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 networks" wg kryterium: Temat

  Lista filtrów

Dostawca treści

Wyrównaj
Wyświetlanie 1-15 z 16
Tytuł:
Comparison of different types of neuronal nets for failures location within water-supply networks
Porównanie różnych typów sieci neuronowych do lokalizacji awarii w sieciach wodociągowych
Autorzy:
Rojek, I.
Studziński, J.
Powiązania:
https://bibliotekanauki.pl/articles/1365982.pdf
Data publikacji:
2014
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
sieci wodociągowe
modele hydrauliczne sieci
wykrywanie i lokalizacja wycieków wody
sieci neuronowe MLP i Kohonena
water supply networks
network hydraulic models
detection and location of water leaks
MLP and Kohonen neuronal nets
Opis:
W artykule prezentowane są różne typy sieci neuronowych do lokalizacji awarii w sieci wodociągowej. Obecne wykorzystanie systemów monitorowania nie odpowiada ich możliwościom. Współcześnie systemy monitoringu służą jako autonomiczne programy do zbierania informacji o przepływach i ciśnieniach wody w pompowniach źródłowych, hydroforniach strefowych i końcówkach sieci wodociągowej, dając ogólną wiedzę o stanie jej pracy, gdy jednocześnie mogą i powinny być wykorzystane jako elementy IT systemów zarządzania siecią, w tym w szczególności w zakresie wykrywania i lokalizacji wycieków wody. Modele lokalizacji awarii sieci zostały utworzone przy wykorzystaniu jednokierunkowych sieci neuronowych ze wsteczną propagacją błędu typu MLP i sieci Kohonena.
The different types of neuronal nets for failures location within a water-supply network are presented in the paper. The present utilization of the monitoring systems does not exhaust their possibilities. The monitoring systems operated as autonomic programs gather the information about flows and pressures of water in the source pumping stations, in the zones of hydrophore stations and also in some selected pipes of water network, giving general knowledge about state of its work, when simultaneously they could and should be used as elements of IT systems for network management, and particularly regarding detection and location of hidden water leaks. The models of network failures location are created by means of neuronal nets in the form of MLP and Kohonen nets.
Źródło:
Eksploatacja i Niezawodność; 2014, 16, 1; 42-47
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
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
Tytuł:
Deployment of an Agent-based SANET Architecture for Healthcare Services
Autorzy:
Chiu, C.
Chaczko, Z.
Powiązania:
https://bibliotekanauki.pl/articles/226290.pdf
Data publikacji:
2011
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
BDI Agent Framework
Extended Kohonen Maps (EKM)
healthcare infrastructures
Rao-Blackwell filtering
Sensor Actuator Networks (SANETs)
Opis:
This paper describes the adaptation of a computational technique utilizing Extended Kohonen Maps (EKMs) and Rao-Blackwell-Kolmogorov (R-B) Filtering mechanisms for the administration of Sensor-Actuator networks (SANETs). Inspired by the BDI (Belief-Desire-Intention) Agent model from Rao and Georgeff, EKMs perform the quantitative analysis of an algorithmic artificial neural network process by using an indirect-mapping EKM to self-organize, while the Rao-Blackwell filtering mechanism reduces the external noise and interference in the problem set introduced through the self-organization process. Initial results demonstrate that a combinatorial approach to optimization with EKMs and Rao-Blackwell filtering provides an improvement in event trajectory approximation in comparison to standalone cooperative EKM processes to allow responsive event detection and optimization in patient healthcare.
Źródło:
International Journal of Electronics and Telecommunications; 2011, 57, 3; 309-315
2300-1933
Pojawia się w:
International Journal of Electronics and Telecommunications
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Kohonen networks as ships classifier
Autorzy:
Żak, A.
Powiązania:
https://bibliotekanauki.pl/articles/331686.pdf
Data publikacji:
2008
Wydawca:
Polskie Towarzystwo Akustyczne
Tematy:
Kohonen networks
hydroacoustics
ships classifier
Opis:
The paper presents the technique of artifficial neural networks used as classifier of hydroacoustic signatures generated by moving ship. In the paper firstly the method of feature extraction from hydracoustic signatures using calculation of Mel-Frequency Cepstral Coefficients was discussed. Next the mathod of feature matching using for purpose of object classification basing on hydroacoustic signatures was described. The technique of artificial neural networks especially Kohonen networks which belongs to group of self organizing networks where chosen to solve the research problem of classification. the choice was caused by some advantages of mentioned kind of neural networks for example they are ideal for finding relationships amongst complex sets of data, they have possibility to self expand the set answers for new input vectors. To check the correctness of classifier work the research in which the number of right classification for presented and not presented before hydroacoustic signatures were made. some results of research were presented on this paper.
Źródło:
Hydroacoustics; 2008, 11; 467-476
1642-1817
Pojawia się w:
Hydroacoustics
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:
Selekcja podobrazów dla potrzeb dopasowywania zdjęć lotniczych oparta na histogramach gradientu i sieci neuronowej
Selection of sub-images for aerial photographs matching purposes based on gradient distribution and neural networks
Autorzy:
Czechowicz, A.
Mikrut, Z.
Powiązania:
https://bibliotekanauki.pl/articles/131000.pdf
Data publikacji:
2007
Wydawca:
Stowarzyszenie Geodetów Polskich
Tematy:
fotogrametria
wzajemne dopasowanie
algorytm Canny'ego
histogram gradientów
SOM
sieci Kohonena
sieci backpropagation
photogrammetry
mutual matching
Canny edge detector
gradient histogram
Kohonen networks
backpropagation networks
Opis:
Artykuł przedstawia wyniki wykorzystania sieci neuronowych do selekcji podobrazów oraz wyniki wyszukiwania wybranych obszarów na pozostałych zdjęciach z wykorzystaniem rozkładu odpowiedzi dla sieci SOM Kohonena. Zaproponowano reprezentacje fragmentu obrazu oparta na rozkładzie wartości modułu gradientu i jego kierunku. Badania przeprowadzono na dziewięciuset podobrazach zdjęć lotniczych okolic Krakowa o różnym pokryciu terenu podzielonych na trzy kategorie: obszarów korzystnych, pośrednich i niekorzystnych pod względem wyszukiwania cech do orientacji wzajemnej. Dla każdego z obrazów, w oparciu o algorytm Canny’ego, wyznaczono krawędzie. Na podstawie wartości gradientu i kierunków wykrytych krawędzi sporządzono histogram, który następnie posłużył wyznaczeniu reprezentacji podobrazu w postaci profilu kierunku. Tak przygotowana reprezentacje wykorzystano do uczenia sieci neuronowych metoda nadzorowana (backpropagation) oraz nienadzorowana (Kohonena), a następnie do klasyfikacji obszarów nauczonymi sieciami. W przypadku sieci backpropagation miara efektywności klasyfikacji był globalny współczynnik rozpoznania oraz macierz pomyłek. Dla sieci Kohonena wyznaczano współczynnik kompletności i poprawności. Wyniki zestawiono z rezultatami otrzymanymi na drodze uczenia metoda wstecznej propagacji błędów, gdzie generowane na mapie Kohonena odpowiedzi stanowiły sygnał wejściowy dla warstwy backpropagation. W dalszym etapie wytypowane obszary korzystne poszukiwano na sąsiednich obrazach. Wzmocniony funkcja preferująca wysokie wartości rozkład odpowiedzi na mapie cech siec Kohonena, uzyskany dla podobrazów korzystnych, porównywano z rozkładem dla podobrazów o tych samych wymiarach na sąsiednich zdjęciach. Za miarę podobieństwa obszarów przyjęto współczynnik korelacji dla porównywanych odpowiedzi sieci.
This paper describes the application of neural networks for selection of sub-images and the result of the search for the selected areas on the remaining photographs with the utilisation of Kohonen’s SOM network responses distribution. Image fragment representation based on the gradient magnitude values distribution and its direction was proposed. The research was conducted on nine hundred sub-images, taken from aerial photographs of the Cracow’s environs with different terrain cover, divided into three categories: advantageous, intermediate and disadvantageous areas in respect of searching for the features for mutual matching. The edges were detected with Canny algorithm. Based on the gradient values and the directions of the edges, the histogram was created and used to determine the representation of the sub-image in the direction’s profile form. The prepared representation served for teaching the neural network using supervised (backpropagation) and unsupervised (Kohonen) method and later for the classification. For the backpropagation network, the classification effectiveness was measured using the global recognition coefficient and the cooccurrence matrix. For the Kohonen network, the completeness and correctness coefficients were determined. Afterwards, the two networks were put together: the responses generated on the Kohonen map constituted the input signal for the backpropagation layer. In the next step, the adjacent images were sought for the chosen areas. Response distribution on the Kohonen network feature map, amplified with the function preferring the high values, was compared with the distribution for the same size sub-images of the adjacent photographs. To measure the similarity of the subimages, the correlation coefficient to compare network’s responses was used.
Źródło:
Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2007, 17a; 149-158
2083-2214
2391-9477
Pojawia się w:
Archiwum Fotogrametrii, Kartografii i Teledetekcji
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Sensor Actor Network Modeling utilizing the Holonic Architectural Framework
Autorzy:
Chiu, C.
Chaczko, Z.
Moses, P.
Powiązania:
https://bibliotekanauki.pl/articles/226170.pdf
Data publikacji:
2010
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
Extended Kohonen Maps (EKM)
Sensor Actor Networks (SANET)
Wireless Sensor Networks (WSN)
SANET Middleware
POE Classification Model
holonic architecture
Opis:
This paper discusses the results of utilizing advanced EKM modeling techniques to manage Sensor-Actor networks (SANETs) based upon the Holonic Architectural Framework. EKMs allow a quantitative analysis of an algorithmic artificial neural network process by using an indirect-mapping EKM to self-organize from a given input space to administer SANET routing and clustering functions with a control parameter space. Results demonstrate that in comparison to linear approximation techniques, indirect mapping with EKMs provide fluid control and feedback mechanisms by operating in a continuous sensory control space – thus enabling interactive detection and optimization of events in real-time environments.
Źródło:
International Journal of Electronics and Telecommunications; 2010, 56, 1; 49-54
2300-1933
Pojawia się w:
International Journal of Electronics and Telecommunications
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:
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:
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 application of Kohonen networks for identification of leaders in the trade sector in Czechia
Autorzy:
Vrbka, Jaromír
Nica, Elvira
Podhorská, Ivana
Powiązania:
https://bibliotekanauki.pl/articles/22446390.pdf
Data publikacji:
2019
Wydawca:
Instytut Badań Gospodarczych
Tematy:
trade sector
Kohonen networks
leaders in the field
cluster analysis
return on equity
Opis:
Research background: The trade sector is considered to be the power of economy, in developing countries in particular. With regard to the Czech Republic, this field of the national economy constitutes the second most significant employer and, at the same time, the second most significant contributor to GNP. Apart from traditional methods of business analyzing and identifying leaders, artificial neural networks are widely used. These networks have become more popular in the field of economy, although their potential has yet to be fully exploited. Purpose of the article: The aim of this article is to analyze the trade sector in the Czech Republic using Kohonen networks and to identify the leaders in this field. Methods: The data set consists of complete financial statements of 11,604 enterprises that engaged in trade activities in the Czech Republic in 2016. The data set is subjected to cluster analysis using Kohonen networks. Individual clusters are subjected to the analysis of absolute indicators and return on equity which, apart from other, shows a special attraction of individual clusters to potential investors. Average and absolute quantities of individual clusters are also analyzed, which means that the most successful clusters of enterprises in the trade sector are indicated. Findings & Value added: The results show that a relatively small group of enter-prises enormously influences the development of the trade sector, including the whole economy. The results of analyzing 319 enterprises showed that it is possible to predict the future development of the trade sector. Nevertheless, it is also evident that the trade sector did not go well in 2016, which means that investments of owners are minimal.
Źródło:
Equilibrium. Quarterly Journal of Economics and Economic Policy; 2019, 14, 4; 739-761
1689-765X
2353-3293
Pojawia się w:
Equilibrium. Quarterly Journal of Economics and Economic Policy
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:
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:
Zastosowanie samoorganizujących sieci neuronowych Kohonena w klasyfikacji sejsmofacjalnej (rejon Ujkowice - Batycze)
Application of Kohonens Self Organizing Networks in seismofacies classification (the Ujkowice - Batycze area)
Autorzy:
Dzwinel, K.
Haber, A.
Krawiec, D.
Powiązania:
https://bibliotekanauki.pl/articles/184042.pdf
Data publikacji:
2006
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
atrybuty sesjmiczne
analiza sejsmofacjalna
krosskorelacja
samoorganizująca sieć neuronowa Kohonena
seismic attributes
seismofacies analysis
crosscorrelation Kohonen's Self Organizing Networks
Opis:
Artykuł przedstawia zastosowanie samoorganizujących sieci neuronowych Kohonena w klasyfikacji formy zapisu sejsmicznego. Klasyfikacja ta jest jednym z podstawowych elementów analizy sejsmofacjalnej, prowadzącej do wyciągnięcia znaczących wniosków poszukiwawczych. Istotnymi elementami takiej analizy są: wybór atrybutów sejsmicznych oraz użycie właściwego sposobu klasteryzacji. Do klasteryzacji użyto atrybutów AVA, które niosą ze sobą informacje o własnościach petrofizycznych skał. W celu zbadania rozkładu facji sejsmicznej na wybranym obszarze posłużono się dodatkowo innymi metodami wielowymiarowej analizy atrybutów sejsmicznych: klasyfikacją wybranego obszaru krossplotu "intercept-gradient" oraz klasteryzacją wykonaną metodą minimalizującą iloczyn odległości obiektów w wydzielanych grupach. Weryfikacji optymalnej metody klasyfikacji danych dokonano na podstawie obserwacji kształtów klastrów i ich charakterystyk.
This paper presents the application of Kohonen's Self Organizing Networks in classification of seismic waveform. The classification is one of the basic elements of seismofacies analysis and it often leads to significant exploratory conclusions. Important elements of this kind of analysis are: selection of seismic attributes and usage of appropriate clustering method. There were used AVA attributes, which include information about petrophysical properties of rocks. There used two additional multi-dimensional methods to examine seismic facies distribution on selected area: classification of chosen crossplot intercept-gradient area and classification carried out by method which minimizes the product of objects distances in groups. Verification of optimal method for data classification was made based on observation of clusters shape and their characteristic due to insufficient information from wells.
Źródło:
Geologia / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie; 2006, 32, 4; 441-450
0138-0974
Pojawia się w:
Geologia / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie sieci Kohonena i wykresu rozrzutu do identyfikacji grup miodów według ich cech elektrycznych
Application of Kohonen map and a scatter diagram for identification of honey groups according to their electric features
Autorzy:
Łuczycka, D.
Pruski, K.
Powiązania:
https://bibliotekanauki.pl/articles/291382.pdf
Data publikacji:
2012
Wydawca:
Polskie Towarzystwo Inżynierii Rolniczej
Tematy:
miód
właściwości elektryczne
sztuczna sieć neuronowa
sieci Kohonena
honey
electric properties
artificial neuron networks
Kohonen maps
Opis:
Celem pracy jest wykonanie analiz symulacyjnych bazujących na sieci Kohonena i skalowaniu wielowymiarowym, oraz możliwość zastosowania tych technik do identyfikacji grup miodów odmianowych pod względem cech elektrycznych. Przebadano przenikalność elektryczną, współczynnik strat dielektrycznych oraz przewodność szesnastu gatunków miodów (spadziowe i nektarowe). W wyniku przeprowadzonych analiz stwierdzono, że sieci Kohonena oraz skalowanie wielowymiarowe są dobrymi narzędziami do określania liczności i składu gatunkowego grup miodów odmianowych. Właściwą architekturą sieci Kohonena tworzącą poprawną mapę topologiczną, dla analizowanych cech miodu, jest mapa zbudowana z 9 neuronów wyjściowych o wymiarach 3x3.
The purpose of the work is to carry out simulation analysis which are based on Kohonen map and multidimensional scaling and the possibility of application of these technologies for identification of cultivar honey groups in relation to their electric properties. Electric conductivity, coefficient of dielectric losses and conductivity of 16 cultivars of honey (honeydew and nectar honey) were researched. As a result of the analysis which was carried out, it was determined that Kohonen map and multidimensional scaling are good devices for determining the number and species composition of cultivar honey groups. A map formed of 9 output neurons of 3x3 dimensions is the proper architecture of Kohonen map which forms a correct topology map for the analysed properties of honey.
Źródło:
Inżynieria Rolnicza; 2012, R. 16, nr 2, t. 2, 2, t. 2; 169-175
1429-7264
Pojawia się w:
Inżynieria Rolnicza
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 16

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