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 "funkcja aktywacji" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Comparison of an effectiveness of artificial neural networks for various activation functions
    Porównanie efektywności sztucznych sieci neuronowych dla różnych funkcji aktywacji
    Autorzy:
    Florek, Daniel
    Miłosz, Marek
    Powiązania:
    https://bibliotekanauki.pl/articles/24083568.pdf
    Data publikacji:
    2023
    Wydawca:
    Politechnika Lubelska. Instytut Informatyki
    Tematy:
    activation functions
    artificial neural networks
    artificial intelligence
    funkcja aktywacji
    sztuczne sieci neuronowe
    sztuczna inteligencja
    Opis:
    Activation functions play an important role in artificial neural networks (ANNs) because they break the linearity in the data transformations that are performed by models. Thanks to the recent spike in interest around the topic of ANNs, new improvements to activation functions are emerging. The paper presents the results of research on the effectiveness of ANNs for ReLU, Leaky ReLU, ELU, and Swish activation functions. Four different data sets, and three different network architectures were used. Results show that Leaky ReLU, ELU and Swish functions work better in deep and more complex architectures which are to alleviate vanishing gradient and dead neurons problems. Neither of the three aforementioned functions comes ahead in accuracy in all used datasets, although Swish activation speeds up training considerably and ReLU is the fastest during prediction process.
    Funkcje aktywacji, przełamując linową naturę transformacji zachodzących w sztucznych sieciach neuronowych (SSN), pozwalają na uczenie skomplikowanych wzorców występujących w danych wejściowych, np. w obrazach. Wzrost zain-teresowania wokół SSN skłonił naukowców do badań wokół różnolitych aktywacji, które mogą dać przewagę podczas uczenia jak i przewidywania, ostatecznie przyczyniając się do powstania nowych, interesujących rozwiązań. W artykule przedstawiono wyniki badań nad efektywnością SSN dla funkcji ReLU, Leaky ReLU, ELU oraz Swish, przy użyciu czterech zbiorów danych i trzech różnych architektur SSN. Wyniki pokazują, że funkcje Leaky ReLU, ELU i Swish lepiej sprawdzają się w głębokich i bardziej skomplikowanych architekturach, mając za zadanie zapobieganie proble-mom zanikającego gradientu (ang. Vanishing Gradient) i martwych neuronów (ang. Dead neurons). Żadna z trzech wyżej wymienionych funkcji nie ma przewagi w celności (ang. Accuracy), jednakże Swish znacznie przyspiesza ucze-nie SSN, a ReLU jest najszybsza w procesie przewidywania
    Źródło:
    Journal of Computer Sciences Institute; 2023, 26; 7--12
    2544-0764
    Pojawia się w:
    Journal of Computer Sciences Institute
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of Neural Networksin the Tests of Hand Grenade Fuses
    Zastosowanie sieci neuronowych w badaniach zapalników do granatów ręcznych
    Autorzy:
    Ampuła, Dariusz
    Powiązania:
    https://bibliotekanauki.pl/articles/208533.pdf
    Data publikacji:
    2019
    Wydawca:
    Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
    Tematy:
    artificial intelligence
    neural networks
    activation function
    hidden neurons
    fuse
    sztuczna inteligencja
    sieci neuronowe
    funkcja aktywacji
    neurony ukryte
    zapalnik
    Opis:
    The neural networks, which find currently use in the unusually wide range of problems, in such fields as: finance, medicine, geology or physics, were characterized in the article. It was accent, that neural networks are very sophisticated technique of modelling, able to map extremely complex functions. It was noticed particularly, that neural networks had a non-linear character, what very essentially improve the possibilities of their applications. Some previous applications of neural networks were introduced, both in the area of domestic and foreign, including also military applications. The fuse of UZRGM type (Universal Modernized Fuse of Hand Grenades) was characterized, describing his building and way of action, special attention-getting on the tested features during laboratory diagnostic tests. Necessary technical parameters for the first and the second laboratory diagnostic tests, whose purpose was to build two independent neural networks, on the basis of existing test results and undertaken post-diagnostic decisions were designed. A few artificial neural networks were made and finally the best two independent neural networks were chosen. The main parameters of the chosen active neural networks were introduced in the pictures. Concise information, relating to the built artificial neural networks, for the first and the second laboratory diagnostic tests of the fuses of UZRGM type, was presented in the end of the article. In the summary, clearly distinguished are advantages of the applications of the proposed evaluation method, which significantly shortens an evaluation process of new empirical test results and causes complex automatization of an evaluation process of the tested fuses.
    W artykule scharakteryzowano sieci neuronowe, które znajdują obecnie zastosowanie w niezwykle wielu problemach, w takich dziedzinach jak: finanse, medycyna, geologia czy fizyka. Podkreślono, że sieci neuronowe są bardzo wyrafinowaną techniką modelowania, zdolną do odwzorowania nadzwyczaj złożonych funkcji. W szczególności zauważono, że sieci te mają charakter nieliniowy, co bardzo istotnie wzbogaca możliwości ich zastosowania. Przedstawiono niektóre dotychczasowe zastosowania sieci neuronowych, zarówno w obszarze krajowym, jak i zagranicznym, włączając w to także zastosowania wojskowe. Scharakteryzowano zapalnik typu UZRGM, opisując jego budowę oraz sposób działania, zwrócono szczególną uwagę na badane cechy podczas laboratoryjnych badań diagnostycznych. Zaprojektowano niezbędne parametry techniczne dla pierwszych i drugich laboratoryjnych badań diagnostycznych, których celem była budowa dwóch niezależnych sieci neuronowych na podstawie istniejących wyników badań oraz podjętych decyzji podiagnostycznych. Zbudowano wiele sztucznych sieci neuronowych, których wynikiem były zaprojektowane i wybrane jako najlepsze dwie niezależne sieci neuronowe. Na rysunkach przedstawiono główne parametry wybranych aktywnych sieci neuronowych. Na końcu artykułu znajdują się zwięzłe informacje dotyczące zbudowanych sztucznych sieci neuronowych dla pierwszych i drugich laboratoryjnych badań diagnostycznych zapalników typu UZRGM. W podsumowaniu jasno wyróżniono zalety stosowania zaproponowanej metody oceny, która znacząco skraca proces oceny nowych empirycznych wyników badań oraz powoduje pełną automatyzację procesu oceny badanych zapalników.
    Źródło:
    Biuletyn Wojskowej Akademii Technicznej; 2019, 68, 1; 197-212
    1234-5865
    Pojawia się w:
    Biuletyn Wojskowej Akademii Technicznej
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of convolutional neuron network for image processing and interpretation
    Zastosowanie konwolucyjnych sieci neuronowych do przetwarzania i interpretacji obrazów
    Autorzy:
    Pałczyński, Krzysztof
    Powiązania:
    https://bibliotekanauki.pl/articles/2016320.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Bydgoska im. Jana i Jędrzeja Śniadeckich. Wydawnictwo PB
    Tematy:
    convolutional neural network
    image processing
    filtration
    convolution
    activation function
    loss function
    softmax
    cross entropy
    L2
    Dropout
    stochastic gradient drop
    konwolucyjne sieci neuronowe
    przetwarzanie obrazów
    filtracja
    splot
    funkcja aktywacji
    funkcja straty
    entropia krzyżowa
    stochastyczny spadek gradientu
    Opis:
    This article describes the application of Convolutional Neural Network in image processing and describes how it works. There are presented: network layers, types of activation functions, example of the AlexNet network architecture, the use of the loss function and the cross entropy method to calculate the loss during tests, L2 and Dropout methods used for weights regularization and optimization of the loss function using Stochastic Gradient Drop.
    Artykuł ten opisuje zastosowanie Konwolucyjnych Sieci Neuronowych w przetwarzaniu obrazów. W celu lepszego zrozumienia tematu opisano sposób działania sieci. Przedstawiono sieci wielowarstwowe, rodzaje funkcji aktywacji, przykład architektury sieci AlexNet. W artykule skupiono się na opisaniu wykorzystania funkcji straty oraz metody entropii krzyżowej do obliczenia straty w czasie testów. Opisano również sposoby normalizacji wag L2 i Dropout oraz optymalizację funkcji straty za pomocą Stochastycznego Spadku Gradientu.
    Źródło:
    Zeszyty Naukowe. Telekomunikacja i Elektronika / Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy; 2019, 23; 5-12
    1899-0088
    Pojawia się w:
    Zeszyty Naukowe. Telekomunikacja i Elektronika / Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      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