Wyniki wyszukiwania - BazTech

1

Realizacja pamięci skojarzeniowej z zastosowaniem modelu uczenia maszynowego

Citko W., Sieńko W.

Przegląd Elektrotechniczny

|

2017

|

R. 93, nr 8

77--80

PL

W pracy przedstawiono model systemu nauczania maszynowego wykorzystujący transformacje biortogonalne oparte na macierzach Hurwitza-Radona. Uniwersalne właściwości proponowanego modelu nauczania maszynowego zilustrowano przykładem analizy polegającym na rekonstrukcji obrazu na podstawie niepełnych danych.

EN

The paper presents a model of machine learning system using biorthogonal transformations based on Hurwitz-Radon matrices. The universal properties of the proposed machine learning model are illustrated by an example of an image reconstruction analysis based on incomplete data.

2

Przedstawienie obiektu 3D za pomocą konturów rekonstruowanych metodą Macierzy Hurwitza-Radona

Jakóbczak D.

Metody Informatyki Stosowanej

|

2010

|

nr 1 (22)

43-53

PL

Metoda MHR modeluje kontur punkt po punkcie bez użycia wzoru funkcji opisujacej krzywą. Podstawowe cechy metody MHR są następujace: dokładność rekonstrukcji konturu lub krzywej zależy od liczby węzłów i sposobu wyboru wezłów (na przykład węzły o stałym kroku jednej współrzędnej); stabilność – mała zmiana współrzędnych węzła powoduje małe zmiany obliczanych punktów; odtworzenie konturu o L pikselach jest związane ze złożonością obliczeniową rzędu O(L); przekształcenia geometryczne (przesunięcia, obroty, skalowanie) są łatwe: tylko węzły wymagają przekształcenia i nowy obraz dla nowych wezłów może zostać zrekonstruowany; metodą korzysta z lokalnych operatorów OHR: pojedynczy średni operator M2 lub M2 -1 zbudowany jest na podstawie kolejnych 4, 8 lub 16 węzłów (2N dla N = 2, 4 oraz 8), co powoduje znacznie mniej obliczeń niż wykorzystanie wszystkich wezłów dla zbudowania operatora; istotny jest także fakt, iż zmiana współrzędnych węzła (xi,yi) np. o indeksie i = 2 nie spowoduje zmian obliczanych wartości współrzędnych punktów między węzłami np. o indeksach i = 25 oraz 26; możliwość zastosowania metody MHR w obrazach trójwymiarowych. W dalszych pracach należy omówic przekształcenia geometryczne obiektów płaskich i przestrzennych oraz ich rekonstrukcje metodą MHR po przekształceniu wezłów, specyficzne własności MHR dla węzłów o stałym kroku jednej współrzędnej oraz inne zastosowania MHR w grafice i wizji komputerowej (rozpoznawanie obiektów [15], obliczanie współczynników kształtu).

EN

To deal with 3D image representation and reconstruction dedicated methods should be constructed. One of them, called by author method of Hurwitz-Radon Matrices (MHR), can be used in reconstruction of 3D images which are described by points belong to horizontal contours. The method is based on a family of Hurwitz-Radon (HR) matrices. The operator of Hurwitz-Radon (OHR), built from that matrices, is described. It is shown how to create the orthogonal and discrete OHR and how to use it in a process of curve interpolation and image reconstruction. The method needs suitable choice of nodes, i.e. characteristic points of the curve to be reconstructed: nodes should be settled at each minimum or maximum of one coordinate and nodes should be monotonic in one of coordinates. Created from the family of N-1 HR matrices and completed with the identical matrix, system of matrices is orthogonal only for vector spaces of dimensions N = 2, 4 and 8. Orthogonality of columns and rows is very important and significant for stability and high precision of calculations.

3

Uczenie z przykładami - ortogonalny operator Hurwitza-Radona jako liniowy model dyskretny

Jakóbczak D.

Informatyka Teoretyczna i Stosowana

|

2006

|

R. 6, nr 10

147-158

PL

Opisano problem uczenia z przykładami i szukania lokalnego, dyskretnego modelu liniowego, zbudowanego na podstawie rodziny macierzy Hurwitza-Radona. Wyprowadzono wzór na macierz operatora, dokonano przykładowych obliczeń z użyciem operatora FIR oraz wykorzystano ortogonalność macierzy HR do uzasadnienia zalet operatora HR (stabilność i duża dokładność obliczeń, łatwość znalezienia operatora odwrotnego).

EN

In this paper I have presented Hurwitz-Radon operator, which is built from a family of Hurwitz-Radon matrices. Orthogonal HR operator can be treated as linear discrete model in machine learning-supervised learning (learning from examples). There is shown how to create linear HR operator and how to use it in approximation of data. Orthogonal basis in R[to N]n can be created from a family of N-1 HR matrices and identical matrix for dimensions N = 1, 2, 4, 8. Orthogonal basis is very important for stability and precision of calculation.