Wyniki wyszukiwania - BazTech

1

Prospects for the Reorientation of Investment Flows for Sustainable Development under the Influence of the COVID-19 Pandemic

Prokopenko Olha, Toktosunova Cholpon, Sharsheeva Nurmira, Zablotska Rita, Mazurenko Valerii, Halaz Lina

Problemy Ekorozwoju

|

2021

|

Vol. 16, nr 2

7--17

EN

The article is devoted to substantiating the expediency of reorienting international investment flows, under the influence of the COVID-19 pandemic, from traditional directions to projects related to social transformation. It is proved that such transformations should be expressed first of all in qualitative changes in education, medicine and employment. Particular attention is paid to the modernization of the paradigm of sustainable development, the components of which should be ranked from social to environmental. The necessity of interpretation of investment strategies implemented in the countries following their common problems is substantiated. Also, attention is paid to the substantiation of the cyclical component, its role in the redistribution of investment flows at the state level. The article proposed cluster investment to solve this problem.

PL

Artykuł poświęcony jest uzasadnieniu celowości przeorientowania międzynarodowych przepływów inwestycyjnych pod wpływem pandemii COVID-19 z tradycyjnych kierunków na projekty związane z transformacją społeczną. Udowodniono, że takie przemiany powinny wyrażać się przede wszystkim w jakościowych zmianach w edukacji, medycynie i zatrudnieniu. Szczególną uwagę zwraca się na unowocześnienie paradygmatu zrównoważonego rozwoju, którego elementy należy uszeregować od społecznych do środowiskowych. Uzasadniono konieczność interpretacji strategii inwestycyjnych realizowanych w krajach podążających za wspólnymi problemami. Zwrócono również uwagę na uzasadnienie składnika cyklicznego, jego rolę w redystrybucji przepływów inwestycyjnych na poziomie państwa. W celu rozwiązania tego problemu w artykule zaproponowano inwestycje w klastry.

2

Development of automatic classiﬁer for sensor measurements of an industrial process

Lopes Kennedy, Andrade Ana, Lima Bernardo, Maitelli André

Przegląd Elektrotechniczny

|

2019

|

R. 95, nr 3

91--96

EN

Clustering algorithms are usually based on an initial estimate of cores, have performance dependent on the number of clusters and dimension of the data, and are performed ofﬂine. Thus, by categorizing a highly coupled sensor network as an industrial plant, it is necessary that all these characteristics are achieved. The article presents an improvement of the TEDA-Cloud, based on the Typicity and Eccentricity Data Analitics (TEDA).Inthisway,theproposed(TEDA-Cloudmodiﬁed),methodreducestheamountofstoreddataformergingcoresandspeedsuptheclassiﬁcation of the presented data.

PL

Algorytmy klastrowania są zwykle oparte na wstępnym oszacowaniu rdzeni, mają wydajność zależną od liczby klastrów i wymiarów danych i są wykonywane w trybie ofﬂine. Zatem, poprzez kategoryzowanie wysoce sprzężonej sieci czujników jako instalacji przemysłowej, konieczne jest, aby wszystkie te cechy zostały osiągnięte. W artykule przedstawiono ulepszenie chmury TEDA opartej na analizie typowości i ekscentryczności danych (TEDA). W ten sposób proponowana (zmodyﬁkowana TEDA-Cloud) metoda zmniejsza ilość przechowywanych danych do łączenia rdzeni i przyspiesza klasyﬁkację prezentowanych danych.

3

Wound image segmentation using clustering based algorithms

Farmaha Ihor, Banaś Marian, Savchyn Vasyl, Lukashchuk Bohdan, Farmaha Taras

New Trends in Production Engineering

|

2019

|

Vol. 2, Iss. 1

570--578

EN

Classic methods of measurement and analysis of the wounds on the images are very time consuming and inaccurate. Automation of this process will improve measurement accuracy and speed up the process. Research is aimed to create an algorithm based on machine learning for automated segmentation based on clustering algorithms Methods. Algorithms used: SLIC (Simple Linear Iterative Clustering), Deep Embedded Clustering (that is based on artificial neural networks and k-means). Because of insufficient amount of labeled data, classification with artificial neural networks can`t reach good results. Clustering, on the other hand is an unsupervised learning technique and doesn`t need human interaction. Combination of traditional clustering methods for image segmentation with artificial neural networks leads to combination of advantages of both of them. Preliminary step to adapt Deep Embedded Clustering to work with bio-medical images is introduced and is based on SLIC algorithm for image segmentation. Segmentation with this method, after model training, leads to better results than with traditional SLIC.

4

ELINCLUS Cluster : bridge between academia and industry as an innovation accelerator

Mihailescu B., Svasta P., Borcea A.

Elektronika : konstrukcje, technologie, zastosowania

|

2015

|

Vol. 56, nr 3

38-39

EN

The Electronic Innovation Cluster was founded in 2011 as a result of the already existing economic relations between Center of Technological Electronics and Interconnection Techniques from the Politehnica University of Bucharest and several SMEs from the Bucharest-Ilfov region of Romania. Following the cluster concept of triple helix introduced by Prof. Michael Porter, ELINCLUS has now 48 members, from which 3 research center and 5 research institutes representing academia, one public authority representing government and 36 SME’s representing industry. In the current economic landscape SMEs have a difficult time adapting and finding ways of evolving, especially in the fast advancing domain of electronics. By joining an electronic cluster the SMEs can benefit from access to technology that might have been unaffordable on their own and also contributing with innovative products and know how. The Academia has an important role in providing fresh innovative ideas through young engineers and also new efficient technologies through research programs

PL

Klaster innowacyjności został powołany w 2011 roku jako rezultat istniejącej współpracy pomiędzy CTEIT w Politechnice Bukaresztańskiej a wybranymi firmami z regionu Bucharest-Ilfov w Rumunii. Obecnie skupia 48 członków, z których 3 reprezentuje centra badawcze, 5 uczelnie techniczne, jedną organizację rządową oraz 36 małych przedsiębiorstw przemysłowych. Członkostwo firm związanych z przemysłem elektronicznym i informatycznym umożliwia im większy dostęp do najnowocześniejszych technologii, a także wytwarzanie nowych produktów w oparciu o licencje know-how uzyskiwane od akademickich ośrodków badawczych. Ważną rolą uniwersytetów jest także szkolenie młodej kadry inżynierów, którzy zasilają później firmy produkcyjne.

5

Maximum Margin Clustering Using Extreme Learning Machine

Chen Z., Shixiong X., Bing L.

Przegląd Elektrotechniczny

|

2013

|

R. 89, nr 1b

202--204

EN

Maximum margin clustering (MMC) is a newly proposed clustering method, which extends large margin computation of support vector machine (SVM) to unsupervised learning. But in nonlinear cases, time complexity is still high. Since extreme learning machine (ELM) has achieved similar generalization performance at much faster learning speed than traditional SVM and LS-SVM, we propose an extreme maximum margin clustering (EMMC) algorithm based on ELM. It can perform well in nonlinear cases. Moreover, the kernel parameters of EMMC need not be tuned by means of random feature mappings. Experimental results on several real-world data sets show that EMMC performs better than traditional MMC methods, especially in handling large scale data sets.

PL

Opisano nową metodę klastrowania „maximum margin clusterung MMC” która rozszerza wielkość marginesu obliczeń numerycznych w systemie SVM z uczeniem bez nadzoru. Nowa metoda EMMC (extreme maximum margin clustering) zapewnia szybsze uczenie, szczególnie w warunkach nieliniowości.