Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: głębokie uczenie się

Sortuj według:

Ogranicz wyniki do:

Automatic detection of Alzheimer's disease based on artificial intelligence

Benba Achraf, Abdelilah Kerchaoui

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2023

T. 13, nr 1

18--21

Alzheimer's disease is a neurodegenerative disease that progressively destroys neurons through the formation of platelets that prevent communication between neurons. The study carried out in this project aims to find a precise and relevant diagnostic solution based on artificial intelligence and which helps in the early detection of Alzheimer's disease in order to stop its progression. The study went through a process of processing MRI images followed by training of three deep learning algorithms (VGG-19, Xception and DenseNet121) and finally by a step of testing and predicting the results. The results of the accuracy metric obtained for the three algorithms were respectively 98%, 95%, 91%.

Choroba Alzheimera jest chorobą neurodegeneracyjną, która stopniowo niszczy neurony poprzez tworzenie płytek krwi, które uniemożliwiają komunikację między neuronami. Badania prowadzone w ramach tego projektu mają na celu znalezienie precyzyjnego i trafnego rozwiązania diagnostycznego opartego na sztucznej inteligencji, które pomoże we wczesnym wykryciu choroby Alzheimera w celu zatrzymania jej postępu. Badanie przeszło przez proces przetwarzania obrazów MRI, po którym następowało szkolenie trzech algorytmów głębokiego uczenia (VGG-19, Xception i DenseNet121), a na koniec etap testowania i przewidywania wyników. Wyniki metryki dokładności otrzymane dla trzech algorytmów wyniosły odpowiednio 98%, 95%, 91%.

Deep learning approach for open switch fault diagnosis in matrix frequency converter

Sabour Mustapha

Przegląd Elektrotechniczny

2020

R. 96, nr 11

155--160

This document proposes a new method for detecting and locating open circuit faults in a matrix frequency converter (MC) based on the technique of pattern recognition by neural networks. The converter input and output current signals are used for this purpose. For this, a database of current signals under healthy conditions and defective for different operating conditions was established. After transforming these signals into a Concordia lair, a process of deep learning by a convolutional neural network was carried out. To verify the robustness of our proposed approach, a simulation of a MC system with a defective power electronic switch supplying an asynchronous motor controlled by DTC-SVM under different conditions of torque and speed was developed. The diagnostic results demonstrate the feasibility and effectiveness of the proposed method. It made it possible to locate the faulty switch precisely and quickly.

Zaproponowano nową metodę wykrywania i lokalizowania uszkodzeń obwodu otwartego w przekształtniku matrycowym (MC) w oparciu o technikę rozpoznawania wzorców przez sieć neuronową. W tym celu wykorzystywane są sygnały wejściowe i wyjściowe prądu przekształtnika. Utworzono bazę danych sygnałów prądowych w warunkach znamionowych i z uszkodzeniem dla różnych warunków pracy. Po przekształceniu tych sygnałów w środowisku Concordia przeprowadzono proces głębokiego uczenia się przez splotową sieć neuronową. Aby zweryfikować Wiarygodność naszego proponowanego podejścia, opracowano model symulacyjny układu MC z uszkodzonym łącznikiem energoelektronicznym zasilającym silnik asynchroniczny sterowany metodą DTC-SVM z róznymi wartościami momentu i prędkości obrotwej. Wyniki diagnostyczne pokazują wykonalność i skuteczność proponowanej metody.