Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 3

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: pulse coupled neural network (PCNN)

Sortuj według:

Ogranicz wyniki do:

Pattern recognition for partial discharge in GIS based on pulse coupled neural networks and wavelet packet decomposition

Zhou J., Tang J., Zhang X., Tao J.

Przegląd Elektrotechniczny

2012

R. 88, nr 5b

44-47

Based on the characteristics of partial discharge (PD) defects in gas insulated switchgear (GIS), four typical single defects were designed for the present paper. PD three-dimensional (3D) patterns were constructed based on the ultra high frequency detection systems. The pulse-coupled neural networks (PCNN) and wavelet packet decomposition (WPD) method were used in PD feature extraction. The recognition results show that the proposed method used in PD feature extraction can effectively improve the accuracy of pattern recognition rate.

Przeanalizowano defekty wyłącznika gazowego z wyładowaniem niezupełnym. Defekty te przedstawiane są jako obrazy 3D. Do ekstrakcji cech tych obrazów wykorzystuje się transformatę falkową i impulsowo sprzężone sieci neuronowe.

Estimation of parameters of Feed-Back Pulse Coupled Neural Networks (FBPCNN) for purposes of microstructure images segmentation

Łukasik Ł., Rauch Ł.

Computer Methods in Materials Science

2010

Vol. 10, No. 1

5-15

Although the Pulse Coupled Neural Network (PCNN) as well as FBPCNN (with feed-back) have been, since 1990, well known image analysis methods, they are still developed to solve the problems related to estimation of initial network parameters. Most of such parameters vary dependently on the character of input images, including range of colors, noise strength or shapes diversity, to offer the best results. This work aims to establish parameters of the network based on FBPCNN architecture, applied in processing of images of metals’ microstructures. The paper contains detailed description of implemented neural network followed by sensitivity analysis of the network on parameters’ change. On the basis of the performed analysis, the parameters with major influence on the final results were determined and investigated in details. The results obtained in the process of image analysis by using proposed FBPCNN were passed as input data initiating Watershed algorithm for the purposes of segmentation. Results of segmentation are presented in the paper as well.

Sieci Pulse Coupled Neural Network (PCNN) jak i również FBPCNN (ze sprzężeniem zwrotnym) zostały po raz pierwszy zaproponowane już z początkiem lat 90' i od tego czasu są bardzo dobrze znanym narzędziem wykorzystywanym m.in. do przetwarzania obrazów. Pomimo tak długiego czasu, metody oparte o FBPCNN są nadal rozwijane, a największym wyzwaniem jest wciąż dobór najlepszych parametrów wagowych sieci dla obrazu wejściowego. Celem niniejszej pracy jest zbadanie możliwości zastosowania pulsujących sieci neuronowych do przetwarzania zdjęć mikrostruktur materiałowych oraz wyznaczenie jej optymalnych parametrów dla tego przeznaczenia. Artykuł zawiera szczegółowy opis zaimplementowanej sieci neuronowej oraz wykonanej analizy wrażliwości FBPCNN na zmianę jej parametrów wagowych. Na bazie wykonanej analizy wyznaczone zostały parametry charakteryzujące się znaczącym wpływem na otrzymane wyniki. Dla wybranego parametru (beta) zaproponowano jego modyfikację tak, aby parametr dobierany był w sposób automatyczny w zależności od obrazu wejściowego. Otrzymane wyniki posłużyły jako dane wejściowe od algorytmu watershed, za pomocąktórego wykonano finalną segmentację obrazów mikrostruktur. Rezultaty procesu segmentacji wraz z dyskusją zostały również przedstawione w niniejszej pracy.

Parameter influence of pulse coupled neural network for image recognition

Forgac R., Mokris I.

Journal of Applied Computer Science

2001

Vol. 9, nr 2

31-44

The paper describes basic parameters of the Pulse coupled neural network (PCNN) and their influence to feature generation for image recognition, especially. The basic PCNN parameters are linking radius, linking coefficient and PCNN kernel type. Determination of the optimal values of these parameters is a difficult problem, because they are dependent on input image set. In many cases these parameters can be set experimentally. It is very important to set up these parameters correctly, because they have influence on duration of feature generation process, on the number of features for the needed image description and on the quality and exactness of generated features.