Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: denoise

Sortuj według:

Ogranicz wyniki do:

Autoenkodery. Podstawy budowy wydajnych modeli uczenia maszynowego

Rodewald Gabriel

Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki

2022

nr 26

21--60

Autoenkoder jest siecią neuronową złożoną z pary koder-dekoder. Koder odpowiada za redukcję wymiarowości danych w modelu przy jednoczesnym zachowaniu kluczowych cech, niezbędnych do odtworzenia danych wejściowych przez dekoder. Z uwagi na cechy architektury wewnętrznej wyodrębnia się autoenkodery deterministyczne oraz probabilistyczne. Istnieją wyspecjalizowane wersje autoenkoderów odpowiadające tematyce realizowanych modeli uczenia maszynowego, na przykład autoenkodery odszumiające, rekurencyjne, splotowe, wariacyjne lub rzadkie. W artykule zostały przedstawione jedynie najistotniejsze zagadnienia związane z autoenkoderami.

An autoencoder is a neural network composed of an encoder-decoder pair. The encoder reduces the dimensionality of the data leaving only key features in the model to allow the decoder to reconstruct the input data. Taking into account the internal architecture of autoencoders, a distinction can be made between deterministic autoencoders and probabilistic autoencoders. Only the latter are generative in nature. There are specialised versions of autoencoders corresponding to the subject matter of the machine learning models implemented, for example, de-noising, recursive, convolutional, variational or sparse autoencoders. This paper aims to present the most relevant issues related to autoencoders.

ANFIS Approach for Noise Reduction of Lightning Current Online Monitoring System

Yan N., Fu Z., Li J.

Przegląd Elektrotechniczny

2012

R. 88, nr 7a

108-112

A novel de-noising algorithm, based on adaptive neural-fuzzy inference system (ANFIS) is proposed for noise reduction of the lightning current online monitoring system. The paper presents the theory and the implement procedure of the fuzzy neural system. Comparisons among the traditional strategies, such as curve fitting (CF), wavelet transform (WT) methods and the proposed ANFIS strategy are carried out. The simulation results demonstrate the superiority of the proposed method. Moreover, the employed approach has been tested on the practical measured current of lightning current online monitoring system. The testing results validate the proposed approach.

Zaproponowano nowy algorytm odszumiania bazujący na adaptacyjnym neuro-fuzzy systemie interferencji ANFIS. System zastosowano przy monitorowaniu prądu wyładowań. System porównano z innymi dotychczas stosowanymi – dopasowanie krzywej czy transformata falkowa.