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 "sieć neuronowa" wg kryterium: Temat

  Lista filtrów

Dostawca treści

Podbaza

Wyrównaj
Wyświetlanie 1-15 z 488
Tytuł:
Porównanie właściwości neuronowych i klasycznych układów sterowania nieliniowym procesem dynamicznym
Comparison of neural and traditional control of a nonlinear process
Autorzy:
Pogorzelski, R.
Powiązania:
https://bibliotekanauki.pl/articles/376284.pdf
Data publikacji:
2015
Wydawca:
Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
Tematy:
sieć neuronowa
neuronowy układ sterowania
Opis:
W pracy zaprezentowano wybrane architektury neuronowych układów sterowania nieliniowym obiektem dynamicznym i porównano ich właściwości. Sterowanie procesem zostało zrealizowane za pomocą trzech algorytmów, wykorzystujących sztuczne sieci neuronowe: metody stosującej neuronowy model odwrotnej dynamiki obiektu, metody działającej w oparciu o linearyzację przez sprzężenie zwrotne oraz metody opartej o algorytm przeprowadzający na bieżąco linearyzację nieliniowego, neuronowego modelu obiektu. W sterowaniu wykorzystano sieci perceptronowe typu MLP (ang. Multilayer Perceptron). Dobór wag sieci przeprowadzono z wykorzystaniem algorytmu Levenberga–Marquardta. Zaproponowane metody sterowania zostały porównane z układem regulacji PID.
The paper presents a few neural control systems to control nonlinear process and compares their properties. Control of the process was carried out by three algorithms based on neural networks: direct inverse, feedback linearization, and instantaneous linearization. The Multilayer perceptron neural network (MLP) is chosen to represent a model of a nonlinear process. To find the best weights of an MLP, the Levenberg- Marquardt method was used. Presented neural methods were compared with traditional PID control. Research has been done in the Matlab/Simulink. The test results show that artificial neural networks can be a useful tool to control a nonlinear process.
Źródło:
Poznan University of Technology Academic Journals. Electrical Engineering; 2015, 84; 173-181
1897-0737
Pojawia się w:
Poznan University of Technology Academic Journals. Electrical Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Autoasocjacyjna sieć neuronowa jako narzędzie do nieliniowej kompresji danych
The artificial neural nerwork as a helping tool in the process of non-linear data compression
Autorzy:
Boniecki, P.
Przybył, J.
Powiązania:
https://bibliotekanauki.pl/articles/336092.pdf
Data publikacji:
2006
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:
sieć neuronowa
autoasocjacyjna sieć neuronowa
kompresja danych
artificial neural network
data compression
autoassociative network
Opis:
Sieci autoasocjacyjne to sieci, które odtwarzają wartości wejściowe na swoich wyjściach. Działanie takie zdecydowanie ma sens, ponieważ rozważana sieć autoasocjacyjna posiada w warstwie środkowej (ukrytej) zdecydowanie mniejszą liczbą neuronów niż w warstwie wejściowej czy wyjściowej. Dzięki takiej budowie dane wejściowe muszą przecisnąć się przez swojego rodzaju zwężenie w warstwie ukrytej sieci, kierując się w do wyjścia. Dlatego też, w celu realizacji stawianego jej zadania reprodukcji informacji wejściowej na wyjściu, sieć musi się najpierw nauczyć reprezentacji obszernych danych wejściowych za pomocą mniejszej liczby sygnałów produkowanych przez neurony warstwy ukrytej, a potem musi opanować umiejętność rekonstrukcji pełnych danych wejściowych z tej "skompresowanej" informacji. Oznacza to, że sieć autoasocjacyjna w trakcie uczenia zdobywa umiejętność redukcji wymiaru wejściowych danych.
An autoassociative network is one which reproduces its inputs as outputs. Autoassociative networks have at least one hidden layer with less units than the input and output layers (which obviously have the same number of layers as each other). Hence, autoassociative networks perform some sort of dimensionality reduction or compression on the cases. Dimensionality reduction can be used to pre-process the input data to encode Information in a smaller number of variables. This approach recognizes that the intrinsic dimensionality of the data may be lower than the number of variables. In other words, the data can be adequately described by a smaller number of variables, if the right transformation can be found.
Źródło:
Journal of Research and Applications in Agricultural Engineering; 2006, 51, 1; 37-40
1642-686X
2719-423X
Pojawia się w:
Journal of Research and Applications in Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Nieliniowa generalizacja numerycznego modelu terenu z wykorzystaniem sztucznych sieci neuronowych
Non-linear generalization of a digital terrain model using neural networks
Autorzy:
Olszewski, R.
Żyła, A.
Powiązania:
https://bibliotekanauki.pl/articles/204335.pdf
Data publikacji:
2004
Wydawca:
Polskie Towarzystwo Geograficzne
Tematy:
sieć neuronowa
generalizacja modelu
generalizacja kartograficzna
Opis:
W artykule omówiono wybrane współczesne koncepcje generalizacji numerycznego modelu rzeźby terenu. Przedstawiono także podstawowe własności sztucznych sieci neuronowych. Szczególną uwagę zwrócono na możliwość zastosowania sieci neuronowych jako narzędzia nieliniowego uogólniania modelu danych przestrzennych na przykładzie generalizacji NMT.
The article discusses selected contemporary concepts of generalization of a digital model of terrain relief. Basic properties of artificial neural networks are also presented. Special attention is paid to the possibility of application of neural networks as a tool for non-linear approximation of a spatial data model on the example of ganeralization of a digital tarrain model (DTM). Contemporary understanding of the concept of spatial data generalization differentiates between two models of spatial data connected to two types of generalization: cartographic generalization, linked to digital cartographic model (DCM) and model generalization linked to digital landscape model (DLM). Generalization of a terrain relief model (understood as DTM generalization, representing DLM model, and not as generalization of contour map - DCM model) requires one of three methods: global filtration, local filtration (usually multi-stage) or heuristic approach. Proper generalization of a digital terrain model is especially vital for powering of geographic information systems (GIS). In order to conduct credible spatial analyses it is essential to preserve the actual location of key terrain forms. Generalization of DLM model should therefore be applied, rather than cartographic generalization. Automatization of large scale DTM modeling understood this way requires local filtration. It should be noted that the question of source data selection from base model is only one of the aspects of DTM generalization. Interpolation methods applied have more complex impact on the resulting model. Classic methods of statistical surface creation usually base on linear interpolation. The article discusses non-linear methods of DTM interpolation using artificial neural networks. In mathematical modeling of physical surface of the Earth - in interpolation of digital terrain model - especially good results can be achieved with the use of regression networks. Generalized Regression Neural Networks (GRNN), due to the modification of the amoothing coefficient of radial function, permit fluent control of the level of executed generalization. Networks of this type can be used to refine and smooth DTM, preceding the stage of automatic generation of contours.Neural networks of the Radial Basis Function (RBF) type can be used as a tool for complex generalization of terrain relief model (the more radial neurons the lower generalization level).
Źródło:
Polski Przegląd Kartograficzny; 2004, T. 36, nr 2, 2; 82-91
0324-8321
Pojawia się w:
Polski Przegląd Kartograficzny
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Wizualizacja 3D struktury sztucznej sieci neuronowej z wykorzystaniem OpenGL
3D visualization of structure of artificial neural network using OpenGL
Autorzy:
Pietrowski, W.
Szymaniak, M
Powiązania:
https://bibliotekanauki.pl/articles/377413.pdf
Data publikacji:
2014
Wydawca:
Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
Tematy:
grafika komputerowa
OpenGL
sztuczna sieć neuronowa
Opis:
W artykule przedstawiono oprogramowanie do trójwymiarowej wizualizacji struktury sztucznej sieci neuronowej. Takie oprogramowanie w procesie tworzenia sztucznej sieci neuronowej może posłużyć do wizualizacji wszystkich elementów struktury. Podgląd struktury sztucznej sieci neuronowej na etapie jej tworzenia ułatwia zarówno proces projektowania jak również jej modyfikowania. Powstałe oprogramowanie ma też walory dydaktyczne, które mogą zostać wykorzystane podczas zajęć omawiających sztuczne sieci neuronowe. Otrzymane rysunki mogą znaleźć zastosowanie w publikacjach opisujących zastosowania sztucznych sieci neuronowych w elektrotechnice jak i innych dziedzinach nauki.
The article presents a software for three-dimensional visualization of structure of an artificial neural network. Such software in the creation of an artificial neural network can be used to visualize all the elements of the structure. Preview the structure of an artificial neural network on the stage of its creation facilitates both the design process as well as its modification. The resulting software is for the didactic, which can be used in the classroom discussing artificial neural networks. The resulting drawings can be used in publications describing the use of artificial neural networks in electrical engineering and other sciences.
Źródło:
Poznan University of Technology Academic Journals. Electrical Engineering; 2014, 80; 137-144
1897-0737
Pojawia się w:
Poznan University of Technology Academic Journals. Electrical Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Wpływ dodania małej sieci neuronowej do regulatora PID na jakość regulacji
Addition of small neural network to PID controller and its effect on quality of control
Autorzy:
Lis, M.
Kozierski, P.
Powiązania:
https://bibliotekanauki.pl/articles/377616.pdf
Data publikacji:
2013
Wydawca:
Politechnika Poznańska. Wydawnictwo Politechniki Poznańskiej
Tematy:
sieć neuronowa
regulator PID
przetwornica Buck
Opis:
W artykule podjęto próbę implementacji połączenia regulatora PID oraz małej sieci neuronowej, zbadano wpływ takiego połączenia na jakość regulacji. Obiektem badanym jest przetwornica typu Buck sterowana prądem. Głównym kryterium badania było dobranie sieci pod kątem ograniczenia zasobów systemu sterowania. Porównano sieci o jednym, dwóch oraz trzech neuronach w warstwie ukrytej dla różnych punktów pracy przetwornicy.
The article attempts to implement PID controller and a small neural network connected together and explore the effect of this combination on the quality of regulation. The test object is a buck converter controlled with current. The main criterion for selection of the study was resource constraints in terms of the control system. Neural network has been compared with one, two and three neurons in the hidden layer for different operating points of the converter.
Źródło:
Poznan University of Technology Academic Journals. Electrical Engineering; 2013, 76; 205-211
1897-0737
Pojawia się w:
Poznan University of Technology Academic Journals. Electrical Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Od Bertina i Hotellinga do Zadeha i Kohonena, czyli o zastosowaniu sztucznych sieci neuronowych w kartografii tematycznej
From Bertin and Hotelling to Zadeh and Kohonen, or about applications of neutral networks in thematic cartography
Autorzy:
Kępińska, M.
Olszewski, R.
Powiązania:
https://bibliotekanauki.pl/articles/204234.pdf
Data publikacji:
2002
Wydawca:
Polskie Towarzystwo Geograficzne
Tematy:
kartografia
sieć neuronowa Kohonena
kartografia tematyczna
Opis:
W artykule omówiono wybrane współczesne metody klasyfikowania danych oraz pokazano możliwość ich wykorzystania w kartografii. Szczególną uwagę zwrócono na możliwość zastosowania sieci neuronowych Kohonena jako narzędzia nienadzorowanej klasyfikacji danych przestrzennych.
The article discusses selected contemporary methods of multi-feature data and shows their possible applications in cartography. Graphic information processing described by J. Bertin and principal components analysis created by H. Hotelling, which enables the transfer of results from n-dimensional space to three-, two-, and even one-dimensional space, are examples of non-standard classification in cartography. An examples of spatial data classification using L.A. Zadeh's theory of fuzzy sets is presented. In this classification particuler objects belong to different classes, with various levels of subordination. The article draws special attention to possibility of using neural networks (NN) as a tool for unsupervised classification of spatial data. NN using systems are widely applied in branches of knowledge, which research prediction and classification. From the point of view of source data classification, it is interesting to use NN prepared by unsupervised learning. A so called Kohonen's network is an example of such structure. During the learning process this network does not receive feedback on the correctness of particular answers. Not knowing the expected output information, the network selflearns to recognize data structure. The outer surface of the network creates a, so called, Kohonen topological map, which projects the relations of similarity between the features of analyzed objects into one- or two-dimensional space. The article presents two examples of practical applications of Kohonen's network in classification of multi-feature spatial data. Presented multi-feature data classification methods, despite high differentiation of algorithms, show similar approach to the discussed problem. Self-learning of Kohonen's network, like permutation method, consists in revealing the structure of source data. Application of neural networks, similarly to the method of principal components, allows to reduce the dimension of the space of attributes. In neural networks, as in the classification method basing on theory of fuzzy sets, the final interpretation should be preceded by an estimation of the level of activation of particular neurons. Application of one-dimensional out surface of Kohonen's net-work makes it possible to directly present the classification results on a thematic map, which is optimal from a cartographic point of view.
Źródło:
Polski Przegląd Kartograficzny; 2002, T. 34, nr 2, 2; 103-114
0324-8321
Pojawia się w:
Polski Przegląd Kartograficzny
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Sieci neuronowe typu MLP oraz RBF jako narzędzia klasyfikacyjne w analizie obrazu
The neural network type the MLP and RBF as classifying tools in picture analysis
Autorzy:
Boniecki, P.
Powiązania:
https://bibliotekanauki.pl/articles/337163.pdf
Data publikacji:
2006
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:
sieć neuronowa
sieć neuronowa MLP
sieć neuronowa RBF
analiza obrazu
identyfikacja neuronowa
model neuronowy
neural network
MLP neural network
RBF neural network
picture analysis
neuronal identification
neuronal model
Opis:
Neuronowa identyfikacja danych obrazowych, ze szczególnym naciskiem na analizę ilościową oraz jakościową, coraz częściej wykorzystywana jest do pozyskiwania oraz zgłębiania wiedzy zawartej w danych empirycznych. Ekstrakcja, a następnie klasyfikacja wybranych cech obrazu, pozawala na wytworzenie informatycznych narzędzi do identyfikacji wybranych obiektów, prezentowanych np. w postaci obrazu cyfrowego. W związku z tym, celowym wydaje się być poszukiwanie nowoczesnych metod wspomagających proces edukacyjny w zakresie konstrukcji oraz eksploatacji modeli neuronowych w kontekście ich wykorzystania w procesie analizy obrazu. Dodatkowym celem pracy było porównanie jakości sieci MLP oraz RBF mające na względzie wskazanie optymalnego instrumentu klasyfikacyjnego.
The neuronal identification of pictorial data, with special emphasis on both quantitative & qualitative analysis, is more frequently utilized to gain & deepen the empirical data knowledge. Extraction & then classification of selected picture features, enables one to create computer tools in order to identify these objects presented as, for example, digital pictures. In relationship from this, it seems to be purposeful the search of the modern methods helping educational process in the range of construction as well as exploitation of neuronal models in context of their utilization in picture analysis process. The additional aim of the work was the comparison of neural network of the type MLP and RBF for indication of the optimum classification tool.
Źródło:
Journal of Research and Applications in Agricultural Engineering; 2006, 51, 4; 34-39
1642-686X
2719-423X
Pojawia się w:
Journal of Research and Applications in Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Segmentation of cancer masses on breast ultrasound images using modified U-net
Segmentacja mas nowotworowych na obrazach ultrasonografii piersi z użyciem zmodyfikowanego modelu U-net
Autorzy:
Khallassi, Ihssane
El Yousfi Alaoui, My Hachem
Jilbab, Abdelilah
Powiązania:
https://bibliotekanauki.pl/articles/27315434.pdf
Data publikacji:
2023
Wydawca:
Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Tematy:
convolutional neural network
segmentation
u-net
residual neural network
konwolucyjna sieć neuronowa
segmentacja
rezydualna sieć neuronowa
Opis:
Breast cancer causes a huge number of women’s deaths every year. The accurate localization of a breast lesion is a crucial stage. The segmentation of breast ultrasound images participates in the improvement of the process of detection of breast anomalies. An automatic approach of segmentation of breast ultrasound images is presented in this paper, the proposed model is a modified u-net called Attention Residual U-net, designed to help radiologists in their clinical examination to determine adequately the limitation of breast tumors. Attention Residual U-net is a combination of existing models (Convolutional Neural Network U-net, the Attention Gate Mechanism and the Residual Neural Network). Public breast ultrasound images dataset of Baheya hospital in Egypt is used in this work. Dice coefficient, Jaccard index and Accuracy are used to evaluate the performance of the proposed model on the test set. Attention residual u-net can significantly give a dice coefficient = 90%, Jaccard index = 76% and Accuracy = 90%. The proposed model is compared with two other breast segmentation methods on the same dataset. The results show that the modified U-net model was able to achieve accurate segmentation of breast lesions in breast ultrasound images.
Każdego roku rak piersi powoduje ogromną liczbę zgonów kobiet. Dokładna lokalizacja zmiany piersi jest kluczowym etapem. Segmentacja obrazów ultrasonograficznych piersi przyczynia się do poprawy procesu wykrywania nieprawidłowości piersi. W tym artykule przedstawiono automatyczne podejście do segmentacji obrazów ultrasonograficznych piersi, proponowany model to zmodyfikowany U-net, nazwany Attention Residual U-net, zaprojektowany w celu wspomagania radiologów podczas badania klinicznego, w celu odpowiedniego określenia zasięgu guzów piersiowych. Attention Residual U-net jest połączeniem istniejących modeli (konwolucyjną siecią neuronową U-net, Attention Gate Mechanism i Residual Neural Network). W tym badaniu wykorzystano publiczny zbiór danych obrazów ultrasonograficznych piersi szpitala Baheya w Egipcie. Do oceny wydajności zaproponowanego modelu na zbiorze testowym wykorzystano współczynnik Dice'a, indeks Jaccarda i dokładność. Attention Residual U-net może znacznie przyczynić się do uzyskania współczynnika Dice'a równego 90%, indeksu Jaccarda równego 76% i dokładności równiej 90%. Proponowany model został porównany z dwoma innymi metodami segmentacji piersi na tym samym zbiorze danych. Wyniki pokazują, że zmodyfikowany model U-net był w stanie osiągnąć dokładną segmentację zmian piersiowych na obrazach ultrasonograficznych piersi.
Źródło:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2023, 13, 3; 11--15
2083-0157
2391-6761
Pojawia się w:
Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 488

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