN classifier sensitivity after dimensionality reduction. The resulting descriptors after dimensionality reduction are able to distinguish real contours of tree leaves with acceptable classification error. The general methodology is directly applicable to any set of large binary images. All calculations were performed in the MATLAB environment.
Źródło:
Archives of Control Sciences; 2014, 24, 2; 177-192
1230-2384
Pojawia się w:
Archives of Control Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Multiclass voice commands classification with multiple binary convolution neural networks
Autorzy:
Szkoła, Jarosław
Powiązania:
https://bibliotekanauki.pl/articles/2190980.pdf
Data publikacji:
2022
Wydawca:
Uniwersytet Warmińsko-Mazurski w Olsztynie
Tematy:
multiclass convolution neural networks
voting decision mechanism
voice commands classification
multiclass classifier
sound wave processing
sound wave classification
Opis:
In machine learning, in order to obtain good models, it is necessary to train the network on a large data set. It is very often a long process, and any changes to the input dataset require re-training the entire network. If the model is extended with new decision classes, the entire learning process for all samples must be repeated. To improve this process, a new neural network architecture was proposed that uses a combination of multiple smaller independent convolutional neural networks (O’Shea, NaSh 2015, ZeghidOuret al. 2019) with two outputs, and a voting mechanism (COrNeliO et al. 2021, dONiNi et al. 2018) that ultimately determines the response of the network decision, rather than one large single network. The main purpose of using such an architecture is the need to solve the problem that occur in the case of most multiclass neural networks. For a typical neural network, extending with new decision classes requires changing the network architecture and re-learning the model for all data. In the proposed architecture, adding a new decision class requires only adding a small independent neural network, and the learning process applies to new cases with small subset of original dataset. This architecture is proposed for large datasets with many decision classes.
Źródło:
Technical Sciences / University of Warmia and Mazury in Olsztyn; 2022, 25(1); 149--170
1505-4675
2083-4527
Pojawia się w:
Technical Sciences / University of Warmia and Mazury in Olsztyn
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