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 "probabilistyczna siec neuronowa" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-6 z 6
    Tytuł:
    Wykorzystanie probabilistycznych sieci neuronowych i sygnałów drganiowych do diagnozowania uszkodzenia uszczelki pod głowicą silnika ZS
    Application of probabilistic neural network and vibration signals for gasket under diesel engine head damage
    Autorzy:
    Czech, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/197402.pdf
    Data publikacji:
    2013
    Wydawca:
    Politechnika Śląska. Wydawnictwo Politechniki Śląskiej
    Tematy:
    diagnostyka
    drgania
    probabilistyczna sieć neuronowa
    silnik spalinowy ZS
    pojazd samochodowy
    Opis:
    Conducted tests attempted to determine the occurring damage in gasket under engine head. Test object was Ford Mondeo car powered by diesel engine with capacity of 2.0 [dm3]. Damage of the gasket was a rupture of bridge between 1 and 2 cylinder. In order to diagnose the damage the vibration signals generated by the engine were used – initially processed with the use of discrete wavelet transform and probabilistic neural networks.
    W przeprowadzonych badaniach podjęto próbę określenia występującego uszkodzenia uszczelki pod głowicą silnika ZS. Za obiekt badań posłużył model samochodu Ford Mondeo, napędzany silnikiem ZS o pojemności 2,0 [dm3]. Uszkodzenie uszczelki polegało na przerwaniu mostka pomiędzy 1 i 2 cylindrem. Do diagnozowania uszkodzenia wykorzystano sygnały drganiowe, generowane przez silnik – wstępnie przetworzone przy wykorzystaniu dyskretnej transformaty falkowej, oraz probabilistyczne sieci neuronowe.
    Źródło:
    Zeszyty Naukowe. Transport / Politechnika Śląska; 2013, 78; 39-45
    0209-3324
    2450-1549
    Pojawia się w:
    Zeszyty Naukowe. Transport / Politechnika Śląska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Education Quality Detection Method Based on the Probabilistic Neural Network Algorithm
    Autorzy:
    Wu, Changdong
    Jiang, Hua
    Wang, Ping
    Powiązania:
    https://bibliotekanauki.pl/articles/328682.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    detection
    probabilistic neural network
    classification
    students' achievement
    education quality
    probabilistyczna sieć neuronowa
    klasyfikacja
    osiągnięcia studentów
    jakość kształcenia
    Opis:
    The traditional education quality detection method is too single and unreasonable, which is not suitable to evaluate students' ability comprehensively. In this paper, the probabilistic neural network (PNN) algorithm is used to detect the education quality by considering the important impact between the various achievements of students. PNN algorithm originates from Bayesian decision rule, and it uses the non-linear Gaussian Parzen window as the probability density function. As PNN model has the virtues of strong nonlinear and anti-interfering ability, it is fit to detect the education quality by classifying the students' achievements. Besides, the influences of different evaluation models on classification accuracy and efficiency are also discussed in this paper. Furthermore, the effect of spread value on PNN model is also discussed. Finally, the actual data are used to detect the education quality. Experimental results show that the detection accuracy can reach 95%, and the detection time is only 0.0156s based on the proposed method. That is to say, the method is a very practical detection algorithm with high accuracy and efficiency. Moreover, it also provides a reference for how to further improve the teaching quality.
    Źródło:
    Diagnostyka; 2020, 21, 4; 79-86
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Statistical testing of segment homogeneity in classification of piecewise-regular objects
    Autorzy:
    Savchenko, A. V.
    Belova, N. S.
    Powiązania:
    https://bibliotekanauki.pl/articles/330652.pdf
    Data publikacji:
    2015
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    statistical pattern recognition
    testing of segment homogeneity
    probabilistic neural network
    rozpoznawanie obrazu
    jednorodność segmentu
    probabilistyczna sieć neuronowa
    Opis:
    The paper is focused on the problem of multi-class classification of composite (piecewise-regular) objects (e.g., speech signals, complex images, etc.). We propose a mathematical model of composite object representation as a sequence of independent segments. Each segment is represented as a random sample of independent identically distributed feature vectors. Based on this model and a statistical approach, we reduce the task to a problem of composite hypothesis testing of segment homogeneity. Several nearest-neighbor criteria are implemented, and for some of them the well-known special cases (e.g., the Kullback–Leibler minimum information discrimination principle, the probabilistic neural network) are highlighted. It is experimentally shown that the proposed approach improves the accuracy when compared with contemporary classifiers.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2015, 25, 4; 915-925
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie probabilistycznych sieci neuronowych i sygnałów drganiowych do diagnozowania uszkodzeń wtryskiwaczy silnika ZS
    Application of probabilistic neural network and vibration signals for diesel car engine fuel injectors damage
    Autorzy:
    Czech, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/197906.pdf
    Data publikacji:
    2013
    Wydawca:
    Politechnika Śląska. Wydawnictwo Politechniki Śląskiej
    Tematy:
    diagnostyka
    drgania
    probabilistyczna sieć neuronowa
    silnik spalinowy
    silnik ZS
    pojazd samochodowy
    diagnostics
    vibrations
    probabilistic neural network
    diesel engine
    automotive vehicle
    Opis:
    W przeprowadzonych badaniach podjęto próbę określenia występującego uszkodzenia wtryskiwaczy w silniku spalinowym samochodu. Za obiekt badań posłużył samochód Ford Mondeo, napędzany silnikiem ZS o pojemności 2,0 [dm3]. Do diagnozowania uszkodzenia wykorzystano sygnały drganiowe, generowane przez silnik – wstępnie przetworzone przy wykorzystaniu dyskretnej transformaty falkowej, oraz probabilistyczne sieci neuronowe. W artykule zaproponowano wykorzystanie analizy DWT oraz energii lub entropii, będących podstawą systemu diagnozującego.
    Conducted tests attempted to determine the occurring damage of fuel injectors in car combustion engine. Test object was Ford Mondeo car powered by diesel engine with capacity of 2.0 [dm3]. In order to diagnose the damage the vibration signals generated by the engine were used – initially processed with the use of discrete wavelet transform and probabilistic neural networks. In this article is proposed using DWT analysis and energy or entropy which are a base for diagnostic system.
    Źródło:
    Zeszyty Naukowe. Transport / Politechnika Śląska; 2013, 81; 25-30
    0209-3324
    2450-1549
    Pojawia się w:
    Zeszyty Naukowe. Transport / Politechnika Śląska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Pattern Classification of Fabric Defects Using a Probabilistic Neural Network and Its Hardware Implementation using the Field Programmable Gate Array System
    Klasyfikacja rodzaju defektów tkanin za pomocą probabilistycznej sztucznej sieci neuronowej oraz za pomocą systemu FPGA
    Autorzy:
    Hasnat, A.
    Ghosh, A.
    Khatun, A.
    Halder, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/234369.pdf
    Data publikacji:
    2017
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    classification
    fabric defect
    field programmable gate array (FPGA)
    radial basis function
    probabilistic neural network
    klasyfikacja wad tkanin
    probabilistyczna sieć neuronowa
    Opis:
    This study proposes a fabric defect classification system using a Probabilistic Neural Network (PNN) and its hardware implementation using a Field Programmable Gate Arrays (FPGA) based system. The PNN classifier achieves an accuracy of 98 ± 2% for the test data set, whereas the FPGA based hardware system of the PNN classifier realises about 94±2% testing accuracy. The FPGA system operates as fast as 50.777 MHz, corresponding to a clock period of 19.694 ns.
    W pracy zaprezentowano system klasyfikacji wad tkanin przy użyciu probabilistycznej sieci neuronowej (PNN) i przy zastosowaniu systemu Field Programmable Gate Array (FPGA). PNN pozwala na osiągnięcie dokładności 98 ± 2% dla zbioru danych testowych, podczas gdy system FPGA pozwala na osiągnięcie dokładności około 94 ± 2%. System FPGA pracuje przy częstotliwości 50,777 MHz, co odpowiada 19,694 ns.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2017, 1 (121); 42-48
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neuronowa identyfikacja dojrzalosci wybranych odmian jablek
    Neural identification of ripeness of chosen varieties of apples
    Autorzy:
    Boniecki, P
    Jakubek, A.
    Kluza, T.
    Nowakowski, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/884097.pdf
    Data publikacji:
    2010
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    jablon Gala Must
    jablon Lobo
    jablon Rajka
    owoce
    jablka
    dojrzalosc owocow
    stopien dojrzalosci
    identyfikacja
    barwa owocow
    skala BBCH
    ksztalt owocow
    wspolczynnik ksztaltu
    zbiory danych
    sieci neuronowe sztuczne
    percepton czterowarstwowy
    siec radialnych funkcji bazowych
    probabilistyczna siec neuronowa
    system JabVis 1.1
    Opis:
    Celem niniejszej pracy była identyfikacja poziomu dojrzałości wybranych odmian jabłek za pomocą sztucznych sieci neuronowych, dokonana na podstawie reprezentatywnych cech, pozyskanych metodami analizy obrazu. Aby można prawidłowo rozwiązać tak sformułowane zadanie, wymagane było zapoznanie się z metodami analizy obrazu oraz zagadnieniami klasyfikacji z wykorzystaniem modeli neuronowych. W celu wyjaśnienia tego problemu został wytworzony, zgodnie z wymaganiami inżynierii oprogramowania, neuronowy system informatyczny przeznaczony do identyfikacji, zdefiniowanych wcześniej, klas dojrzałości wybranych odmian jabłek.
    The main aim of this research was to identify the level of ripeness of chosen varieties of apples using neural networks. The process was based on a set of selected features acquired by images analysis. To secure one' s object it was necessary to get to know the available and current image analysis methodologies as well as the neural networks' classification abilities. The neural computer system has been designed, regarding all requirements of software engineering in order to develop an implementation of the model proposed during the phase described above. The software is capable to identify the ripeness of an apple from the chosen varieties.
    Źródło:
    Technika Rolnicza Ogrodnicza Leśna; 2010, 06; 7-10
    1732-1719
    2719-4221
    Pojawia się w:
    Technika Rolnicza Ogrodnicza Leśna
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-6 z 6

      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