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 "synthetic network" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Response of Lyapunov exponents to diffusion state of biological networks
    Autorzy:
    Altuntas, Volkan
    Gok, Murat
    Kocal, Osman Hilmi
    Powiązania:
    https://bibliotekanauki.pl/articles/1838156.pdf
    Data publikacji:
    2020
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    synthetic network
    biological network
    Lyapunov exponents
    sieć syntetyczna
    sieć biologiczna
    wykładniki Lapunova
    Opis:
    The topologies of protein-protein interaction networks are uncertain and noisy. The network topology determines the reliability of computational knowledge acquired from noisy networks and can impose the deterministic and non-deterministic character of the resulting data. In this study, we analyze the effect of the network topology on Lyapunov exponents and its relationship with network stability. We define the methodology to convert the network data into signal data and obtain the Lyapunov exponents for a variety of networks. We then compare the Lyapunov exponent response and the stability results. Our technique can be applied to all types of network topologies as demonstrated with our experiments, conducted on both synthetic and real networks from public databases. For the first time, this article presents findings where Lyapunov exponents are evaluated under topological mutations and used for network analysis. Experimental results show that Lyapunov exponents have a strong correlation with network stability and both are correlatively affected by the network model. Hence we develop a novel coefficient, termed LEC, to measure the robustness of biological networks. LEC can be applied to real or synthetic biological networks rapidly. Results are a striking indication that the Lyapunov exponent is a potential candidate measure for network analysis.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2020, 30, 4; 689-702
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Applications of generative models with a latent observation subspace in vibrodiagnostics
    Autorzy:
    Puchalski, Andrzej
    Komorska, Iwona
    Powiązania:
    https://bibliotekanauki.pl/articles/27313835.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    vibration signal
    deep neural network
    generative adversarial network
    GAN model
    synthetic subspace
    sygnał wibracyjny
    głęboka sieć neuronowa
    GAN
    wibrodiagnostyka
    Opis:
    The vibration signal is one of the most essential diagnostic signals, the analysis of which allows for determining the dynamic state of the monitored machine set. In the era of cyber-physical industrial systems, making diagnostic decisions involves the study of large databases from previous registers and data downloaded from machines in real-time. However, the recorded signals mainly concern the operational status of the monitored object. Insufficient training data regarding failure states hinders the operation of classification algorithms. Progress in machine learning has created a new avenue for the advancement of diagnostic methods based on models. These methods now have the capability to produce signals through random sampling from a hidden space or generate fresh instances of input data from noise. The article suggests the use of a Generative Adversarial Network (GAN) model as a tool to create synthetic measurement observations for vibration monitoring. The effectiveness of the synthetic data generation algorithm was verified on the example of the vibration signal recorded during tests of the drive system of a motor vehicle.
    Źródło:
    Diagnostyka; 2023, 24, 4; art. no. 2023413
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Blender jako narzędzie do generacji danych syntetycznych
    Blender as a tool for generating synthetic data
    Autorzy:
    Sieczka, Rafał
    Pańczyk, Maciej
    Powiązania:
    https://bibliotekanauki.pl/articles/98204.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Lubelska. Instytut Informatyki
    Tematy:
    artificial neural networks
    convolutional neural network
    synthetic data
    blender
    sztuczne sieci neuronowe
    konwolucyjne sieci neuronowe
    dane syntetyczne
    Opis:
    Acquiring data for neural network training is an expensive and labour-intensive task, especially when such data is difficult to access. This article proposes the use of 3D Blender graphics software as a tool to automatically generate synthetic image data on the example of price labels. Using the fastai library, price label classifiers were trained on a set of synthetic data, which were compared with classifiers trained on a real data set. The comparison of the results showed that it is possible to use Blender to generate synthetic data. This allows for a significant acceleration of the data acquisition process and consequently, the learning process of neural networks.
    Pozyskiwanie danych do treningu sieci neuronowych, jest kosztownym i pracochłonnym zadaniem, szczególnie kiedy takie dane są trudno dostępne. W niniejszym artykule zostało zaproponowane użycie programu do grafiki 3D Blender, jako narzędzia do automatycznej generacji danych syntetycznych zdjęć, na przykładzie etykiet cenowych. Przy użyciu biblioteki fastai, zostały wytrenowane klasyfikatory etykiet cenowych, na zbiorze danych syntetycznych, które porównano z klasyfikatorami trenowanymi na zbiorze danych rzeczywistych. Porównanie wyników wykazało, że możliwe jest użycie programu Blender do generacji danych syntetycznych. Pozwala to w znaczącym stopniu przyśpieszyć proces pozyskiwania danych, a co za tym idzie proces uczenia sieci neuronowych.
    Źródło:
    Journal of Computer Sciences Institute; 2020, 16; 227-232
    2544-0764
    Pojawia się w:
    Journal of Computer Sciences Institute
    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