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 "SOM Kohonena" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-6 z 6
    Tytuł:
    Rozwój przedsiębiorczości technologicznej w Polsce. Studium porównawcze przedsiębiorstw KET oraz ICT
    Development of technological entrepreneurship in Poland. comparative study of KET and ICT enterprises
    Autorzy:
    Rostek, Katarzyna
    Skala, Agnieszka
    Powiązania:
    https://bibliotekanauki.pl/articles/590330.pdf
    Data publikacji:
    2016
    Wydawca:
    Uniwersytet Ekonomiczny w Katowicach
    Tematy:
    Analiza skupień Warda
    Kluczowe technologie wspomagające
    Przedsiębiorczość technologiczna
    Przedsiębiorstwa wysokiej techniki
    Segmentacja
    SOM Kohonena
    Cluster analysis Ward
    High-tech ventures
    Key enabling technologies
    Segmentation
    SOM Kohonen
    Technology entrepreneurship
    Opis:
    Rozwój przedsiębiorczości technologicznej w Polsce wymaga inwestowania i efektywnego wspierania przedsiębiorstw, których działania koncentrują się w obszarze wysokich technologii (HT) oraz kluczowych technologii wspomagających (KET). Klasyfikacja podmiotów do jednej z tych grup jest poważnym wyzwaniem, które wymaga dopracowania zarówno definicji, jak i narzędzi wspomagających. Celem jest osiągnięcie takiej precyzji identyfikacji i typologizacji przedsiębiorstw, które zagwarantują właściwe ukierunkowanie celowych środków pomocy oraz stałe monitorowanie postępów ich rozwoju. W niniejszym opracowaniu zaprezentowano wyniki analizy przeprowadzonej dla trzech grup przedsiębiorstw – producentów oprogramowania w branży informatycznej (ICT), producentów wyrobów wysokiej techniki (HT) oraz twórców kluczowych technologii wspomagających (KET). Na tej podstawie wskazano cechy charakteryzujące przedsiębiorstwa o wysokim potencjale rozwoju oraz przygotowano rekomendacje dotyczące istotnych wyróżników tego potencjału, które stanowią elementy oceny innych podmiotów, starających się o pomoc i dofinansowanie swojej działalności.
    The development of technological entrepreneurship in Poland requires investment and effective support of companies whose activities are concentrated in the area of high technology (HT) and key enabling technologies (KETs). The classification of entities into one of these groups is a major challenge that should be developed in both areas of definition and supporting tools. The aim is to achieve such precision in identification and typology of companies that ensure proper targeting of support activities and constant monitoring of the development progress. This paper presents the results of analysis performed for the three groups of companies – manufacturers of Information Technology (ICT), HT and KETs. On the basis of specified characteristics of companies with high growth potential it has been prepared recommendations for main criteria of this potential, which are elements of the evaluation of other entities are seeking help and financial support of its functioning.
    Źródło:
    Studia Ekonomiczne; 2016, 281; 155-167
    2083-8611
    Pojawia się w:
    Studia Ekonomiczne
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Segmentation Analysis For Polish Digital Startups in Years 2015 and 2016
    Analiza segmentacyjna polskich startupów cyfrowych w latach 2015–2016
    Autorzy:
    Rostek, Katarzyna
    Skala, Agnieszka
    Powiązania:
    https://bibliotekanauki.pl/articles/2179638.pdf
    Data publikacji:
    2018-06-30
    Wydawca:
    Uniwersytet Warszawski. Wydawnictwo Naukowe Wydziału Zarządzania
    Tematy:
    startup
    segmentation
    clustering
    SOM Kohonen
    characteristics
    digital
    segmentacja
    klasteryzacja
    sieci Kohonena
    charakterystyki
    technologie cyfrowe
    Opis:
    The largest study of the digital industry in Poland has been run since 2015 by the Startup Poland Foundation in cooperation with the researchers from the Warsaw University of Technology. Such studies are not easy to carry out because of the heterogeneity of the definitions of basic concepts, including the definition of a startup. This article presents a comparison of examples of this type of study carried out worldwide and identifies the main differences between them. On the basis of the data obtained from the Foundation’s research, a segmentation and comparative analysis of Polish startups was carried out, the results of which are presented in this article. Six main differentiating features of the defined segments were identified, of which the production of hardware by startups and cooperation with academia were of particular interest.
    Największe badanie startupów branży cyfrowej w Polsce od 2015 r. wykonuje fundacja Startup Poland we współpracy z naukowcami z Politechniki Warszawskiej. Badania takie nie są łatwe do zrealizowania ze względu na niejednorodność definicji podstawowych pojęć, w tym definicji startupu. W artykule przedstawiono zestawienie przykładowych badań tego typu, wykonywanych na świecie i wskazano główne różnice, jakie między nimi występują. Na podstawie danych otrzymanych w ramach badań fundacji, przeprowadzono analizę segmentacyjną i porównawczą polskich startupów, której wyniki zaprezentowano w artykule. Zidentyfikowano sześć głównych cech różnicujących poszczególne segmenty, wśród których na szczególną uwagę zasługuje fakt produkowania przez startupy hardware’u oraz prowadzenie współpracy z nauką.
    Źródło:
    Studia i Materiały; 2018, 1(26); 55-67
    1733-9758
    Pojawia się w:
    Studia i Materiały
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    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:
    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:
    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:
    A class of neuro-computational methods for assamese fricative classification
    Autorzy:
    Patgiri, C.
    Sarma, M.
    Sarma, K. K.
    Powiązania:
    https://bibliotekanauki.pl/articles/91763.pdf
    Data publikacji:
    2015
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    neuro-computational classifier
    fricative phonemes
    Assamese language
    Recurrent Neural Network
    RNN
    neuro fuzzy classifier
    linear prediction cepstral coefficients
    LPCC
    self-organizing map
    SOM
    adaptive neuro-fuzzy inference system
    ANFIS
    klasyfikator neuronowy
    klasyfikator neuronowo rozmyty
    sieć Kohonena
    Opis:
    In this work, a class of neuro-computational classifiers are used for classification of fricative phonemes of Assamese language. Initially, a Recurrent Neural Network (RNN) based classifier is used for classification. Later, another neuro fuzzy classifier is used for classification. We have used two different feature sets for the work, one using the specific acoustic-phonetic characteristics and another temporal attributes using linear prediction cepstral coefficients (LPCC) and a Self Organizing Map (SOM). Here, we present the experimental details and performance difference obtained by replacing the RNN based classifier with an adaptive neuro fuzzy inference system (ANFIS) based block for both the feature sets to recognize Assamese fricative sounds.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2015, 5, 1; 59-70
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-6 z 6

      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