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 "Klasyfikacja sieci" wg kryterium: Temat

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 40
Tytuł:
Zastosowanie sieci Kohonena do podziału województwa zachodniopomorskiego na rejony o zbliżonych warunkach produkcji rolniczej
The application of Kohonens neural network for purposes of the division of Zachodniopomorskie province into areas with similar conditions for rural production
Autorzy:
Zarod, J.
Powiązania:
https://bibliotekanauki.pl/articles/78763.pdf
Data publikacji:
2012
Wydawca:
Zachodniopomorski Uniwersytet Technologiczny w Szczecinie. Wydawnictwo Uczelniane ZUT w Szczecinie
Tematy:
woj.zachodniopomorskie
produkcja rolna
warunki produkcji
rolnicza przestrzen produkcyjna
klasyfikacja gmin
sieci neuronowe
samoorganizujace sie mapy
Źródło:
Folia Pomeranae Universitatis Technologiae Stetinensis. Oeconomica; 2012, 68
2081-0644
Pojawia się w:
Folia Pomeranae Universitatis Technologiae Stetinensis. Oeconomica
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Rejestracja, parametryzacja i klasyfikacja alofonów z wykorzystaniem bimodalności
Regcording, parameterization and classification of allophones employing bimodal approach
Autorzy:
Zaporowski, S.
Cygert, S.
Szwoch, G.
Korvel, G.
Czyżewski, A.
Powiązania:
https://bibliotekanauki.pl/articles/269055.pdf
Data publikacji:
2018
Wydawca:
Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:
sieci neuronowe
klasyfikacja
facial motion capture
neural networks
classification process
Opis:
Praca dotyczy rejestracji i parametryzacji alofonów w języku angielskim z wykorzystaniem dwóch modalności. W badaniach dokonano rejestracji wypowiedzi w języku angielskim mówców, których znajomość tego języka odpowiada poziomowi rodowitego mówcy. W kolejnym etapie wyodrębnione zostały alofony z nagrań fonicznych i odpowiadające im sygnały wizyjne. W procesie tworzenia wektorów cech wykorzystano odrębne systemy parametryzacji, osobne dla każdej modalności. Do parametryzacji sygnału fonicznego użyto typowych deskryptorów stosowanych w obszarze rozpoznawania mowy i muzyki. W nagraniach z systemu przechwytywania ruchu zaproponowano własne rozwiązania. Do klasyfikacji alofonów wykorzystano sieci neuronowe oraz maszynę wektorów nośnych w podejściu jednoi dwumodalnym. Stwierdzono, że skuteczność rozpoznawania wzrasta wraz z wykorzystaniem więcej niż jednej modalności.
The paper concerns the recording and parameterization of allophones in English using two modalities. In the research, the English speakers' statements were recorded. Those speakers’s language proficiency corresponds to the level of the native speaker. In the next stage, allophones from audio recordings and corresponding visual signals were isolated. In the process of creating feature vectors, separate parameterization systems were used for each modality. For the audio signal parameterization, typical descriptors used in the area of speech and music recognition were chosen. In the case of the motion capture system own solutions were proposed. For the purpose of allophones classification, neural networks and the suport vector machine were used in both approaches. It has been found that the recognition efficiency increases with the use of more than one modality.
Źródło:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2018, 60; 135-138
1425-5766
2353-1290
Pojawia się w:
Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Wykorzystanie metody TOPSIS w procesie klasyfikacji dobowych obciążeń stacji transformatorowych
Applications of TOPSIS method in clustering of 24-hour loads in electric power distribution substations
Autorzy:
Zalewski, W.
Powiązania:
https://bibliotekanauki.pl/articles/398887.pdf
Data publikacji:
2013
Wydawca:
Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:
klasyfikacja obciążeń
elektroenergetyczne sieci rozdzielcze metoda TOPSIS
load clustering
power distribution systems
TOPSIS method
Opis:
W artykule przedstawiono możliwość zastosowania metody TOPSIS do grupowania profili obciążeń w elektroenergetycznych sieciach rozdzielczych na podstawie parametrów opisujących krzywe obciążenia różnych odbiorców. Rozważania teoretyczne poparto analizą danych pomiarowych uzyskanych w wybranych stacjach transformatorowych SN/nn na terenie dawnego Zakładu Energetycznego Białystok Miasto.
This paper presents an application of the TOPSIS method for classification of load profiles in electric power distribution systems. Verification of the proposed method of load clustering was based on the data from selected distribution substations in Bialystok Power Distribution Utility Co. Simulation studies have been performed to demonstrate the efficiency of the proposed method and an effect of different parameters on its accuracy on the basis of actual data obtained at distribution system substations.
Źródło:
Ekonomia i Zarządzanie; 2013, 5, 4; 101-110
2080-9646
Pojawia się w:
Ekonomia i Zarządzanie
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Empirical Comparison of Methods of Data Discretization in Learning Probabilistic Models
Porównanie metod dyskretyzacji danych w uczeniu modeli probabilistycznych
Autorzy:
Wójciak, M.
Łupińska-Dubicka, A.
Powiązania:
https://bibliotekanauki.pl/articles/88392.pdf
Data publikacji:
2018
Wydawca:
Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:
dyskretyzacja
zmienne typu ciągłego
modele probabilistyczne
sieci Bayesa
klasyfikacja
discretization
continuous feature
probabilistic models
Bayesian networks
classification
Opis:
Very often statistical method or machine learning algorithms can handle discrete attributes only. And that is why discretization of numerical data is an important part of the pre–processing. This paper presents the results of the problem of data discretization in learning quantitative part of probabilistic models. Four data sets taken from UCI Machine Learning Repository were used to learn the quantitative part of the Bayesian networks. The continuous variables were discretized using two supervised and two unsupervised discretization methods. The main goal of this paper was to study whether method of data discretization in given data set has an influence on model’s reliability. The accuracy was defined as the percentage of correctly classified records.
Bardzo często algorytmy uczenia maszynowego nie są przystosowane do korzystania ze zmiennych ciągłych. Z tego powodu dyskretyzacja danych jest istotną częścią wstępnego przetwarzania. W artykule przedstawiono wyniki prac nad problemem dyskretyzacji danych w uczeniu modeli probabilistycznych. Cztery zestawy danych pobrane z repozytorium uczenia maszynowego UCI zostały wykorzystane do nauczenia parametrów ilościowej części sieci bayesowskich. Występujące w wybranych zbiorach zmienne ciągłe były dyskretyzowane przy użyciu dwóch metod nadzorowanych i dwóch nienadzorowanych. Głównym celem tego artykułu było zbadanie, czy metoda dyskretyzacji danych w danym zbiorze ma wpływ na niezawodność modelu. Dokładność metod była definiowana jako odsetek poprawnie sklasyfikowanych rekordów.
Źródło:
Advances in Computer Science Research; 2018, 14; 177-192
2300-715X
Pojawia się w:
Advances in Computer Science Research
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Wykorzystanie algorytmu genetycznego do klasyfikacji przedsiębiorstw
Application of genetic algorithm to firm classification
Autorzy:
Witkowska, Dorota
Kamiński, Władysław
Powiązania:
https://bibliotekanauki.pl/articles/905371.pdf
Data publikacji:
2002
Wydawca:
Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
Tematy:
klasyfikacja
sztuczne sieci neuronowe
algorytm genetyczny
Opis:
In the paper we present the results of firm classification made by artificial neural networks that were trained applying genetic algorithm. There were from two to five groups distinguished that were characterized by: decisions about allowing the credit (two classes), creditworthiness of the enterprise (four classes) and the economic and financial situation of the firm (five classes). The quality of classification was evaluated by comparing to the credit officers’ opinions. The results of artificial neural network classification into two classes were compared to results obtained applying linear discrimination function.
W opracowaniu przedstawiono wyniki klasyfikacji przedsiębiorstw za pomocą jednokierunkowych sieci neuronowych trenowanych algorytmem genetycznym. Klasyfikacja obejmowała od dwóch do pięciu grup typologicznych i została przeprowadzona na podstawie danych pochodzących z wniosków kredytowych podmiotów gospodarczych ubiegających się o kredyt w jednym z banków regionalnych. W analizach porównawczych wykorzystano liniową analizę dyskryminacyjną.
Źródło:
Acta Universitatis Lodziensis. Folia Oeconomica; 2002, 156
0208-6018
2353-7663
Pojawia się w:
Acta Universitatis Lodziensis. Folia Oeconomica
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Vehicles Classification Using the HRBF Neural Network
Klasyfikacja pojazdów z wykorzystaniem sieci neuronowej HRBF
Autorzy:
Wantoch-Rekowski, R.
Powiązania:
https://bibliotekanauki.pl/articles/305921.pdf
Data publikacji:
2011
Wydawca:
Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
Tematy:
sieci neuronowe
klasyfikacja sieci
zbiór uczący
Hyper Radial Basis Function network HRBF
neural networks
networks classification
learning set
HRBF
Opis:
The paper presents the problem of using a neural network for military vehicle classification on the basis of ground vibration. One of the main elements of the system is a unit called the geophone. This unit allows to measure the amplitude of ground vibration in each direction for a certain period of time. The value of the amplitude is used to fix the characteristic frequencies of each vehicle. If we want to fix the main frequency it is necessary to use the Fourier transform. In this case the fast Fourier transform FFT was used. Since the neural network (Hyper Radial Basis Function network) was used, a learning set has to be prepared. Please find the attached results of using the HRBF neural network, which include: examples of learning, validation and test sets, the structure of the networks and the learning algorithm, learning and testing results.
W opracowaniu przedstawiono zagadnienie wykorzystania sieci neuronowej do klasyfikacji określonych typów pojazdów na podstawie analizy amplitudy drgań gruntu. Jednym z elementów systemu do pomiaru amplitudy drgań gruntu jest geofon. Umożliwia on pomiar amplitudy drgań gruntu w wybranym kierunku dla określonego przedziału czasu. Wartość wyznaczonej amplitudy wykorzystywana jest do wyznaczenia charakterystycznych częstotliwości drgań dla poszczególnych pojazdów. Do wyznaczenia charakterystycznych częstotliwości wykorzystywana jest transformata Fouriera FFT. Do klasyfikacji wykorzystana została sieć neuronowa z radialną funkcją aktywacji, dlatego też wymagane jest przygotowanie odpowiedniego zbioru uczącego. W opracowaniu przedstawiono wyniki użycia sieci HRBF. Przedstawiono strukturę oraz zawartość zbioru uczącego.
Źródło:
Biuletyn Instytutu Systemów Informatycznych; 2011, 7; 47-52
1508-4183
Pojawia się w:
Biuletyn Instytutu Systemów Informatycznych
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Porównanie i ocena metod klasyfikacji sygnałów EEG
Analysis and classification of EEG data. An evaluation of methods
Autorzy:
Rutkowski, G.
Patan, K.
Powiązania:
https://bibliotekanauki.pl/articles/154847.pdf
Data publikacji:
2012
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
EEG
sztuczne sieci neuronowe
rozpoznawanie obrazów
klasyfikacja
artificial neural networks
pattern recognition
classification
Opis:
Analiza i interpretacja sygnałów elektroencefalograficznych znalazła szerokie spektrum zastosowań w diagnostyce klinicznej. Pomimo licznych doświadczeń specjalistów, ciągle napotyka się wiele trudności. Powstające problemy związane są m.in. z aspektami technicznymi co spowodowane jest charakterem niestacjonarności w przypadku sygnałów takich jak sygnały EEG. Rozwiązania sprzętowe i programowe w tej dziedzinie są poddawane ciągłej poprawie ze względu na rozwój technologiczny. Bardzo obiecującym narzędziem w analizie i interpretacji sygnałów EEG są sztuczne sieci neuronowe. W pracy przedstawiono eksperymenty oparte o analizę i klasyfikację danych biomedycznych za pomocą różnych technik, w tym metod klasycznych takich jak naiwny klasyfikator Bayesa, k najbliższych sąsiadów z zastosowaniem metod sztucznej inteligencji takich jak klasyfikatory SVM czy perceptron wielowarstwowy.
Analysis and interpretation methods of electroencephalogram signals have found a broad spectrum of applications in clinical diagnosis. Despite the experience of professionals, biomedical data analysis encounters many difficulties. Measurement problems are associated with both the technical ground that determines the character of non-stationarity of EEG signals and the individual nature of a neurological dysfunction. The existing hardware and software have been continuously improved due to the rapid progress of technological development. Very promising tool in the analysis and interpretation of the EEG signals are artificial neural networks. An electroencephalogram (EEG) is a noninvasive technique for measurement of processes occurring in the human brain. This technique allows direct measurement of electrical potentials of neuronal activity. EEG is thus recording of electrical activity of nerve cells on the surface of the cerebral cortex. Seizures are very important element in clinical diagnosis due to the ongoing search for causal link in generating sudden discharges of electricity. The interpretation of such signals may allow for appropriate treatment and selection of relevant therapy for individual cases. There have been many works in the area of electroencephalography which used artificial neural networks involving among the others in the process of recognizing specific graphoelements, which in turn indicate a definite neurological dysfunction. Neural networks are also able to extract the relevant information contained in the EEG signals and support the process of solving problems, such as the identification of characteristic EEG [1, 5, 6] patterns or determine patterns based on spectral EEG topography [3]. Neural networks are also used to identify artifacts, where inputs to the classifier are implemented in the form of selected parameters of a specific wave length [10]. The paper presents experiments based on the analysis and classification of biomedical data using various techniques, including classical methods such as naive Bayes classifiers, and nearest neighbor using artificial intelligence methods including SVM classifiers and multilayer perceptron.
Źródło:
Pomiary Automatyka Kontrola; 2012, R. 58, nr 4, 4; 369-371
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
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:
The dedicated decision support system in recognition of some uncertain disease entities
Autorzy:
Porwik, P.
Powiązania:
https://bibliotekanauki.pl/articles/333041.pdf
Data publikacji:
2009
Wydawca:
Uniwersytet Śląski. Wydział Informatyki i Nauki o Materiałach. Instytut Informatyki. Zakład Systemów Komputerowych
Tematy:
rozpoznawanie obrazu
klasyfikacja danych
sieci neuronowe
systemy wspomagania decyzji
image recognition
data classification
neural network
decision support systems
Opis:
This work presents the principles of image recognition, where quality-based methods are applied. The neural networks and additional software have been proposed. This goal was achieved by using non-parametric recognition algorithms. In this paper the two-state hybrid classification method has been proposed, where artificial intelligence algorithm is included. In recognition process, the learning method, selection and optimization of diagnostic parameters have been introduced. The integrated part of the classifier structure is voting mechanism, which indicates incorrect states of the system – for example the unrecognized images. Effectiveness of the system has been shown by means of examples, where ambiguous data have been incorporated – it is very often a practice of medical diagnostics.
Źródło:
Journal of Medical Informatics & Technologies; 2009, 13; 97-100
1642-6037
Pojawia się w:
Journal of Medical Informatics & Technologies
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Wykorzystanie perceptronu wielowarstwowego do wyszczególniania obiektów o znaczeniu orientacyjnym na mapach topograficznych
The use of a multilayer perceptron for specifying the landmarks on topographic maps
Autorzy:
Pokonieczny, K.
Powiązania:
https://bibliotekanauki.pl/articles/345795.pdf
Data publikacji:
2016
Wydawca:
Polskie Towarzystwo Informacji Przestrzennej
Tematy:
sztuczne sieci neuronowe
obiekty orientacyjne
klasyfikacja obiektów przestrzennych
artificial neural networks
landmarks
spatial data classification
Opis:
W artykule została poruszona problematyka wyboru obiektów o znaczeniu orientacyjnym tj. trwałych obiektów i przedmiotów sytuacyjnych, które łatwo rozpoznać w terenie i według których dokładnie i szybko można określić swoje położenie. Do ich wyszczególniania, wykorzystano sztuczne sieci neuronowe (a konkretnie perceptron wielowarstwowy). W artykule opisano zarówno sposób doboru najwłaściwszej architektury sieci neuronowej, jak i wprowadzane do niej dane wejściowe (parametry opisujące obiekt oraz jego otoczenie). Testy przeprowadzono dla obszaru 4 arkuszy Wojskowej Mapy Topograficznej w skali 1:50 000. Przeanalizowano 4 klasy obiektów (komin, krzyż przydrożny, pomnik i punkt wysokościowy). W celu wyboru odpowiedniej architektury sieci, wykonano sprawdzenie krzyżowe, polegające na podziale próby uczącej na 3 części (uczącą, testową i walidacyjną). Pozwoliło to na wybór 10 najlepszych sieci, które zostały połączone w zespół sztucznych sieci neuronowych. Ponadto przeprowadzono globalną analizę wrażliwości, co pomogło określić, które zmienne mają największy wpływ na możliwość zakwalifikowania obiektu do grupy obiektów orientacyjnych. Wdrożenie sieci wykonano na bazie zbioru danych testowych znajdujących się na obszarze sąsiedniego arkusza mapy. Wyniki wskazują, że przygotowana sieć neuronowa we właściwy sposób potrafiła wyszczególnić obiekt o znaczeniu orientacyjnym. Najwyższy współczynnik nadawany był wysokim, odosobnionym obiektom, co było zgodne ze sposobem nauczania sieci neuronowej. Zastosowanie ciągłej funkcji aktywacji pozwoliło na wyznaczenie współczynnika w ciągłym przedziale od 0 do 1. W zaprezentowanych w artykule przykładach wykorzystane zostały dane przestrzenne pochodzące z Vector Map Level 2 i mapy w skali 1 : 50 000.
The presented article concerns the issue of landmarks selection i.e. solid objects and situational items that may be easily identified in the field. To specify them the artificial neural networks (a multi-layer perceptron) have been used. The article describes both, how to select the most appropriate neural network architecture and input data (attribute and spatial) which are entered to the network. The tests have been performed for the area of 4 sheets of the Military Topographic Map at 1:50 000 scale. 4 classes of objects have been analyzed (a chimney, a wayside cross, a monument and an elevation spot). To select the appropriate network architecture the cross-validation has been performed. The learning sample has been divided into 3 parts (one learning, one testing and one validation sample). This allowed to select the top 10 networks. In addition a global sensitivity analysis was conducted, which helped to determine variables with the greatest impact on the results. Implementation of the network was made based on a test data set, located in the area of the adjacent map sheets. The results showed that the neural network was able to correctly specify a landmark. The highest index was assigned to high, isolated objects, which was in line with the way of teaching the neural network. The usage of a continuous activation function allowed to determine the index in the continuous range 0 to 1. The spatial data from the Vector Map Level 2 and the Military Topographic Map at 1:50 000 scale have been used for studies described in this article.
Źródło:
Roczniki Geomatyki; 2016, 14, 3(73); 397-405
1731-5522
2449-8963
Pojawia się w:
Roczniki Geomatyki
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Klasyfikatory neuronowe typu SVM w zastosowaniu do klasyfikacji przemieszczeń pionowych na obszarze LGOM
SVM neural classifiers used for classifying vertical displacements in the Legnica-Głogów Copper Mining Area
Autorzy:
Mrówczyńska, M.
Powiązania:
https://bibliotekanauki.pl/articles/394109.pdf
Data publikacji:
2014
Wydawca:
Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Tematy:
sieci neuronowe SVM
klasyfikacja
przemieszczenia pionowe
SVM neural networks
classification
vertical displacements
Opis:
W prezentowanym artykule przedstawiono podstawowe zasady budowania i uczenia sieci neuronowych SVM (ang. Support Vector Machine) zwane inaczej metodą (techniką) wektorów podtrzymujących. Sieci SVM znajdują głównie zastosowanie w rozwiązywaniu zadań klasyfikacji danych separowalnych i niesparowalnych liniowo oraz zadań regresji. W ostatnich latach zakres zastosowań tego typu sieci został poszerzony i sieci rozwiązują również takie problemy jak rozpoznawanie sygnałów i obrazów, identyfikacja mowy oraz diagnostyka medyczna. W pracy sieci nieliniowe SVM wykorzystano do klasyfikacji danych nieseparowalnych liniowo w postaci przemieszczeń punktów sieci pomiarowo-kontrolnej reprezentujących obszar, na którym prowadzona jest eksploatacja górnicza. Uczenia sieci neuronowej SVM wymaga implementacji programowania kwadratowego w poszukiwaniu punktu optymalnego funkcji Lagrange'a względem optymalizowanych parametrów. W przypadku danych nieseparowalnych liniowo, metoda SVM pozwala na znalezienie hiperpłaszczyzny, która klasyfikuje obiekty na tyle poprawnie, na ile jest to możliwe i jednocześnie przebiega możliwe daleko od typowych skupień dla każdej z klas. Za pomocą metody SVM można również znaleźć krzywoliniową granicę separacji o dużym marginesie separacji, wykorzystując zabieg podniesienia wymiarowości. Jakość uzyskanych wyników separacji jest uzależniona od przyjętej postaci funkcji jądra.
This article presents basic rules for constructing and training SVM neural networks. SVM neural networks are mainly used for solving tasks involving the classification of linearly and non-linearly separable data, as well as regression tasks. In recent years, the application of these types of networks has expanded, and now they are also used for solving problems such as recognition of signals and pictures, speech identification, and in medical diagnostics. In this analysis non-linear SVM networks were used for classifying linearly non-separable data in the form of vertical displacements of points representing a mining area in a measurement and control network. Training an SVM neural network requires the use of quadrant programming in search of an optimum point of a Lagrangian function in relation to the parameters which are being optimised. In the case of linearly non-separable data, the SVM method makes it possible to find a hyper plane which classifies objects as correctly as possible, and at the same time is located far enough from concentrations typical of each class. By means of raising dimensionality, the SVM method can also be used to find a curvilinear separation boundary with a wide separation margin. The quality of the results obtained depends on the adopted form of the kernel function.
Źródło:
Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN; 2014, 86; 69-81
2080-0819
Pojawia się w:
Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The SVM method as an instrument for the classification of vertical displacements
Autorzy:
Mrówczyńska, M.
Powiązania:
https://bibliotekanauki.pl/articles/106759.pdf
Data publikacji:
2015
Wydawca:
Politechnika Warszawska. Wydział Geodezji i Kartografii
Tematy:
neural networks
classification
vertical displacements
sieci neuronowe
klasyfikacja
przemieszczenia pionowe
Opis:
The article presents the basic rules for constructing and training neural networks called the Support Vector Machine method as well as possible applications for this kind of network. SVM networks are mainly used for solving tasks of classifying linearly and non-linearly separable data and regression. However, in recent years more applications have been found for them. The networks also solve such problems as the recognition of signals and images as well as speech identification.In this paper, non-linear SVM networks have been used for classifying linearly separable and non-separable data with a view to formulating a model of displacements of points in a measurement-control network. The points of the measurement-control network were placed on a civil engineering object located on expansive soil (linearly separable data) and represented a mining exploitation area (linearly non-separable data). The task of training SVM networks requires the use of quadratic programming in search of an optimum point of the Lagrangian function in relation to the parameters being optimised. In the case of linearly non-separable data, the SVM method makes it possible to find a hyperplane which classifies objects as correctly as possible, and at the same time is located possibly far away from concentrations typical of each class.
Źródło:
Reports on Geodesy and Geoinformatics; 2015, 98; 18-27
2391-8365
2391-8152
Pojawia się w:
Reports on Geodesy and Geoinformatics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Klasyfikacja mikroskopowych obrazów skał przy wykorzystaniu sieci neuronowych
Classification of the microscopic images of rocks with the use of neural networks
Autorzy:
Młynarczuk, M.
Bielecka, M.
Ślipek, B.
Powiązania:
https://bibliotekanauki.pl/articles/394187.pdf
Data publikacji:
2014
Wydawca:
Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Tematy:
automatyczna klasyfikacja skał
obrazy mikroskopowe
sieci neuronowe
sztuczna inteligencja
SOM
MLP
LVQ
automatic classification of rocks
microscopic images
neural networks
artificial intelligence
Opis:
Klasyfikacja skał stanowi ważny aspekt w wielu zagadnieniach górnictwa i geologii inżynierskiej. Automatyzacja procesu klasyfikacji mikroskopowych obrazów skał może przyczynić się do usprawniania przetwarzania ogromnych zbiorów fotografii skał, poprzez jego przyspieszenie i wyeliminowanie wpływu subiektywnej oceny obserwatora na końcowy wynik klasyfikacji. Podczas pierwszego etapu badan opisanych w tym artykule wykorzystano zbiór 2700 mikroskopowych obrazów szlifów cienkich 9 skał, różniących się od siebie cechami petrograficznymi. Próbki skał zostały opisane 13-wymiarowym wektorem cech. Przy użyciu trzech różnych sieci neuronowych: dwuwarstwowej sieci jednokierunkowej (multi-layer feed-forward perceptron, MLP), samoorganizującej mapy Kohonena (self organizing Kohonen maps, SOM) oraz kwantyzacji wektorowej (learning vector quantization, LVQ), fotografie, po wcześniejszym treningu sieci odseparowanymi podzbiorami próbek, zostały poddane procesowi automatycznej klasyfikacji. Stukrotne powtarzanie losowania podzbiorów wykorzystywanych do treningu sieci oraz powtarzanie algorytmu uczenia sieci i rozpoznawania zdjęć pozwoliło na uzyskanie statystycznie wiarygodnych wyników, których wartość średnia wyniosła 99,4%. Następnie zbiór skał został zwiększony do łącznej wielkości 6300 zdjęć reprezentujących 21 różnych skał, a badania zostały powtórzone z zachowanie wektora cech oraz parametrów nauki sieci. Wynik średni poprawnych klasyfikacji dla powiększonego zbioru obrazów wyniósł 98,30%.
Rock classification is an inherent part of numerous aspects of geology and engineering geology. Automating the classification of the microscopic images of rocks may result in improvements in analyzing vast sets of rocks' images by speeding up their recognition and eliminating the influence of the observer's subjective judgment in the final classification results. A set of 2,700 microscopic images of thin sections of 9 rocks, which differ in petrographic features, was used during the first step of the study described in the following article. Samples were displayed in a thirteen-dimensional feature space. With the use of three different neural networks multi-layer feed-forward perceptron (MLP), self-organizing Kohonen maps (SOM), and learning vector quantization (LVQ) ? images were subjected to an automated classification process preceded by the network's training with the use of isolated subset samples. Centuple repetition of subset drawings, which were used to train the network by repeating the self-learning network and images recognition algorithm, led to the achievement of statistically trustworthy results with a mean at the level of 99.4 %, and for the best drawing at 99.71%. Afterwards, the rocks set was extended to a total volume of 6,300 images of 21 different rocks, and the test was repeated preserving the feature space and self-learning network parameters. The average score of correct classifications for the extended images set was 98.30%, with the best score at 98.95%.
Źródło:
Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN; 2014, 86; 27-38
2080-0819
Pojawia się w:
Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Projekt wytycznych kształtowania sieci dróg
Draft guidelines for formation of the road network
Autorzy:
Michalski, Lech
Powiązania:
https://bibliotekanauki.pl/articles/2057748.pdf
Data publikacji:
2020
Wydawca:
Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej
Tematy:
sieć drogowa
planowanie sieci
klasyfikacja dróg
road network
network planning
road classifications
Opis:
W ramach zbioru projektów wytycznych projektowania dróg i ulic opracowano „Wytyczne kształtowania sieci dróg” w zakresie wymagań podstawowych. W artykule wskazano na wybrane kierunki zmian w kształtowaniu struktury sieci drogowej zachodzące w praktyce zagranicznej oraz przedstawiono kluczowe elementy projektu wytycznych. Do elementów tych zaliczono: ogólne wymagania planowania sieci drogowej, klasyfikacje jednostek osadniczych i obiektów jako generatorów ruchu, standardy dostępności jednostek osadniczych i nieruchomości, system drogowych połączeń jednostek osadniczych i nieruchomości, kształtowanie struktury funkcjonalnej sieci drogowej i kształtowanie struktury technicznej sieci drogowej.
As part of the set of draft guidelines for the design of roads and streets, “Guidelines for the formation of the road network” were developed in the scope of basic requirements. The article indicates selected directions of changes in formation the structure of the road network taking place in foreign practice and presents the key elements of the draft guidelines. These elements include: general requirements for road network planning, classifications of settlement units and objects as traffic generators, standards for the availability of settlement units and real estate, a system of road connections between settlement units and real estate, formation the functional structure of the road network and formation the technical structure of the road network.
Źródło:
Drogownictwo; 2020, 12; 339--344
0012-6357
Pojawia się w:
Drogownictwo
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Porównanie modeli LeNet-5, AlexNet i GoogLeNet w rozpoznawaniu pisma ręcznego
Comparison of LeNet-5, AlexNet and GoogLeNet models in handwriting recognition
Autorzy:
Michalski, Bartosz
Plechawska-Wójcik, Małgorzata
Powiązania:
https://bibliotekanauki.pl/articles/2086218.pdf
Data publikacji:
2022
Wydawca:
Politechnika Lubelska. Instytut Informatyki
Tematy:
konwolucyjne sieci neuronowe
klasyfikacja pisma odręcznego
convolutional neural networks
handwriting classification
Opis:
Celem badania było porównanie dokładności rozpoznawania pisma odręcznego oraz czasu potrzebnego na klasyfikację danych ze zbiorów testowych. Do badań wykorzystano architektury Lenet-5, AlexNet i GoogLeNet. Wszystkie wybra-ne architektury są modelami konwolucyjnych sieci neuronowych. Badania przeprowadzono z wykorzystaniem baz obrazów odręczenie pisanych cyfr MNIST i odręcznie pisanych liter EMNIST. Po wykonaniu badań stwierdzono, że największą dokładnością wykazał się model GoogLeNet, a najmniejszą LeNet-5. Natomiast najmniej czasu na wykona-nie zadania potrzebował model LeNet-5, a najwięcej GoogLeNet. Na podstawie otrzymanych wyników stwierdzono, że zwiększanie złożoności modelu wpływa pozytywnie na dokładność klasyfikacji obiektów, ale znacznie zwiększa zapo-trzebowanie na zasoby komputera.
The aim of the study was to compare the accuracy of handwriting recognition and the time needed to classify data from the test sets. The Lenet-5, AlexNet and GoogLeNet architectures were used for the research. All selected architectures are models of convolutional neural networks. The research was carried out with the use of image databases, handwritten digits MNIST and handwritten letters EMNIST. After the tests, it was found that the GoogLeNet model showed the highest accuracy, and the LeNet-5 the lowest. However, the LeNet-5 model needed the least time to complete the task, and GoogLeNet the most. On the basis of the obtained results, it was found that increasing the complexity of the model positively influences the accuracy of object classification, but significantly increases the demand for computer re-sources.
Źródło:
Journal of Computer Sciences Institute; 2022, 23; 145--151
2544-0764
Pojawia się w:
Journal of Computer Sciences Institute
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 40

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