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 network" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Wykorzystanie sieci neuronowej Kohonena do wizualizacji danych MPG
    Use of Kohonen neural network in MPG data visualisation
    Autorzy:
    Oszutowska-Mazurek, D. A.
    Powiązania:
    https://bibliotekanauki.pl/articles/135818.pdf
    Data publikacji:
    2016
    Wydawca:
    Wyższa Szkoła Techniczno-Ekonomiczna w Szczecinie
    Tematy:
    sieć neuronowa Kohonena
    samoorganizujące się mapy
    SOM
    wizualizacja danych
    dane MPG
    Kohonen neural network
    self organizing map
    Opis:
    Wstęp i cel: Zastosowanie sieci neuronowych Kohonena zapewnia zmniejszenie wielowymiarowości danych. Wizualizacja w postaci map samoorganizujących się (SOM) jest użytecznym narzędziem do wstępnego kastrowania (grupowania) danych. Materiał i metody: Wizualizację przeprowadzona dla rzeczywistych danych, udostępnionych przez uniwersytet w Kalifornii za pomocą oprogramowania SNNS v.4.3. Głównym celem pracy jest zastosowanie sieci neuronowych Kohonena zapewniające zmniejszenie wielowymiarowości danych. Wyniki: Otrzymano wizualizacje danych wskazujące jednoznacznie na dodatnie i ujemne korelacje danych MPG. Wniosek: Mapy samoorganizujące się mogą być dedykowane wizualizacji danych wielowymiarowych jednak wyniki zależą od sposobu mapowania danych wejściowych, zwłaszcza o charakterze jakościowym, nawet jeśli stosowana jest normalizacja każdego z parametrów.
    Introduction and aim: The use of Kohonen neural network ensures the decrease of data multidimensionality. Visualisation called Self organized maps is useful tool for preliminary data clustering. Material and methods: The visualisation of real data set was obtained with the use of program SNNS v.4.3 for real dataset from California University. The main aim of this paper is the use of Kohonen neural network to ensure the reduction of multidimensional data. Results: Obtained visualisations of data indicate unambiguously positive and negative correlations for MPG data Conclusion: Self organising maps could be dedicated to multidimensional data visualisation and preliminary quality assessment, but the results depend on the mapping method of input data, especially quantity type, even if normalisation of every parameter is provided.
    Źródło:
    Problemy Nauk Stosowanych; 2016, 4; 19-30
    2300-6110
    Pojawia się w:
    Problemy Nauk Stosowanych
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Fast and Energy Efficient Learning Algorithm for Kohonen Neural Network Realized in Hardware
    Autorzy:
    Kolasa, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/386951.pdf
    Data publikacji:
    2012
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    sieci neuronowe
    CMOS
    WBAN
    zoptymalizowany proces uczenia
    niskie zużycie energii
    Kohonen neural network
    CMOS implementation
    optimized learning process
    low energy consumption
    Opis:
    A new fast energy efficient learning algorithm suitable for hardware implemented Kohonen Self-Organizing Map (SOM) is proposed in the paper. The new technique is based on a multistage filtering of the quantization error. The algorithm detects such periods in the learning process, in which the quantization error is decreasing (the ‘activity’ phases), which can be interpreted as a progress in training, as well as the ‘stagnation’ phases, in which the error does not decrease. The neighborhood radius is reduced by 1 always just after the training process enters one of the ‘stagnation’ phases, thus shortening this phase. The comprehensive simulations on the software model (in C++) have been carried out to investigate the influence of the proposed algorithm on the learning process. The learning process has been assessed by the used of five criteria, which allow assessing the learning algorithm in two different ways i.e., by expressing the quality of the vector quantization, as well as the topographic mapping. The new algorithm is able to shorten the overall training process by more than 90% thus reducing the energy consumed by the SOM also by 90%. The proposed training algorithm is to be used in a new high performance Neuroprocessor that will find a broad application in a new generation of Wireless Body Area Networks ( WBAN) used in the monitoring of the biomedical signals like, for example, the Electrocardiogram (ECG) signals.
    Źródło:
    Acta Mechanica et Automatica; 2012, 6, 3; 52-57
    1898-4088
    2300-5319
    Pojawia się w:
    Acta Mechanica et Automatica
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of the kohonen neural network in analysis of the measurement results of the polarization mode dispersion
    Zastosowanie sieci neuronowej kohonena do analizy wników pomiaru dyspersji polaryzacyjnej
    Autorzy:
    Torbus, S.
    Kolasa, M.
    Długosz, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/389807.pdf
    Data publikacji:
    2010
    Wydawca:
    Politechnika Bydgoska im. Jana i Jędrzeja Śniadeckich. Wydawnictwo PB
    Tematy:
    dyspersja polaryzacyjna
    metoda interferometryczna pomiaru PMD
    analiza statystyczna wyników pomiarów
    sieć neuronowa Kohonena
    polarization mode dispersion
    interferometric method for measuring PMD
    statistical analysis
    Kohonen neural Network
    Opis:
    This paper presents a subject of the Polarization Mode Dispersion (PMD). PMD is characteristic for a single mode optical fiber transmission. Several aspects have been presented in the paper, such as the interferometric method for measuring the PMD, as well as the statistical analysis of the measurement results contrasted with the analysis of the same results by use of the Kohonen neural network (KNN).
    W pracy omówiono zagadnienie dyspersji polaryzacyjnej – PMD (ang. Polarization Mode Dispersion), która jest charakterystyczna dla transmisji z wykorzystaniem jednomodowego włókna światłowodowego. Przedstawiono również interferometryczną metodę pomiaru współczynnika dyspersji polaryzacyjnej, statystyczną analizę rzeczywistych wyników pomiaru oraz analizę tych samych wyników pomiaru za pomocą sieci neuronowej Kohonena.
    Źródło:
    Zeszyty Naukowe. Telekomunikacja i Elektronika / Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy; 2010, 13; 55-66
    1899-0088
    Pojawia się w:
    Zeszyty Naukowe. Telekomunikacja i Elektronika / Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy
    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
      Wyświetlanie 1-4 z 4

      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