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 "multi-kernel" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Support Vector Machine based Decoding Algorithm for BCH Codes
    Autorzy:
    Sudharsan, V.
    Yamuna, B.
    Powiązania:
    https://bibliotekanauki.pl/articles/958048.pdf
    Data publikacji:
    2016
    Wydawca:
    Instytut Łączności - Państwowy Instytut Badawczy
    Tematy:
    BCH codes
    Chase-2 algorithm
    coding gain
    kernel
    multi-class classification
    Soft Decision Decoding
    Support Vector Machine
    Opis:
    Modern communication systems require robust, adaptable and high performance decoders for efficient data transmission. Support Vector Machine (SVM) is a margin based classification and regression technique. In this paper, decoding of Bose Chaudhuri Hocquenghem codes has been approached as a multi-class classification problem using SVM. In conventional decoding algorithms, the procedure for decoding is usually fixed irrespective of the SNR environment in which the transmission takes place, but SVM being a machinelearning algorithm is adaptable to the communication environment. Since the construction of SVM decoder model uses the training data set, application specific decoders can be designed by choosing the training size efficiently. With the soft margin width in SVM being controlled by an equation, which has been formulated as a quadratic programming problem, there are no local minima issues in SVM and is robust to outliers.
    Źródło:
    Journal of Telecommunications and Information Technology; 2016, 2; 108-112
    1509-4553
    1899-8852
    Pojawia się w:
    Journal of Telecommunications and Information Technology
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Electronic System Fault Diagnosis with Optimized Multi-kernel SVM by Improved CPSO
    Diagnoza uszkodzeń układu elektronicznego z wykorzystaniem Wielojądrowej Maszyny Wektorów Nośnych (SVM) zoptymalizowanej przy pomocy poprawionego algorytmu CPSO
    Autorzy:
    Guo, Y. M.
    Wang, X. T.
    Liu, C.
    Zheng, Y. F.
    Cai, X. B.
    Powiązania:
    https://bibliotekanauki.pl/articles/300922.pdf
    Data publikacji:
    2014
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    układ elektroniczny
    diagnoza uszkodzeń
    maszyna wektorów nośnych
    optymalizacja metodą chaosu-roju cząstek
    funkcja wielojądrowa
    electronic system
    fault diagnosis
    support vector machine (SVM)
    chaos particles swarm optimization
    multi-kernel
    Opis:
    Bezpieczeństwo pracy układów elektronicznych stało się kluczowym zagadnieniem w odniesieniu do złożonych układów o wysokiej niezawodności. Obecnie coraz większy nacisk kładzie się na trafność diagnozy uszkodzeń układów elektronicznych. Na podstawie charakterystyki diagnozy uszkodzeń układów elektronicznych, opracowaliśmy model wielokryterialnej klasyfikacji SVM pozwalający osiągnąć lepszą trafność diagnozy uszkodzeń. Model wykorzystuje funkcję wielojądrową składającą się z kilku bazowych funkcji jądrowych pozwalającą na zwiększenie interpretowalności modelu klasyfikacyjnego. Aby zoptymalizować działanie modelu wielokryterialnej klasyfikacji SVM wykorzystującego funkcję wielojądrową, udoskonaliliśmy algorytm Optymalizacji Metodą Chaosu-Roju Cząstek (CPSO), co pozwoliło osiągnąć optymalne parametry SVM i funkcji wielojądrowej. W poprawionym algorytmie CPSO wzmocniono różnorodność wyszukiwania poprzez wykorzystanie chaotycznej sekwencji generowanej przez zmodyfikowaną mapę tent, a także włączono do standardowego algorytmu PSO efektywną metodę pozwalającą uniknąć przedwczesnej stagnacji oraz uzyskać globalne wartości optymalizacji. Wyniki symulacji diagnozy uszkodzeń systemu elektronicznego pokazują, że proponowany system optymalizacji może być wykorzystywany jako skuteczna metoda umożliwiająca znaczne zwiększenie trafności diagnozy uszkodzeń z wykorzystaniem wielojądrowej SVM.
    Electronic systems’ safety operation has become a key issue to complex and high reliability systems. Now more emphasis has been laid on the accuracy of electronic system fault diagnosis. Based on the characteristics of the electronic system fault diagnosis, we design a multi-classification SVMs model to attain better fault diagnosis accuracy, which utilizes multi-kernel function consisting of several basis kernel functions to enhance the interpretability of the classification model. In order to optimize the performance of multi-classification SVMs with multi-kernel, we improve the Chaos Particles swarm Optimization (CPSO) algorithm to achieve the optimum parameters of SVMs and the multi-kernel function. For the improved CPSO algorithm, a modified Tent Map chaotic sequence is used to strengthen the search diversity, and an effective method is embedded to the stander PSO algorithm which can ensure to avoid premature stagnation and obtain the global optimization values. The fault diagnosis simulation results of an electronic system show the proposed optimization scheme is a feasible and effective method and it can significantly improve the fault diagnosis accuracy of the multi-kernel SVM.
    Źródło:
    Eksploatacja i Niezawodność; 2014, 16, 1; 85-91
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An anomaly detection method based on random convolutional kernel and isolation forest for equipment state monitoring
    Autorzy:
    Shu, Xinhao
    Zhang, Shigang
    Li, Yue
    Chen, Mengqiao
    Powiązania:
    https://bibliotekanauki.pl/articles/2200934.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    anomaly detection
    random convolutional kernel
    isolation forest
    multi-dimensional time
    series
    equipment state monitoring
    Opis:
    Anomaly detection plays an essential role in health monitoring and reliability assurance of complex system. However, previous researches suffer from distraction by outliers in training and extensively relying on empiric-based feature engineering, leading to many limitations in the practical application of detection methods. In this paper, we propose an unsupervised anomaly detection method that combines random convolution kernels with isolation forest to tackle the above problems in equipment state monitoring. The random convolution kernels are applied to generate cross-dimensional and multi-scale features for multi-dimensional time series, with combining the time series decomposing method to select abnormally sensitive features for automatic feature extraction. Then, anomaly detection is performed on the obtained features using isolation forests with low requirements for purity of training sample. The verification and comparison on different types of datasets show the performance of the proposed method surpass the traditional methods in accuracy and applicability.
    Źródło:
    Eksploatacja i Niezawodność; 2022, 24, 4; 758--770
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    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