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 "mapy Kohonena" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Analiza typologiczna wypadków drogowych z wykorzystaniem sztucznej sieci neuronowej Kohonena
    Typological analysis of road crashes using the Kohonen artificial neural network
    Autorzy:
    Nowakowska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/144772.pdf
    Data publikacji:
    2012
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Komunikacji Rzeczpospolitej Polskiej
    Tematy:
    wypadki drogowe
    cechy drogi
    cechy zagrożenia
    grupowanie pojęciowe
    mapy Kohonena
    profilowanie wypadków drogowych
    traffic accidents
    road characteristics
    threat features
    conceptual grouping
    Kohonen maps
    road accident profiling
    Opis:
    W artykule zaprezentowano wyodrębnienie wzorców wypadków drogowych na podstawie cech drogi i jej otoczenia w miejscu zdarzenia oraz cech zagrożenia wyrażonych przez zachowanie sprawcy, rodzaj zdarzenia oraz status wypadku. Analizowane dane poddano wielowymiarowej segmentacji wykorzystując metodę silnie skorelowaną z techniką komputerową jaką jest sztuczna sieć neuronowa bez nauczyciela - mapa Kohonena w wersji uczenia sekwencyjnego. Analiza typologiczna wypadków z udziałem jednego pojazdu wskazuje na istnienie wyraźnie wyodrębnionych wzorców wypadkowych. Najważniejszym atrybutem mającym znaczenie w procesie wyodrębniania tych wzorców jest status wypadku (cecha zagrożenia).
    The objective of the paper is the identification of accident patterns. The patterns are defined on the basis of both road characteristics in the accident location and traffic safety threat features that describe the roadway hazard, i.e. driver's behaviour, accident type, and accident severity. The analysed data were subject to multivariate segmentation by means of a method that is strongly connected with computer techniques, This is unsupervised artificial neural network - the Kohonen map in the version of sequential learning. The single-vehicle road accident typology analysis made it possible to identify distinct accident patterns. The analysis indicates that accident severity plays the most important role in the road accident profiling tasks.
    Źródło:
    Drogownictwo; 2012, 10; 333-339
    0012-6357
    Pojawia się w:
    Drogownictwo
    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
      Wyświetlanie 1-2 z 2

      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