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 "rozpoznawanie Bayesa" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Computer algorithms probabilistic supporting intelligent transportation management of internal
    Komputerowe algorytmy probabilistyczne wspomagające zarządzanie inteligentnym transportem wewnętrznym
    Autorzy:
    Topolski, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/115275.pdf
    Data publikacji:
    2017
    Wydawca:
    Wyższa Szkoła Techniczna w Katowicach
    Tematy:
    intelligent transport system
    recognition Bayes
    inteligentny system transportowy
    rozpoznawanie Bayesa
    Opis:
    This paper presents a probabilistic model in managing intelligent internal transport based on decision making risk. The term reliability of an internal transport denotes failure-free operating time of internal transport as compared to the entire time particular transport is supposed to operate correctly. This paper illustrates a model of risk evaluation in internal transport operation based on probability that the system will reliably function within particular time, in a particular environment for specific purposes. Building probabilistic models used to calculate the risk of production planning is based on a reliable analysis of all possible aspects of producing a particular economic good. Modelling evaluates strengths and weaknesses of an enterprise which would like to complete a transport task, plans a transport processes based on the most important goals originating from the transport process.
    Artykuł przedstawia model probabilistyczny w zadaniu zarządzania inteligentnym transportem wewnętrznym bazującym na ryzyku związanym z podejmowaniem decyzji. Poprzez termin niezawodności systemu transportu wewnętrznego rozumie się czas bezawaryjnego działania transportu wewnętrznego w stosunku do całości czasu, w którym dany transport powinien działać poprawnie. Artykuł przedstawia model oceny ryzyka działania transportu wewnętrznego na bazie prawdopodobieństwa z jakim system będzie bezawaryjnie funkcjonował w zadanym okresie czasu, przy pracy w określonym środowisku i dla określonego celu. Budowanie modeli probabilistycznych służących do wyznaczania ryzyka planowania produkcji opiera się na rzetelnej analizie wszystkich możliwych aspektów produkcji danego dobra gospodarczego. W modelowaniu poddaje się ocenie mocne i słabe strony przedsiębiorstwa, które chce podjąć się zadania transportowego, dokonuje się planowania samego procesu transportowego w oparciu o najważniejsze cele wynikające z procesu transportowego.
    Źródło:
    Zeszyty Naukowe Wyższej Szkoły Technicznej w Katowicach; 2017, 9; 93-100
    2082-7016
    2450-5552
    Pojawia się w:
    Zeszyty Naukowe Wyższej Szkoły Technicznej w Katowicach
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    On Naive Bayes in Speech Recognition
    Autorzy:
    Toth, L.
    Kocsor, A.
    Csirik, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/908542.pdf
    Data publikacji:
    2005
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    naiwny klasyfikator Bayesa
    rozpoznawanie mowy
    ukryty model Markowa
    naive Bayes
    segment-based speech recognition
    hidden Markov model
    Opis:
    The currently dominant speech recognition technology, hidden Markov modeling, has long been criticized for its simplistic assumptions about speech, and especially for the naive Bayes combination rule inherent in it. Many sophisticated alternative models have been suggested over the last decade. These, however, have demonstrated only modest improvements and brought no paradigm shift in technology. The goal of this paper is to examine why HMM performs so well in spite of its incorrect bias due to the naive Bayes assumption. To do this we create an algorithmic framework that allows us to experiment with alternative combination schemes and helps us understand the factors that influence recognition performance. From the findings we argue that the bias peculiar to the naive Bayes rule is not really detrimental to phoneme classification performance. Furthermore, it ensures consistent behavior in outlier modeling, allowing efficient management of insertion and deletion errors.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2005, 15, 2; 287-294
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Sieci Bayesa w rozpoznawaniu mowy
    Bayes networks used in application to speech signal recognition
    Autorzy:
    Mermon, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/274624.pdf
    Data publikacji:
    2011
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
    Tematy:
    sieci Bayesa
    sygnał mowy
    cyfrowe przetwarzanie sygnałów
    rozpoznawanie sygnału mowy
    DBN
    Bayes networks
    speech signal
    digital signal processing
    speech signal recognition
    Opis:
    Problematyka rozpoznawania mowy nie doczekała się, jak dotąd, kompleksowego rozwiązania. Współczesne efektywne systemy rozpoznawania mowy korzystają najczęściej z metod stochastycznych opartych na ukrytych modelach Markowa. Alternatywą dla nich mogą być sieci Bayesa, będące odpowiednią strukturą do formułowania modeli probabilistycznych, które cechują się jednocześnie precyzją oraz zwartością. Sieci Bayesa mogą reprezentować rozkład prawdopodobieństwa dowolnego zbioru zmiennych losowych. Mnogość dostępnych obecnie algorytmów i narzędzi obliczeniowych sprawia, że testowanie i wdrażanie nowych rozwiązań staje się mniej pracochłonne. Zalety te determinują duże możliwości wykorzystania sieci Bayesa do rozwiązywania praktycznych problemów również w zakresie rozpoznawania mowy.
    Speech recognition problem hasn't been fully-scaled solved till nowadays. Contemporary effective speech recognition systems mostly use stochastic methods based on Hidden Markov Models. Bayes networks can be alternative to them. BN are appropriate structures to formulate probabilistic models, which are simultaneously precise and compact. They can represent a probability distribution of arbitrary set of random variables. Variety of algorithms and computational tools which are available to use makes testing and implementing new solutions less demanding. Those advantages determine that Bayes networks have potential to be used in solving practical problems also in the area of speech recognition.
    Źródło:
    Pomiary Automatyka Robotyka; 2011, 15, 12; 109-111
    1427-9126
    Pojawia się w:
    Pomiary Automatyka Robotyka
    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