Wyniki wyszukiwania - BazTech

1

Single-image indoor localization using cross-domain learning from BIM models

Ryszko Piotr, Włodarczyk Dorota, Jarząbek-Rychard Małgorzata

Reports on Geodesy and Geoinformatics

|

2026

|

Vol. 121

50--58

EN

Accurate indoor camera localization is crucial for applications in augmented reality, robotics, and autonomous navigation. While single-image deep learning models for 6-DOF pose regression have shown competitive results on established benchmarks, their development still requires extensive data annotation and hyperparameter tuning. In this work, we investigate the combination of advanced network architectures, transfer learning, and synthetic data to improve single-image indoor pose regression. Our approach employs a ResNet50 backbone pre-trained on the Places365 dataset and further trained and evaluated on established benchmarks. To enhance the training data, synthetic images are generated from 3D BIM models using Unreal Engine, with alignment procedures ensuring accurate correspondence between synthetic and real environments. Real RGB images are preprocessed to resemble synthetic data, enabling effective cross-domain evaluation. Experiments demonstrate that both architectural design and pretraining significantly influence model performance. On the UniMelb dataset (real-to-real scenario), the model achieves 0.21 m and 0.80° errors, surpassing baseline accuracy. We also present cross-validation and synthetic-to-synthetic experiments, providing insights into factors affecting performance and interactions between architecture, pretraining, and dataset characteristics.

2

Wykorzystanie technik uczenia maszynowego i teledetekcji do aktualizacji bazy BDOT10k

Doroż Arkadiusz, Bożek Piotr, Taszakowski Jarosław, Duraziński Dawid

Przegląd Geodezyjny

|

2026

|

R. 98, nr 1

24--28

PL

Artykuł przedstawia możliwości wykorzystania technik uczenia maszynowego oraz danych teledetekcyjnych w procesie aktualizacji Bazy Danych Obiektów Topograficznych BDOT10k. Badania przeprowadzono na obszarze dzielnicy Dębniki w Krakowie, wykorzystując wysokorozdzielczą ortofotomapę lotniczą, dane z lotniczego skanowania laserowego (ALS) oraz referencyjne dane BDOT10k. Automatyczna detekcja budynków została wykonana w środowisku ArcGIS Pro, z zastosowaniem modelu Deep Learning, co pozwoliło na identyfikację 1351 obiektów budowlanych w porównaniu do 1250 budynków zarejestrowanych w bazie referencyjnej. Przeprowadzono analizę zgodności geometrycznej wykrytych obiektów z danymi BDOT10k oraz ocenę różnic powierzchniowych. Dodatkowo, na podstawie danych ALS oszacowano liczbę kondygnacji budynków, przyjmując wysokość jednej kondygnacji równą 3 m. Uzyskane wyniki wskazują, że integracja danych teledetekcyjnych i algorytmów uczenia maszynowego może stanowić narzędzie wspomagające proces aktualizacji krajowych baz danych przestrzennych.

EN

The article presents the potential of using machine learning techniques and remote sensing data in the process of updating the Topographic Objects Database (BDOT10k). The study was conducted in the Dębniki district of Kraków using highresolution aerial orthophotos, airborne laser scanning (ALS) data, and reference BDOT10k data. Automatic building detection was performed in the ArcGIS Pro environment using a deep learning model, which enabled the identification of 1,351 building objects compared to 1,250 buildings recorded in the reference database. A geometric consistency analysis between the detected objects and the BDOT10k data was carried out, along with an assessment of area differences. In addition, the number of building storeys was estimated based on ALS data, assuming a storey height of 3 m. The obtained results indicate that the integration of remote sensing data and machine learning algorithms may constitute a supporting tool for the process of updating national spatial databases.

3

YOLO Object Detectors for Robotics - a Comparative Study

Niżeniec Patryk, Iwanowski Marcin, Gahbler Marcin

Pomiary Automatyka Robotyka

|

2026

|

R. 30, nr 1

117--126

EN

YOLO object detectors recently became a key component of vision systems in many domains. The family of available YOLO models consists of multiple versions, each in various variants. The research reported in this paper aims to validate the applicability of members of this family to detect objects located within the robot workspace. In our experiments, we used our custom dataset and the COCO2017 dataset. To test the robustness of investigated detectors, the images of these datasets were subject to distortions. The results of our experiments, including variations of training/testing configurations and models, may support the choice of the appropriate YOLO version for robotic vision tasks.

PL

Detektory obiektów YOLO stały się ostatnimi czasy kluczowym elementem systemów wizyjnych w wielu dziedzinach. Rodzina dostępnych modeli YOLO składa się z wielu wersji, z których każda występuje w różnych wariantach. Badania opisane w niniejszej pracy mają na celu zweryfikowanie przydatności członków tej rodziny do wykrywania obiektów znajdujących się w przestrzeni roboczej robota. W eksperymentach wykorzystano nasz własny zbiór danych oraz zbiór COCO2017. Aby przetestować odporność badanych detektorów, obrazy z tych zbiorów poddano zniekształceniom. Wyniki eksperymentów, uwzględniające różne konfiguracje treningowe/testowe oraz modele, mogą stanowić wsparcie przy wyborze odpowiedniej wersji YOLO dla zadań związanych z wizją robotyczną.

4

Supervised machine learning methods for short-term prediction of a sudden cardiac death from electrocardiogram

Amezquita-Sanchez J.P., Centeno-Bautista M.A., Valtierra-Rodriguez M., Adeli H.

Biocybernetics and Biomedical Engineering

|

2026

|

Vol. 46, iss. 2

250--265

EN

Sudden cardiac arrest (SCA) is a life-threatening arrhythmic event in which the heart abruptly loses its ability to pump blood effectively. If the arrest is not reversed within minutes, it progresses to sudden cardiac death (SCD), a fatal outcome. responsible for approximately 18% of all global deaths. This review focuses on supervised learning methods for predicting SCA episodes at risk of progressing to SCD, based on electrocardiogram (ECG) analysis. It establishes the clinical significance of SCD prediction before examining signal processing techniques for extracting relevant characteristics from ECG signals. Subsequently, the analysis focuses on machine and deep learning approaches, particularly their roles in pattern recognition and predictive modeling. Furthermore, the investigation explores emerging supervised classifiers with potential applications in SCD prediction. Finally, the review concludes by addressing current challenges and future research directions, with emphasis on three critical aspects: (1) development of robust predictive models, (2) integration of multi-source data, and (3) implementation of personalized healthcare strategies. This synthesis of existing knowledge combined with novel methodological insights offers valuable guidance for advancing SCD prediction research and improving clinical outcomes.

5

A multi-scale spatiotemporal learning framework for Parkinsonian gait analysis

Wang Jiangtao, Hou Zhenjie, Lin En, Li Xing, Liang JiuZhen, Zhou Xinwen

Biocybernetics and Biomedical Engineering

|

2026

|

Vol. 46, iss. 1

95--112

EN

Patients with Parkinson’s disease typically exhibit varying degrees of motor impairment, and gait analysis can reveal underlying movement patterns, facilitating accurate diagnosis and severity assessment. However, existing methods often struggle to effectively extract local features from multi-sensor signals. In addition, attention mechanisms that operate solely in the time domain are insufficient for capturing the latent discriminative information embedded in complex gait signals, and they also face challenges in modeling global temporal dynamics.To address these issues, we propose a novel gait analysis model named PASgait. The model comprises three functional modules: the Parallel Convolutional Feature Extractor Module (PCFEM), which independently models each sensor signal to enhance the representation of local features; the Adaptive Frequency Attention Module (AFAM), which integrates discrete cosine transform and learnable frequency-domain filters, and feeds frequency-domain attention back into the original time domain via inverse transformation, thereby enriching feature representation; and the Sparse-Aware Gait Encoder (SAGE), which incorporates a sparse attention mechanism and positional encoding to strengthen the modeling of global temporal dependencies. The synergy of these modules significantly improves the model’s ability to capture complex gait dynamics and enhances its discriminative performance. In Parkinson’s disease diagnosis and severity assessment tasks, PASgait achieved accuracies of 97.0% and 87.9%, respectively, outperforming existing mainstream methods and demonstrating strong potential for clinical decision support.

6

AI is coming, czyli swobodne rozważania nad sztuczną inteligencją

Piórkowski Adam, Gajer Mirosław

Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki

|

2025

|

nr 32

39--52

PL

Niniejszy artykuł przedstawia swobodne rozważania nad sztuczną inteligencją w kontekście odbioru społecznego i pokładanych w niej nadziei. Prezentowane są różne aspekty, przede wszystkim dotyczące edukacji i nauki. W sposób nawiązujący do tradycji i popkultury wyjaśniono wybrane zagadnienia związane z działaniem sztucznych sieci neuronowych, ze szczególnym wskazaniem tego, co jest pomijane w dyskursie medialnym: braków i niedociągnięć ze strony tej technologii. To, co oferują obecnie istniejące systemy sztucznej inteligencji jest bardzo dalekie od tego, co mogłoby być dopiero ewentualnie postrzegane jako prawdziwa sztuczna inteligencja. W szczególności obecnie nie ma absolutnie żadnych szans, aby można było się spodziewać, że jakikolwiek system sztucznej inteligencji będzie w stanie udowodnić przykładowo hipotezę Riemanna. Podobnie istniejące obecnie systemy komputerowego przekładu są również dalekie od pożądanego w tym zakresie ideału, a samo zastosowane w ich przypadku uczenie maszynowe nie jest bynajmniej w stanie rozwiązać skutecznie wszelkich pojawiających się tutaj problemów.

EN

This article presents free considerations on Artificial Intelligence in the context of social reception and hopes placed in it. Various aspects are presented, primarily those related to education and science. In a way referring to tradition and pop culture, selected issues related to the operation of Artificial Neural Networks are explained, with particular emphasis on what is omitted in media discourse, i.e. the shortcomings and deficiencies of this technology. Certainly, what is offered by currently existing artificial intelligence systems is still very far from what could possibly be seen as true artificial intelligence. In particular, there is currently absolutely no chance that any artificial intelligence system could be expected to be able to prove the Riemann hypothesis, for example, especially since this has been an open mathematical problem for more than 150 years, the solution of which is probably beyond the capacity of the human intellect. Similarly, the computer translation systems that currently exist are also far from the desired ideal in this respect, and the machine learning applied to them alone is by no means capable of effectively solving all the problems that arise in such systems.

7

Neuro-short-term demand forecasting model of territorial communities energy islands with electricity and heat combined generation

Trokhaniak Viktor, Kovalchuk Stanislav, Zablodskiy Mykola, Kaplun Viktor, Makarevych Svitlana

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 5

85--88

EN

The growing need to ensure the viability of energy islands of territorial communities requires the development of effective methods for short term forecasting of energy demand. This problem becomes especially relevant in the context of warfare and an unstable energy situation. The paper is devoted developing a neural network model for short-term forecasting of demand energy islands of territorial communities with combined production of electricity and heat. The research used the architecture of long short-term memory, a recurrent neural network for manage sequential data with a time dependence. The model is trained using data history and integrated into an automated control system. The obtained results indicate a high accuracy of forecasting using the long short-term memory model. The average absolute forecast deviation is approximately 2.2%, R2 about 95%, and the root mean square (RMS) deviation is 0.0008. The model is superior in its efficiency for the support vector regression (SVR) models and random linear regression (Prophet). The implementation of the short-term forecasting model of energy demand in automated control systems of energy islands with combined production of electricity and heat allows collecting historical data and forecasting consumption in real time. This contributes the prompt coordination of the generation renewable energy sources (RES), form the balance of the energy system in combining production, adjustment of the load schedule, reduction of flows from the external grid and optimization energy costs.

PL

Rosnąca potrzeba zapewnienia żywotności wysp energetycznych społeczności terytorialnych wymaga opracowania skutecznych metod krótkoterminowego prognozowania zapotrzebowania na energię. Problem ten staje się szczególnie istotny w kontekście działań wojennych i niestabilnej sytuacji energetycznej. Artykuł poświęcony jest opracowaniu modelu sieci neuronowej do krótkoterminowego prognozowania zapotrzebowania na energię wysp terytorialnych społeczności przy skojarzonej produkcji energii elektrycznej i ciepła. W badaniach wykorzystano architekturę pamięci długoterminowej, rekurencyjną sieć neuronową do zarządzania sekwencyjnymi danymi z zależnością czasową. Model jest trenowany przy użyciu historii danych i zintegrowany z automatycznym systemem sterowania. Uzyskane wyniki wskazują na wysoką dokładność prognozowania przy użyciu modelu pamięci długoterminowej. Średnie bezwzględne odchylenie prognozy wynosi około 2,2%, R2 około 95%, a odchylenie średniej kwadratowej (RMS) wynosi 0,0008. Model ten jest lepszy pod względem wydajności dla modeli regresji wektorów nośnych (SVR) i losowej regresji liniowej (Prophet). Wdrożenie krótkoterminowego modelu prognozowania zapotrzebowania na energię w zautomatyzowanych systemach sterowania wysp energetycznych o skojarzonej produkcji energii elektrycznej i ciepła pozwala na zbieranie danych historycznych i prognozowanie zużycia w czasie rzeczywistym. Przyczynia się to do szybkiej koordynacji wytwarzania odnawialnych źródeł energii (OZE), kształtowania bilansu systemu energetycznego w skojarzonej produkcji, dostosowania harmonogramu obciążenia, redukcji przepływów z sieci zewnętrznej i optymalizacji kosztów energii.

8

Efektywność stosowania starszych kart graficznych w zadaniach uczenia głębokich sieci neuronowych

Gil Fabian, Berczyński Robert

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 7

77--82

PL

Artykuł przedstawia badania wybranych modeli kart graficznych na czas trenowania konwolucyjnych sieci neuronow ych przy użyciu zbioru obrazów mammograficznych. Wykazano, że odpowiednio dobrane parametry pozwalają na efektywne wykor zystanie starszych jednostek GPU w środowiskach z ograniczonymi zasobami obliczeniowymi. Zastosowanie transfer learningu oraz konfiguracji multi-GPU umożliwia dodatkową optymalizację procesu uczenia.

EN

The paper presents a study of selected graphics card models and their impact on the training time of convolutional neural networks using a mammographic image dataset. It has been shown that properly chosen parameters allow for the effective use of older GPU units in resource ‑constrained environments. The application of transfer learning and multi-GPU configurations enables further optimization of the training process.

9

Diagnosis of a group of induction motors powered from a joint point using deep learning

Zielonka Jakub, Naczyński Tymoteusz, Sułowicz Maciej

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 1

290--295

EN

The article presents the application of artificial intelligence based on deep learning algorithms for diagnostics of a group of induction motors. The group of diagnosed machines consists of four squirrel cage induction motors powered from one common point. For diagnostic purposes, similarly to the MCSA method, the stator current signal and additionally the supply voltage signal were used. In the research, the structures of convolutional neural networks - CNN were developed and then the training and testing procedure was carried out. The accuracy of the assessment obtained during the experimental tests was presented using the truth matrix.

PL

W artykule przedstawiono zastosowanie sztucznej inteligencji opartej o algorytmy uczenia głębokiego do diagnostyki grupy silników indukcyjnych. Grupa diagnozowanych maszyn składa się z czterech silników indukcyjnych klatkowych zasilanych z jednego wspólnego punktu. Do celów diagnostycznych, podobnie jak w metodzie MCSA, posłużył sygnał prądu stojana i dodatkowo sygnał napięcia zasilania. W badaniach opracowano struktury konwolucyjnych sieci neuronowych - CNN a następnie przeprowadzono procedurę treningu i testowania. Uzyskana podczas badań eksperymentalnych dokładność oceny przedstawiona została za pomocą macierzy prawdy.

10

Dangerous items’ detection in surveillance camera images using Faster R ‑CNN

Omiotek Zbigniew

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 5

156--168

EN

The Faster R -CNN with different backbone networks was used to detect dangerous objects in the study. The best results were obtained for the ResNet152 backbone. The mAP value was 85%, while the AP level ranged from 80% to 91%, depending on the item detected. An average real -time detection speed was between 11 and 13 FPS. Both the accuracy and speed of the model allow it to be recommended for use in public security monitoring systems aimed at detecting potentially dangerous objects.

PL

W badaniach, do wykrywania niebezpiecznych obiektów wykorzystano sieć Faster R -CNN z różnymi sieciami szkieletowymi. Naj lepsze wyniki uzyskano dla sieci szkieletowej ResNet152. Wartość mAP wyniosła 85%, natomiast poziom AP wahał się od 80% do 91%, w za leżności od wykrywanego obiektu. Średnia prędkość wykrywania w czasie rzeczywistym wynosiła od 11 do 13 FPS. Zarówno dokładność, jak i szybkość modelu pozwalają rekomendować go do wykorzystania w systemach monitorowania bezpieczeństwa publicznego, mających na celu wykrywanie potencjalnie niebezpiecznych obiektów.

11

Automatic identification of Algiers dialect based on word ‑level machine learning and deep learning methods

Cherouati Brahim, Fekir Youcef, Senouci Mohamed

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 5

169--173

EN

lgiers dialect identification is a specific field of natural language processing (NLP) aimed at automatically predicting the Algiers dialect of a given text. This paper presents different methods for identifying the Algiers dialect based on NLP, machine learning, and deep learning meth ods. The results show that the long short ‑term memory (LSTM) algorithm achieves 97% sensitivity in discriminating the Algiers dialect from Mod ern Standard Arabic (MSA) and an average of 94% sensitivity in discriminating this dialect from all other dialects presented in the studied dataset.

PL

Identyfikacja dialektu algierskiego jest specyficzną dziedziną przetwarzania języka naturalnego (NLP) mającą na celu automatyczne przewidywanie dialektu algierskiego danego tekstu. W tym artykule przedstawiamy różne metody identyfikacji dialektu Algieru w oparciu o NLP, uczenie maszynowe i metody głębokiego uczenia się. Wyniki pokazują, że algorytm pamięci długo ‑krótkoterminowej (LSTM) osiąga 97% czułości w odróżnianiu dialektu Algieru od współczesnego standardowego języka arabskiego (MSA) i średnio 94% czułości w odróżnianiu tego dialektu od wszystkich innych dialektów przedstawionych w badanym zbiorze danych.

12

Vanilla convolutional neural network is all you need for online and offline signature verification

Yilmaz Mustafa Berkay, Öztürk Kağan

International Journal of Applied Mathematics and Computer Science

|

2025

|

Vol. 35, no. 2

357--370

EN

Recent advances in deep learning have been utilized successively to improve the performance of signature verification (SV) systems. Deep models proposed in the literature are complicated and need to learn many parameters to give acceptable error rates, requiring a lot of training data. On the other hand, those models are designed and hand-crafted specializing in the problem, online or offline SV. In this work, we suggest and show on popular datasets that similar and simple convolutional neural network (CNN) models can achieve state-of-the-art results both for offline and online SV problems. For offline SV, our work outperforms its counterparts with and without data augmentation. We also show that a very similar CNN architecture can be employed for online SV. To the best of our knowledge, this is the first work to show that CNNs can be used to learn online signature representations directly from raw data.

13

Deep learning epileptic seizure detection based on the matching pursuit algorithm and its time-frequency graphical representation

Kunik Mateusz M., Gramacki Artur

International Journal of Applied Mathematics and Computer Science

|

2025

|

Vol. 35, no. 4

617--630

EN

Electroencephalography (EEG) is the primary diagnostic and an important prognostic clinical tool for epilepsy. The detection of epileptic activity is usually performed by a human expert and is based on finding specific patterns in the multi-channel electroencephalogram. However, the manual inspection of EEG signals is a time-consuming procedure for neurologists. Therefore, various attempts are made to automate it using both conventional and deep learning techniques. In this article, (i) we investigate the possibility of using time-frequency maps of energy derived from the matching pursuit algorithm for accurate detection of epileptic seizures (to the best of our knowledge, such an approach has not been analyzed so far, making this a pilot study); (ii) we show how to build an effective deep convolutional neural network with the so-called (2+1)D convolution technique; (iii) using carefully selected 79 neonatal EEG recordings, we develop a complete framework for seizure detection employing a deep learning approach, (iv) we share a ready to use R and Python codes which allow reproducing all the results presented in the paper.

14

Real-time Covid-19 diagnosis on embedded IoT platforms

Benmalek Elmehdi, Rhalem Wajih, Jbari Atman, Jilbab Abdelilah, Elmhamdi Jamal

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2025

|

T. 15, nr 4

39--45

EN

COVID-19 continues to pose a persistent global health challenge, where rapid, accurate, and accessible diagnostic tools are crucialfor controlling viral transmission. In this study, we present a non-invasive, embedded diagnostic system for COVID-19 detection based on chest CT scan image analysis. The acquired CT images are preprocessed to align with the input dimensions required by four lightweight convolutional neural network (CNN) architectures–ResNet-18, MobileNet, ShuffleNet, and SqueezeNet–selected for their efficiency and suitability in embedded systems. Among these, SqueezeNet achieved a classification accuracy and an f1-score of 99.1%, delivering performance comparable to the other models while offering superior computational efficiency, making it particularly well-suited for real-time, resource-constrained applications. The optimized model was deployedon an NVIDIA Jetson embedded platform to enable on-device, real-time COVID-19 detection at the edge. Diagnostic results are transmittedtothe ThingSpeak cloud platform via the MQTT protocol, facilitating continuous, remote health monitoring. Experimental findingsconfirm the feasibility, accuracy, and real-time operational capability of the proposed embedded system for COVID-19 detection using chest CT scan images.

PL

COVID-19 pozostaje poważnym globalnym wyzwaniem zdrowotnym, w którym szybkie, dokładne i łatwo dostępne narzędzia diagnostyczne odgrywają kluczową rolę w kontroli rozprzestrzeniania się wirusa. W niniejszym artykuleprzedstawiono nieinwazyjny, wbudowanysystem diagnostyczny do wykrywania COVID-19 na podstawie analizy obrazów tomografii komputerowej (CT) klatki piersiowej. Uzyskane obrazy CT są wstępnie przetwarzane w celu dostosowania ich do wymiarów wejściowych wymaganych przez cztery lekkie architektury konwolucyjnych sieci neuronowych (CNN)–ResNet-18, MobileNet, ShuffleNet oraz SqueezeNet–wybrane ze względu na ich wydajność oraz przydatność w systemach wbudowanych. Spośród nich SqueezeNet osiągnęła dokładność klasyfikacji na poziomie 99%, zapewniając wyniki porównywalne z pozostałymi modelami, przy jednoczesnym zachowaniu większej efektywności obliczeniowej, co czyni ją szczególnie odpowiednią do pracy w czasie rzeczywistym w środowiskach o ograniczonychzasobach. Zoptymalizowany model został wdrożony na platformie wbudowanej NVIDIA Jetson, umożliwiając wykrywanie COVID-19 w czasie rzeczywistymna urządzeniu brzegowym. Wyniki diagnostyczne są przesyłane na platformę chmurową ThingSpeak za pośrednictwem protokołu MQTT,umożliwiając ciągły, zdalny monitoring stanu zdrowia. Wyniki eksperymentalne potwierdzają wykonalność, wysoką dokładność oraz możliwość pracy w czasie rzeczywistym proponowanego systemu wbudowanego do wykrywania COVID-19 na podstawie obrazów tomografii komputerowej klatki piersiowej.

15

Optimizing deep learning techniques with stacking BiLSTM and BIGRU models for gold price prediction

Kharisudin Iqba, Oktaviani Nike Yustina

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2025

|

T. 15, nr 3

123--130

EN

Gold, essential in various sectors from jewelry to financial reserves, plays a crucial role as a financial asset and investment. Accurate prediction of gold prices is vital for informed investment decisions and economic management. Thisstudy utilizes a Stacking Ensemble approach to enhance gold price prediction accuracy by combining Bidirectional Long Short-Term Memory (BiLSTM) and Bidirectional Gated Recurrent Unit (BiGRU) as base learners, with Random Forest serving as the meta-learner. This method capitalizes on BiLSTM and BiGRU’s strengths in processing sequential datain both directions, capturing intricate patterns in gold price fluctuations. The dataset spans from January 1, 2020, to May 31, 2024. The results reveal that the Stacking Ensemble model with BiLSTM-BiGRU consistently outperforms other models, achieving the lowest Mean Squared Error (MSE) of 0.000, Root Mean Squared Error (RMSE) of 0.0067, Mean Absolute Error (MAE) of 0.0050, Mean Absolute Percentage Error (MAPE) of 0.0083, and a highR-squared value of 0.9984 across various lookback periods (7, 15, and 30 days). These metrics underscore the method’s effectiveness in accurately capturing and predicting gold price trends. This confirms that the Stacking Ensemble approach significantly enhances gold price prediction accuracy.

PL

Złoto, istotne w różnych sektorach, od biżuterii po rezerwy finansowe, odgrywa kluczową rolę jako aktywo finansowe i inwestycyjne. Dokładne przewidywanie cen złota ma zasadnicze znaczenie dla podejmowania świadomych decyzji inwestycyjnych i zarządzania gospodarką. Niniejsze badanie wykorzystuje podejście Stacking Ensemble w celu poprawy dokładności prognoz cen złota, łącząc dwukierunkowe modele Long Short-Term Memory (BiLSTM) i Gated Recurrent Unit (BiGRU) jako modele podstawowe, z Random Forest jako meta-modelem. Metoda ta wykorzystuje zdolność BiLSTM i BiGRU do przetwarzania danych sekwencyjnych w obu kierunkach, umożliwiając uchwycenie złożonych wzorców w zmianach cen złota. Zbiór danych obejmuje okres od 1 stycznia 2020 roku do 31 maja 2024roku. Wyniki pokazują, że model Stacking Ensemble z BiLSTM-BiGRU konsekwentnie przewyższa inne modele, osiągając najniższybłąd średniokwadratowy(MSE) wynoszący0,000, średnią kwadratową błędów (RMSE) 0,0067, średni błąd bezwzględny (MAE) 0,0050, średni bezwzględny błąd procentowy(MAPE) 0,0083 oraz wysoką wartość współczynnika determinacji (R²) wynoszącą 0,9984 w różnych okresach wstecznych (7, 15 i 30 dni). Te metryki podkreślają skuteczność tej metody w dokładnym uchwyceniu i przewidywaniu trendów cen złota. Potwierdza to, że podejście Stacking Ensemble znacząco zwiększa dokładność prognoz cen złota.

16

Informatics and measurement in healthcare: deep learning for diabetic patient readmission prediction

Saffari Shiva, Bahaghighat Mahdi

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2025

|

T. 15, nr 4

56--64

EN

Approximately 460 million individuals were living with diabetes globally in 2023. This study explores and contrasts methods for forecasting hospital readmissions among diabetic patients by integrating traditional approaches with modern deep learning frameworks. In this work, a varietyof deep learning architectures–including recurrent models like LSTM and GRU, as well as CNNs and Autoencoders–are examined along with conventional machine learning approaches. Four essential metrics–accuracy, precision, recall, and F1-score–were employed to measure and compare the effectiveness of different models. The results revealed that deep neural network methods significantly outperformed classical machine learning algorithms. Among traditional methods, the Decision Tree achieved the highest effectiveness. However, the LSTM network demonstrated superior performance, achieving scores of 0.74 for accuracy, 0.73 for precision, 0.74 for recall, and 0.73 for the F1-score. Additionally, the GRU and Vanilla LSTM models exhibited performance close to the best model, indicating that recurrent networks are more suitable for this problem than traditional methods.

PL

W 2023 r. na całym świecie na cukrzycę cierpiało około 460 milionów osób. Niniejszy artykuł analizuje i porównuje metody prognozowania ponownych hospitalizacji pacjentów z cukrzycą poprzez połączenie tradycyjnych podejść z nowoczesnymi frameworkami głębokiego uczenia się. W ramach niniejszej pracy przeanalizowano różne architektury głębokiego uczenia się –w tym modele rekurencyjne, takie jak LSTM i GRU, a także CNNi autoenkodery–wraz z konwencjonalnymi podejściami do uczenia maszynowego. Do pomiaru i porównania skuteczności różnych modeli wykorzystano cztery podstawowe wskaźniki –dokładność, precyzję, czułośći F1-score. Wyniki wykazały, że metody głębokich sieci neuronowych znacznie przewyższały klasyczne algorytmy uczenia maszynowego. Spośród metod tradycyjnych najwyższą skuteczność osiągnęło drzewo decyzyjne. Jednak sieć LSTM wykazała się lepszą wydajnością, osiągając wyniki 0,74 dla dokładności, 0,73 dla precyzji, 0,74 dla czułościi 0,73 dla F1-score. Ponadto modele GRU i Vanilla LSTM wykazały wydajność zbliżoną do najlepszego modelu, co wskazuje, że sieci rekurencyjne są bardziej odpowiednie dla tego problemu niż metody tradycyjne.

17

Deep learning-based prediction of structural parameters in FDTD-simulated plasmonic nanostructures

Haque Shahed Jahidul, Nakib Arman Mohammad

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

|

2025

|

T. 15, nr 4

87--94

EN

The research creates a new approach to estimate essential dimensions of plasmonic nanoparticles that use the Finite-Difference Time-Domain (FDTD) simulation program. The research team uses EfficientNetB0 alongside ResNet50 and VGG16 deep learning models to obtain quick and exact simulations parameter predictions from simulation image data. The developed dataset consists of dielectric and magnetic field images that stem from FDTD simulated fields through representative materials MgF₂, Au, and glass. The preparation process for the dataset includes a systematic variation of 38 structural parameters for achieving sufficient coverage of potential configurations. VGG16 proved to be the most effective model from the testing group because it attained a training loss 0.1592, validation loss of 0.1607, and test loss 0.1625. The outstanding result shows deep learning techniques can be effectively used to boost nanophotonic device design speeds and optimization processes. The methodology developed in this work has the potential to reduce substantially the computational expenses together with simulation duration for nanostructure engineering processes.

PL

W niniejszym artykuleopracowano nowe podejście do szacowania kluczowych wymiarów nanocząstek plazmonicznych z wykorzystaniem programu symulacyjnego opartego na metodzie różnic skończonych w dziedzinie czasu (FDTD). Zespół badawczy zastosował modele głębokiego uczenia, takie jak EfficientNetB0, ResNet50 oraz VGG16, w celu szybkiego i precyzyjnego przewidywania parametrów symulacji na podstawie obrazów uzyskanych z symulacji. Stworzony zbiór danych obejmuje obrazy pola dielektrycznego i magnetycznego uzyskane z symulacji FDTD dla reprezentatywnych materiałów: MgF₂, złota (Au) i szkła. Proces przygotowania danych uwzględniał systematyczną zmianę 38 parametrów strukturalnych w celu uzyskania odpowiedniego pokrycia możliwych konfiguracji. Spośród testowanych modeli, VGG16 okazał sięnajskuteczniejszy, osiągając błąd walidacyjny równy 0,1607. Uzyskane wyniki dowodzą, że techniki głębokiego uczenia mogą skutecznie przyspieszyć projektowanieoraz optymalizacji urządzeń nanofotonicznych. Opracowana metodologia ma potencjał znacznego ograniczenia kosztów obliczeniowych oraz czasu trwania symulacji w procesach inżynierii nanostruktur.

18

Współczesne kierunki rozwoju uczenia maszynowego

Leszczyńska Izabela

Elektronika : konstrukcje, technologie, zastosowania

|

2025

|

Vol. 66, Nr 12

21--32

PL

Artykuł przedstawia kompleksowy przegląd ewolucji uczenia maszynowego od początków tej dziedziny w latach 50. XX wieku. Na podstawie danych zebranych przez Eurostat omówiono najbardziej popularne zastosowania uczenia maszynowego, do których należą: 1. przetwarzanie i generowanie języka naturalnego, obejmujące analizę tekstu oraz rozpoznawanie mowy; 2. analiza danych i wsparcie decyzji w biznesie, w tym analityka predykcyjna, systemy rekomendacyjne i modele scoringowe; 3. wizja komputerowa umożliwiająca identyfikację obiektów dzięki konwolucyjnym sieciom neuronowym; 4. autonomiczne wykonywanie ruchów przez maszyny-roboty w wyniku integracji wizji maszynowej, mapowania, planowania i uczenia ze wzmacnianiem. Głębokie sieci neuronowe oparte na transformerach zrewolucjonizowały uczenie maszynowe, zastępując tradycyjne metody, takie jak ukryte modele Markova czy modele mieszanin Gaussa. Dzięki wysokiej dokładności i ograniczeniu potrzeby ręcznego programowania umożliwiają coraz bardziej niezależne interakcje maszyn ze światem zewnętrznym. Ich zastosowania obejmują m.in. pojazdy autonomiczne, drony i roboty przemysłowe, stając się kluczowym czynnikiem automatyzacji procesów i transformacji gospodarki. Technologia ta rozwija się dynamicznie i znajduje coraz szersze zastosowanie w niemal każdym obszarze działalności.

EN

The article presents a comprehensive overview of the evolution of machine learning from its beginnings in the 1950s. Based on data collected by Eurostat, it discusses the most common applications of machine learning, which include: 1. natural language processing, encompassing text analysis, natural language generation, and speech recognition; 2. data analysis and decision support in business, including predictive analytics, recommendation systems, and scoring models; 3. computer vision, enabling object identification through convolutional neural networks; 4. autonomous motion execution by robotic machines, achieved through the integration of machine vision, mapping, planning, and reinforcement learning. Transformer-based deep neural networks have revolutionized machine learning, replacing traditional methods such as Hidden Markov Models and Gaussian Mixture Models. With high accuracy and reduced need for manual programming, they enable increasingly autonomous machine interactions with the world. Their applications include autonomous vehicles, drones, and industrial robots, making them a key driver of process automation and economic transformation. This technology is developing rapidly and is finding ever-wider use across nearly all areas of activity.

19

Uczenie głębokie w systemach znakowania wodnego : nowe możliwości w ochronie treści cyfrowych

Bistroń Marta, Piotrowski Zbigniew

Elektronika : konstrukcje, technologie, zastosowania

|

2025

|

Vol. 66, Nr 12

12--16

PL

Artykuł przedstawia najważniejsze kierunki rozwoju systemów znakowania wodnego w kontekście dynamicznego postępu generatywnej sztucznej inteligencji. Omówiono klasyczne podejścia stosowane w ochronie treści cyfrowych oraz ich ograniczenia, a następnie zaprezentowano nowoczesne metody oparte na uczeniu głębokim, w tym architektury end-to-end wykorzystujące kodery, warstwy szumu i dekodery. Szczególną uwagę poświęcono roli funkcji straty, odporności na ataki oraz zagrożeniom wynikającym z wykorzystania technik AI po stronie atakującego. W dalszej części opisano najnowsze możliwości w zakresie watermarkingu, obejmujące modele dyfuzyjne, architektury transformerowe, techniki znakowania wideo oraz watermarking wag modeli sieci neuronowych. Artykuł kończy się podsumowaniem obecnych trendów oraz wskazaniem potencjalnych kierunków dalszego rozwoju systemów znakowania wodnego w erze generatywnej sztucznej inteligencji.

EN

This article presents key developments in digital watermarking systems in the context of the rapid progress of generative artificial intelligence. It discusses classical approaches to content protection and their limitations, followed by modern deep-learning-based techniques, including end-to-end architectures incorporating encoders, noise layers and decoders. Special attention is given to the role of loss functions, robustness to attacks, and emerging threats involving AI-based watermark removal. The article further describes new opportunities in watermarking enabled by diffusion models, vision transformer architectures, video watermarking techniques, and neural network weight watermarking. The paper concludes with an overview of current research trends and potential future directions for watermarking in the era of generative AI.

20

Forecasting the required quantity of cement manufacturing materials using time series and Q-Network techniques

Madjour Hassina, Zermane Hanane, Benaicha Sonia

Ecological Chemistry and Engineering. S

|

2025

|

Vol. 32, nr 3

415--426

EN

In the era of Industry 4.0, accurate prediction of industrial process parameters is essential for optimising operations, lowering costs, and enhancing product quality. Traditional statistical methods often struggle to capture the complex temporal dependencies within industrial processes. This study explores the use of Long Short-Term Memory (LSTM), Bidirectional Long Short-Term Memory (BiLSTM), and Q-Network models to predict material quantities in an industrial dataset. The dataset was pre-processed to address missing values and outliers, and the models were evaluated based on Mean Squared Error (MSE), R2, and accuracy. The results show that the LSTM model achieved an MSE of 14.253 and an R2 of 0.700. The BiLSTM model greatly outperformed it, with an MSE of 0.714 and an R2 of 0.985. The Q-Network model produced an MSE of 0.005 and an R2 of 0.992. These findings demonstrate the Q-Network’s superior ability to capture temporal dependencies within the data.