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 "backpropagation networks" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Wykorzystanie transformacji log-Hough’a do tworzenia reprezentacji obrazu dla klasyfikatora neuronowego
    Log-Hough based image representation for the neural classifier
    Autorzy:
    Piekarski, P.
    Mikrut, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/130564.pdf
    Data publikacji:
    2007
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    fotogrametria
    reprezentacja obrazu
    log-polar
    log-Hough
    wzajemne dopasowanie
    sieci backpropagation
    photogrammetry
    image representation
    mutual matching
    backpropagation networks
    Opis:
    Artykuł przedstawia metodę tworzenia reprezentacji fragmentu obrazu oparta o transformacje log-polar i log-Hough’a. Transformacje te są uważane za uproszczone modele biologicznych systemów wizyjnych. Reprezentacje obrazu stanowią rzuty przestrzeni log-Hough’a na osie: katów i promieni. Tak utworzone wektory stanowią wejście do sieci neuronowej typu backpropagation. Zadaniem sieci jest klasyfikacja reprezentacji obrazów na „korzystne” i „niekorzystne” z punktu widzenia późniejszego dopasowywania, którego celem jest automatyczna orientacja wzajemna zdjęć fotogrametrycznych. Badano sieci z jedna warstwa ukryta o zmiennej liczbie elementów. Najlepsze sieci rozpoznały zbiór testowy na poziomie 70%.
    In the present paper, the method for generation of the sub-image representation is presented. The method is based on log-polar and log-Hough transforms. These transforms are considered to be very simplified models of the biological visual systems. The projections of the log- Hough space onto the two axes (the angles and the radii ones) are taken as the sub-image representation. These vectors form an input to the backpropagation neural network. The network task is to classify the sub-images as “advantageous” or “non-advantageous” from the subsequent mutual matching point of view. Several networks which have a variable number of neurons in one hidden layer have been tested. The best recognition rates about 70% (test set) have been obtained.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2007, 17b; 639-647
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    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:
    Membership function - ARTMAP neural networks
    Autorzy:
    Sinčák, P.
    Hric, M.
    Vaščák, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/1931570.pdf
    Data publikacji:
    2003
    Wydawca:
    Politechnika Gdańska
    Tematy:
    pattern recognition principles
    classifier design
    classification accuracy assessment
    contingency tables
    backpropagation neural networks
    fuzzy BP neural networks
    ART and ARTMAP neural networks
    modular neural networks
    neural networks
    Opis:
    The project deals with the application of computational intelligence (CI) tools for multispectral image classification. Pattern Recognition scheme is a global approach where the classification part is playing an important role to achieve the highest classification accuracy. Multispectral images are data mainly used in remote sensing and this kind of classification is very difficult to assess the accuracy of classification results. There is a feedback problem in adjusting the parts of pattern recognition scheme. Precise classification accuracy assessment is almost impossible to obtain, being an extremely laborious procedure. The paper presents simple neural networks for multispectral image classification, ARTMAP-like neural networks as more sophisticated tools for classification, and a modular approach to achieve the highest classification accuracy of multispectral images. There is a strong link to advances in computer technology, which gives much better conditions for modelling more sophisticated classifiers for multispectral images.
    Źródło:
    TASK Quarterly. Scientific Bulletin of Academic Computer Centre in Gdansk; 2003, 7, 1; 43-52
    1428-6394
    Pojawia się w:
    TASK Quarterly. Scientific Bulletin of Academic Computer Centre in Gdansk
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Evaluation of rockburst potential in kimberlite using fruit fly optimization algorithm and generalized regression neural networks
    Ocena stanu zagrożenia tąpania i wyrzutów skał w kimeberlite z wykorzystaniem algorytmu muszki owocowej i sieci neuronowej realizującej uogólnioną regresję (GRNN)
    Autorzy:
    Pu, Yuanyuan
    Apel, Derek B.
    Pourrahimian, Yashar
    Chen, Jie
    Powiązania:
    https://bibliotekanauki.pl/articles/219162.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    ocena możliwości wystąpienia wyrzutów skał
    sieć neuronowa realizująca regresję uogólnioną (GRNN)
    algorytm muszki owocowej
    sieć neuronowa realizującą propagację wsteczną (BPNN)
    rockburst potential evaluation
    generalized regression neural networks (GRNN)
    fruit fly algorithm
    backpropagation neural network (BPNN)
    Opis:
    Rockburst is a common engineering geological hazard. In order to evaluate rockburst liability in kimberlite at an underground diamond mine, a method combining generalized regression neural networks (GRNN) and fruit fly optimization algorithm (FOA) is employed. Based on two fundamental premises of rockburst occurrence, depth, σθ, σc, σt, B1, B2, SCF, Wet are determined as indicators of rockburst, which are also input vectors of GRNN model. 132 groups of data obtained from rockburst cases from all over the world are chosen as training samples to train the GRNN model; FOA is used to seek the optimal parameter σ that generates the most accurate GRNN model. The trained GRNN model is adopted to evaluate burst liability in kimberlite pipes. The same eight rockburst indicators are acquired from lab tests, mine site and FEM model as test sample features. Evaluation results made by GRNN can be confirmed by a rockburst case at this mine. GRNN do not require any prior knowledge about the nature of the relationship between the input and output variables and avoid analyzing the mechanism of rockburst, which has a bright prospect for engineering rockburst potential evaluation.
    Tąpnięcia skał są powszechnym i ogólnie znanym zagrożeniem dla środowiska geologicznego oraz dla budowli. Do oceny skłonności skał do tąpania w podziemnej kopalni diamentów w Kimberlite zastosowano metodę stanowiącą połączenie sieci neuronowych realizujących uogólnioną regresję i algorytm muszki owocowej. W oparciu o dwie podstawowe przesłanki wystąpienia tąpnięcia, głębokość oraz σθ, σc, σt, wielkości B1, B2, SCF, Wet określone zostały jako wskaźniki wystąpienia tąpnięcia i następnie wy-korzystane jako wektory wejściowe w modelu sieci neuronowych GRNN. Zestawiono 132 zbiory danych o przypadkach tapnięć z całego świata i wykorzystano je jako zbiory uczące dla modelu sieci neuronowej realizującej uogólnioną regresję. Algorytm muszki owocowej wykorzystano do znalezienia optymalnej wartości parametru σ który umożliwi wygenerowanie najbardziej dokładnego modelu sieci neuronowej GRNN. Po treningu, model sieci GRNN wykorzystany został do oceny możliwości wystąpienia tąpnięcia w Kimberlite. Te same osiem wskaźników oceny skłonności wyrzutowej skały otrzymano na podstawie badań laboratoryjnych, z analiz prowadzonych w kopalni oraz w oparciu o metodę elementów skończonych, wyniki te wykorzystano następnie jako próbki danych. Wyniki uzyskane przy zastosowaniu sieci neuronowych realizujących regresję uogólnioną potwierdzone zostały przez wyniki uzyskane w trakcie wyrzutu w kopalni. Metoda sieci neuronowych nie wymaga uprzedniej wiedzy o naturze zależności pomiędzy zmiennymi wejściowymi i wyjściowymi i pozwala uniknąć analiz mechanizmu wyrzutu i tąpnięcia, co jest cechą pożądaną z punktu widzenia inżynierów odpowiedzialnych za ocenę skłonności skał do wyrzutu.
    Źródło:
    Archives of Mining Sciences; 2019, 64, 2; 279-296
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    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