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 "data networks" wg kryterium: Temat

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 73
Tytuł:
A neural system of phonematic transformation
Autorzy:
Podolak, I. T.
Bielecki, A.
Powiązania:
https://bibliotekanauki.pl/articles/1931576.pdf
Data publikacji:
2003
Wydawca:
Politechnika Gdańska
Tematy:
neural networks
input-output data representation
phonematic transformation
Opis:
A common task in speech processing for which neural networks are widely employed is text-to-phoneme conversion. In this paper we propose a novel solution to this problem by combining a multilayer neural network and a modular hybrid system that uses basic rules to subdivide the original problem into easier tasks which are then solved by dedicated neural networks. A hybrid solution can be more rapidly constructed than a single net solution, and is easily extendable. Input data representation is also discussed. A voting committee concept is used to enhance generalization abilities of the system. Efficiency of the proposed systems is compared.
Źródło:
TASK Quarterly. Scientific Bulletin of Academic Computer Centre in Gdansk; 2003, 7, 1; 115-130
1428-6394
Pojawia się w:
TASK Quarterly. Scientific Bulletin of Academic Computer Centre in Gdansk
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A Novel Graph-modification Technique for User Privacy-preserving on Social Networks
Autorzy:
Hamideh Erfani, Seyedeh
Mortazavi, Reza
Powiązania:
https://bibliotekanauki.pl/articles/958060.pdf
Data publikacji:
2019
Wydawca:
Instytut Łączności - Państwowy Instytut Badawczy
Tematy:
graph-modification
social networks
privacypreserving publication of data
graph anonymization
database security
Opis:
The growing popularity of social networks and the increasing need for publishing related data mean that protection of privacy becomes an important and challenging problem in social networks. This paper describes the (k,l k,l k,l)-anonymity model used for social network graph anonymization. The method is based on edge addition and is utility-aware, i.e. it is designed to generate a graph that is similar to the original one. Different strategies are evaluated to this end and the results are compared based on common utility metrics. The outputs confirm that the na¨ıve idea of adding some random or even minimum number of possible edges does not always produce useful anonymized social network graphs, thus creating some interesting alternatives for graph anonymization techniques.
Źródło:
Journal of Telecommunications and Information Technology; 2019, 3; 27-38
1509-4553
1899-8852
Pojawia się w:
Journal of Telecommunications and Information Technology
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A strong and efficient baseline for vehicle re-identification using deep triplet embedding
Autorzy:
Kumar, Ratnesh
Weill, Edwin
Aghdasi, Farzin
Sriram, Parthasarathy
Powiązania:
https://bibliotekanauki.pl/articles/91741.pdf
Data publikacji:
2020
Wydawca:
Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Tematy:
convolutional neural networks
re-identification
triplet networks
siamese networks
embedding
hard data mining
contrastive loss
konwolucyjne sieci neuronowe
sieci triplet
sieci syjamskie
osadzanie
eksploracja danych
Opis:
In this paper we tackle the problem of vehicle re-identification in a camera network utilizing triplet embeddings. Re-identification is the problem of matching appearances of objects across different cameras. With the proliferation of surveillance cameras enabling smart and safer cities, there is an ever-increasing need to re-identify vehicles across cameras. Typical challenges arising in smart city scenarios include variations of viewpoints, illumination and self occlusions. Most successful approaches for re-identification involve (deep) learning an embedding space such that the vehicles of same identities are projected closer to one another, compared to the vehicles representing different identities. Popular loss functions for learning an embedding (space) include contrastive or triplet loss. In this paper we provide an extensive evaluation of triplet loss applied to vehicle re-identification and demonstrate that using the recently proposed sampling approaches for mining informative data points outperform most of the existing state-of-the-art approaches for vehicle re-identification. Compared to most existing state-of-the-art approaches, our approach is simpler and more straightforward for training utilizing only identity-level annotations, along with one of the smallest published embedding dimensions for efficient inference. Furthermore in this work we introduce a formal evaluation of a triplet sampling variant (batch sample) into the re-identification literature. In addition to the conference version [24], this submission adds extensive experiments on new released datasets, cross domain evaluations and ablation studies.
Źródło:
Journal of Artificial Intelligence and Soft Computing Research; 2020, 10, 1; 27-45
2083-2567
2449-6499
Pojawia się w:
Journal of Artificial Intelligence and Soft Computing Research
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Addressing Anticompetitive Data Aggregation: a Comment to Bundeskartellamt Decision B6-22/16
Autorzy:
Skopowska, Laura
Powiązania:
https://bibliotekanauki.pl/articles/2159203.pdf
Data publikacji:
2019-10-29
Wydawca:
Uniwersytet Warszawski. Wydawnictwo Naukowe Wydziału Zarządzania
Tematy:
data aggregation
data-driven markets
platforms
networks
data
information asset
abuse of dominant position
abusive business terms
exclusionary
abuse
exploitative abuse
Opis:
Data aggregation, understood as the process of gathering and combining data in order to prepare datasets that might be useful for specific business or other purposes, is not per se forbidden. However, some forms of it can be considered anticompetitive. In the Decision B6-22/16 of the German Federal Cartel Office (Bundeskartellamt) data aggregation, which included the collection of data from sources outside of Facebook’s social network (from Facebook-owned services such as WhatsApp and Instagram and from third party websites or mobile applications) and their combination with the information connected with a particular Facebook user account without that user’s consent, constituted an abuse of Facebook’s dominant position on the German market for social networks. The Bundeskartellamt found that the processing of user’s personal data by Facebook has, to some extent, been carried out in a way which infringed GDPR provisions. In the same decision, the Bundeskartellamt also identified the exclusionary nature of Facebook’s anticompetitive behaviour. According to the Bundeskartellamt, the illegal data aggregation formed a barrier to entry for Facebook’s competitors which, through compliance with data protection standards, found themselves in a worst position. Facebook, through its inappropriate data aggregation gained a competitive advantage. The Bundeskartellamt’s decision is, therefore, reflecting the anticompetitive dangers that data aggregation might pose. Nevertheless, it is debated whether the Bundeskartellamt, as a competition authority, is competent to determine the compliance or lack of compliance of business terms with the provisions of the GDPR. This paper analyzes the Bundeskartellamt’s decision as to where an anticompetitive nature of data processing has been identified, and tries to answer the question why it is problematic that it was the Bundeskartellamt and not a data protection supervisory authority that has issued such a decision.
L’agrégation de données, entendue comme le processus de collecte et de combinaison de données en vue de la préparation d’ensembles de données qui pourraient être utiles à des fins commerciales spécifiques ou pour d’autres fins, n’est pas en soi interdite. Toutefois, certaines formes peuvent être considérées comme anticoncurrentielles. Dans la décision B6-22/16, l’Office fédéral allemand des cartels(Bundeskartellamt) a examiné l’agrégation de données effectuée par Facebook, qui comprenait la collecte de données provenant de sources autres que le réseau social Facebook (de services appartenant à Facebook tels que WhatsApp et Instagram ou sites Web tiers ou applications mobiles) et leur combinaison aux informations liées aux comptes utilisateurs Facebook sans consentement de l’utilisateur. Premièrement, le Bundeskartellamt a considéré qu’un tel comportement constituait un abus de position dominante de Facebook sur le marché allemand des réseaux sociaux. Le Bundeskartellamt a également constaté que le traitement des données à caractère personnel des utilisateurs par Facebook a, dans une certaine mesure, été effectué en violation des dispositions du GDPR. Dans la même décision, le Bundeskartellamt a aussi identifié le caractère exclusif du comportement anticoncurrentiel de Facebook. Selon le Bundeskartellamt, l’agrégation illégale de données a constitué une barrière à l’entrée pour les concurrents de Facebook qui, en respectant les normes de protection des données, se sont trouvés dans la pire position. Facebook, par son agrégation inappropriée de données, a acquis un avantage concurrentiel. La décision du Bundeskartellamt reflète donc les dangers anticoncurrentiels que l’agrégation de données pourrait poser. Néanmoins, la question de savoir si le Bundeskartellamt, en tant qu’autorité de concurrence, est compétent pour déterminer si les conditions commerciales sont conformes ou non aux dispositions du GDPR est une question qui fait débat. Le présent article analyse la décision du Bundeskartellamt lorsqu’une nature anticoncurrentielle du traitement des données a été identifiée et essaye de répondre à la question du fait que ce soit le Bundeskartellamt qui ait pris une telle décision et non une autorité de contrôle en charge la protection des données.
Źródło:
Yearbook of Antitrust and Regulatory Studies; 2019, 12, 19; 139-172
1689-9024
2545-0115
Pojawia się w:
Yearbook of Antitrust and Regulatory Studies
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Analizy big data w serwisach społecznościowych
Big data Analysis in Social Network
Autorzy:
Polańska, Krystyna
Wassilew, Aleksander
Powiązania:
https://bibliotekanauki.pl/articles/548338.pdf
Data publikacji:
2015
Wydawca:
Uniwersytet Rzeszowski. Wydawnictwo Uniwersytetu Rzeszowskiego
Tematy:
big data
sieci społecznościowe
polityka prywatności
social networks
political of privacy
Opis:
Analizy big data otworzyły nowy rozdział w podejściu do wnioskowania na podstawie danych pozyskiwanych z Internetu. Przede wszystkim dostępne dane mają już nie tylko historyczny charakter i nie dotyczą tylko prób z badanych populacji, ale zyskały walor aktualności i masowości dzięki ekstrakcji danych z Internetu. Nadal jednak poza obszarem obserwacji badawczych pozostali wykluczeni cyfrowo, którzy są niewidoczni w sieci choć pozostają częścią społeczeństwa. Celem artykułu jest wskazanie możliwości wykorzystania analiz dużych zbiorów danych pozyskiwanych z Internetu oraz określenie wskaźników pochodzących z sieci społecznościowych, które mogą służyć do wnioskowania w opisie zjawisk społecznych, politycznych i gospodarczych.
Analysis of big data opened a new chapter in the approach to inference on the basis of data obtained from the Internet. First of all available data no longer has just a historical nature and does not apply only to samples of the studied population, but have gained the values of current affairs and mass scale through extraction of data from the Internet. Still, beyond the research observations are thedigitally excluded who are invisible in the network although they remain a part of society. The aim of this article is to show the possibility of analysing big data obtained from the Internet to identify indicators from social networks, which can be used for inference in the description of social, political and economic phenomena.
Źródło:
Nierówności Społeczne a Wzrost Gospodarczy; 2015, 44 cz. 2; 117-128
1898-5084
2658-0780
Pojawia się w:
Nierówności Społeczne a Wzrost Gospodarczy
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Ann modelling for the analysis of the green moulding sands properties
Analiza właściwości syntetycznych mas formierskich z zastosowaniem sztucznych sieci neuronowych
Autorzy:
Jakubski, J.
Malinowski, P.
Dobosz, S. M.
Major-Gabryś, K.
Powiązania:
https://bibliotekanauki.pl/articles/356980.pdf
Data publikacji:
2013
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
data mining
artificial neural networks
green moulding sands
sztuczne sieci neuronowe
syntetyczne masy formierskie
Opis:
Application of modern technological solutions, as well as the economic and ecological solutions, is for foundries one of the main aspects of the competitiveness on the market for castings. IT solutions can significantly support technological processes. This article presents neural networks with different structures that have been used to determine the moisture content of the moulding sand based on the moulding sand selected properties research results. Neural networks were built using Matlab software. Moulding sand properties chosen for quality control processes were selected based on wide previous results. For the proposed moulding sand properties, neural networks can be a useful tool for predicting moisture content. The structure of artificial neural network do not have a significant influence on the obtained results. In subsequent studies on the use of neural networks as an application to support the green moulding sand rebonding process, it must be determined how factors such as environmental humidity and moulding sand temperature will affect the accuracy of data obtained with the use of artificial neural networks.
Zastosowanie nowoczesnych rozwiązań technologicznych, a także ekonomicznych i ekologicznych stanowi dla odlewni jeden z głównych aspektów konkurencyjności na rynku produktów odlewów. Doskonałym wsparciem dla procesów technologicznych są rozwiązania informatyczne. W artykule zaprezentowano sieci neuronowych o różnej strukturze, które zostały użyte do określania wilgotności masy formierskiej na podstawie wyników badania wybranych właściwości masy. Sieci neuronowe zbudowano z wykorzystaniem oprogramowania Matlab. Właściwości mas wybrane do procesów sterowania jakością zostały dobrane w oparciu o wcześniejsze wyniki badań. Dla zaproponowanych właściwości syntetycznych mas formierskich sztuczne sieci neuronowe mogą być użytecznym narzędziem do przewidywania wilgotności masy. Ilość warstw ukrytych w strukturze sieci nie ma wpływu na otrzymywane rezultaty. W kolejnych badaniach nad wykorzystaniem sieci neuronowych jako aplikacji wspierającej procesy odświeżania syntetycznych mas formierskich, należy okreslić, w jaki sposób czynniki takie jak wilgotność otoczenia, czy temperatura masy wpłyną na dokładność danych uzyskanych z wykorzystaniem sztucznych sieci neuronowych.
Źródło:
Archives of Metallurgy and Materials; 2013, 58, 3; 961-963
1733-3490
Pojawia się w:
Archives of Metallurgy and Materials
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Application of multi-parameter data visualization by means of autoassociative neural networks to evaluate classification possibilities of various coal types
Autorzy:
Jamroz, D.
Powiązania:
https://bibliotekanauki.pl/articles/109902.pdf
Data publikacji:
2014
Wydawca:
Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
Tematy:
autoassociative neural networks
coal types
multidimensional visualization
multi-parameter
identification of data
pattern recognition
neural networks
Opis:
The significance of data visualization in modern research is growing steadily. In mineral processing scientists have to face many problems with understanding data and finding essential variables from a large amount of data registered for material or process. Hence it is necessary to apply visualization of such data, especially when a set of data is multi-parameter and very complex. This paper puts forward a proposal to introduce the autoassociative neural networks for visualization of data concerning three various types of hard coal. Apart from theoretical discussion of the method, the empirical applications of the method are presented. The results revealed that it is a useful tool for a researcher facing a complicated set of data which allows for its proper classification. The optimal neural network parameters to successfully separate the analyzed three types of coal were found out for the analyzed example.
Źródło:
Physicochemical Problems of Mineral Processing; 2014, 50, 2; 719-734
1643-1049
2084-4735
Pojawia się w:
Physicochemical Problems of Mineral Processing
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Applying a neural network ensemble to intrusion detection
Autorzy:
Ludwig, Simone A.
Powiązania:
https://bibliotekanauki.pl/articles/91620.pdf
Data publikacji:
2019
Wydawca:
Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Tematy:
ensemble learning
Deep Neural Networks
NSL-KDD data set
Opis:
An intrusion detection system (IDS) is an important feature to employ in order to protect a system against network attacks. An IDS monitors the activity within a network of connected computers as to analyze the activity of intrusive patterns. In the event of an ‘attack’, the system has to respond appropriately. Different machine learning techniques have been applied in the past. These techniques fall either into the clustering or the classification category. In this paper, the classification method is used whereby a neural network ensemble method is employed to classify the different types of attacks. The neural network ensemble method consists of an autoencoder, a deep belief neural network, a deep neural network, and an extreme learning machine. The data used for the investigation is the NSL-KDD data set. In particular, the detection rate and false alarm rate among other measures (confusion matrix, classification accuracy, and AUC) of the implemented neural network ensemble are evaluated.
Źródło:
Journal of Artificial Intelligence and Soft Computing Research; 2019, 9, 3; 177-178
2083-2567
2449-6499
Pojawia się w:
Journal of Artificial Intelligence and Soft Computing Research
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Assessment of mixed network processes with shared inputs and undesirable factors
Autorzy:
Nematizadeh, Maryam
Amirteimoori, Alireza
Kordrostami, Sohrab
Vaez-Ghasemi, Mohsen
Powiązania:
https://bibliotekanauki.pl/articles/406305.pdf
Data publikacji:
2020
Wydawca:
Politechnika Wrocławska. Oficyna Wydawnicza Politechniki Wrocławskiej
Tematy:
network data envelopment analysis
parallel-series mixed networks
weak disposability
undesirable factors
ranking
Opis:
In the real world, there are processes whose structures are like a parallel-series mixed network. Network data envelopment analysis (NDEA) is one of the appropriate methods for assessing the performance of processes with these structures. In the paper, mixed processes with two parallel and series components are considered, in which the first component or parallel section consists of the shared inputs, and the second component or series section consists of undesirable factors. By considering the weak disposability assumption for undesirable factors, a DEA approach as based on network slackbased measure (NSBM) is introduced to evaluate the performance of processes with mixed structures. The proposed model is illustrated with a real case study. Then, the model is developed to discriminate efficient units.
Źródło:
Operations Research and Decisions; 2020, 30, 1; 97-118
2081-8858
2391-6060
Pojawia się w:
Operations Research and Decisions
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Bayes classification of imprecise information of interval type
Autorzy:
Kulczycki, P.
Kowalski, P. A.
Powiązania:
https://bibliotekanauki.pl/articles/205655.pdf
Data publikacji:
2011
Wydawca:
Polska Akademia Nauk. Instytut Badań Systemowych PAN
Tematy:
data analysis
classification
imprecise information
interval type information
statistical kernel estimators
reduction in pattern size
classifier parameter correction
sensitivity method for artificial neural networks
Opis:
The subject of the investigation presented here is Bayes classification of imprecise multidimensional information of interval type by means of patterns defined through precise data, e.g. deterministic or sharp. For this purpose the statistical kernel estimators methodology was applied, which makes the resulting algorithm independent of the pattern shape. In addition, elements of pattern sets which have insignificant or negative influence on the correctness of classification are eliminated. The concept for realizing the procedure is based on the sensitivity method, used in the domain of artificial neural networks. As a result of this procedure the number of correct classifications and - above all - calculation speed increased significantly. A further growth in quality of classification was achieved with an algorithm for the correction of classifier parameter values. The results of numerical verification, carried out on pseudorandom and benchmark data, as well as a comparative analysis with other methods of similar conditioning, have validated the concept presented here and its positive features.
Źródło:
Control and Cybernetics; 2011, 40, 1; 101-123
0324-8569
Pojawia się w:
Control and Cybernetics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Blender jako narzędzie do generacji danych syntetycznych
Blender as a tool for generating synthetic data
Autorzy:
Sieczka, Rafał
Pańczyk, Maciej
Powiązania:
https://bibliotekanauki.pl/articles/98204.pdf
Data publikacji:
2020
Wydawca:
Politechnika Lubelska. Instytut Informatyki
Tematy:
artificial neural networks
convolutional neural network
synthetic data
blender
sztuczne sieci neuronowe
konwolucyjne sieci neuronowe
dane syntetyczne
Opis:
Acquiring data for neural network training is an expensive and labour-intensive task, especially when such data is difficult to access. This article proposes the use of 3D Blender graphics software as a tool to automatically generate synthetic image data on the example of price labels. Using the fastai library, price label classifiers were trained on a set of synthetic data, which were compared with classifiers trained on a real data set. The comparison of the results showed that it is possible to use Blender to generate synthetic data. This allows for a significant acceleration of the data acquisition process and consequently, the learning process of neural networks.
Pozyskiwanie danych do treningu sieci neuronowych, jest kosztownym i pracochłonnym zadaniem, szczególnie kiedy takie dane są trudno dostępne. W niniejszym artykule zostało zaproponowane użycie programu do grafiki 3D Blender, jako narzędzia do automatycznej generacji danych syntetycznych zdjęć, na przykładzie etykiet cenowych. Przy użyciu biblioteki fastai, zostały wytrenowane klasyfikatory etykiet cenowych, na zbiorze danych syntetycznych, które porównano z klasyfikatorami trenowanymi na zbiorze danych rzeczywistych. Porównanie wyników wykazało, że możliwe jest użycie programu Blender do generacji danych syntetycznych. Pozwala to w znaczącym stopniu przyśpieszyć proces pozyskiwania danych, a co za tym idzie proces uczenia sieci neuronowych.
Źródło:
Journal of Computer Sciences Institute; 2020, 16; 227-232
2544-0764
Pojawia się w:
Journal of Computer Sciences Institute
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Classifiers accuracy improvement based on missing data imputation
Autorzy:
Jordanov, I.
Petrov, N.
Petrozziello, A.
Powiązania:
https://bibliotekanauki.pl/articles/91626.pdf
Data publikacji:
2018
Wydawca:
Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Tematy:
machine learning
missing data
model-based imputation
neural networks
random forests
support vector machine
radar signal classification
nauczanie maszynowe
brakujące dane
sieci neuronowe
maszyna wektorów nośnych
klasyfikacja sygnałów radarowych
Opis:
In this paper we investigate further and extend our previous work on radar signal identification and classification based on a data set which comprises continuous, discrete and categorical data that represent radar pulse train characteristics such as signal frequencies, pulse repetition, type of modulation, intervals, scan period, scanning type, etc. As the most of the real world datasets, it also contains high percentage of missing values and to deal with this problem we investigate three imputation techniques: Multiple Imputation (MI); K-Nearest Neighbour Imputation (KNNI); and Bagged Tree Imputation (BTI). We apply these methods to data samples with up to 60% missingness, this way doubling the number of instances with complete values in the resulting dataset. The imputation models performance is assessed with Wilcoxon’s test for statistical significance and Cohen’s effect size metrics. To solve the classification task, we employ three intelligent approaches: Neural Networks (NN); Support Vector Machines (SVM); and Random Forests (RF). Subsequently, we critically analyse which imputation method influences most the classifiers’ performance, using a multiclass classification accuracy metric, based on the area under the ROC curves. We consider two superclasses (‘military’ and ‘civil’), each containing several ‘subclasses’, and introduce and propose two new metrics: inner class accuracy (IA); and outer class accuracy (OA), in addition to the overall classification accuracy (OCA) metric. We conclude that they can be used as complementary to the OCA when choosing the best classifier for the problem at hand.
Źródło:
Journal of Artificial Intelligence and Soft Computing Research; 2018, 8, 1; 31-48
2083-2567
2449-6499
Pojawia się w:
Journal of Artificial Intelligence and Soft Computing Research
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Clustering and filtering of measurement data based on dynamic self-organizing neural networks
Grupowanie i filtracja danych pomiarowych z wykorzystaniem dynamicznych, samoorganizujących się sieci neuronowych
Autorzy:
Gorzałczany, M. B.
Rudziński, F.
Powiązania:
https://bibliotekanauki.pl/articles/153286.pdf
Data publikacji:
2010
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
inteligencja obliczeniowa
samoorganizujące się sieci neuronowe
grupowanie
computational intelligence
self-organizing neural networks
clustering
filtering
measurement data
Opis:
The paper presents an application of dynamic self-organizing neural networks (introduced by the same authors) to clustering of complex, multidimensional measurement-type data using as an example the so-called Synthetic Control Chart Time Series available at WWW server of the Department of Information and Computer Science, the University of California at Irvine. Moreover, after deactivation of some of the mechanisms governing the operation of the proposed networks they become efficient tools for signal and data filtering. The filtering of Equiptemp measurement data set available from Time Series Library by means of the proposed networks is also briefly presented.
Artykuł prezentuje zastosowanie tzw. dynamicznych samoorganizujących się sieci neuronowych (zaproponowanych przez autorów tej pracy) do grupowania złożonych, wielowymiarowych danych pomiarowych na przykładzie zbioru danych Synthetic Control Chart Time Series dostępnego na serwerze WWW Uniwersytetu Kalifornijskiego w Irvine (Department of Information and Computer Science). Proponowane sieci, w trakcie procesu uczenia, są w stanie dzielić swoje łańcuchy neuronów na podłańcuchy, ponownie łączyć wybrane podłańcuchy ze sobą oraz dynamicznie zmieniać całkowitą liczbę neuronów sieci. Cechy te umożliwiają im jak najlepsze dopasowanie się do nieznanych z góry struktur "zakodowanych" w danych. Funkcjonowanie proponowanych sieci zilustrowano najpierw na przykładzie złożonego zbioru danych dwuwymiarowych typu dwóch spiral. Po wyłączeniu pewnych mechanizmów rządzących funkcjonowaniem proponowanych sieci stają się one również efektywnymi narzędziami filtracji sygnałów. Przykłady filtracji danych pomiarowych zawartych w zbiorze Equiptemp pochodzącym z tzw. Time Series Library są również przedstawione w artykule.
Źródło:
Pomiary Automatyka Kontrola; 2010, R. 56, nr 12, 12; 1416-1419
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Data fusion in the decision-making process based on artificial neural networks
Autorzy:
Dudczyk, Janusz
Rybak, Łukasz
Jezierski, Zdzisław
Powiązania:
https://bibliotekanauki.pl/articles/1860953.pdf
Data publikacji:
2020
Wydawca:
Politechnika Śląska. Wydawnictwo Politechniki Śląskiej
Tematy:
data fusion
decision-making process
sensor networks
artificial neural network
fuzja danych
proces decyzyjny
sieci sensorowe
sztuczna sieć neuronowa
Opis:
Purpose: The term data fusion is often used in various technologies, where a significant element is the ability of combining data of different typology coming from diverse sources. Currently, the issue of DF is developing towards interdisciplinary field and is connected with 'agile' data (information) synthesis concerning phenomena and objects. Optimal environment to carry out data fusion are SN (Sensor Networks), in which DF process is carried out on a data stage, most often automatically with the use of probable association algorithms of this data. The purpose of this article was an implementation of a neural network and its adaptation in the process of data fusion and solving the value prediction problem. Design/methodology/approach: The conducted experiment was concerned with modelling artificial neural network to form radiation beam of microstrip antenna. In the research the MATLAB environment was used. Findings: The conducted experiment shows that depending on the type of output data set and the task for ANN, the effect of neural network's learning is dependent on the activation function type. The described and implemented network for different activation functions learns effectively, predicts results as well as has the ability to generalize facts on the basis of the patterns learnt. Research limitations/implications: Without doubts, it is possible to improve the model of a network and provide better results than these presented in the paper through modifying the number of hidden layers, the number of neurons, learning step value or modifying the learning algorithm itself. Originality/value: The paper presents the implementation of the sensor network in the context of the process of data fusion and solution prediction. The paper should be read by persons which research interests are focused at the decision support by the information and communication technologies.
Źródło:
Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska; 2020, 149; 97-108
1641-3466
Pojawia się w:
Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Data security based on neural networks
Autorzy:
Noaman, K.M.G.
Jalab, H.A.
Powiązania:
https://bibliotekanauki.pl/articles/1964155.pdf
Data publikacji:
2005
Wydawca:
Politechnika Gdańska
Tematy:
data security
cryptography
neural networks
Opis:
The paper is concerned with the study and design of a data security system based on neural networks. Data with different keys were taken as test data, encrypted, decrypted and compared with the original data. The results have confirmed its advantages over other techniques.
Źródło:
TASK Quarterly. Scientific Bulletin of Academic Computer Centre in Gdansk; 2005, 9, 4; 409-414
1428-6394
Pojawia się w:
TASK Quarterly. Scientific Bulletin of Academic Computer Centre in Gdansk
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 73

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