Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Journal of Research and Applications in Agricultural Engineering

1 2004

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: sieć neuronowa SOFM

Sortuj według:

Ogranicz wyniki do:

The SOFM type neural networks in the process of identification of selected orchard pests

Boniecki P., Piekarska-Boniecka H.

Journal of Research and Applications in Agricultural Engineering

2004

Vol. 49, nr 4

5-9

One of advantages of the Kohonen type neural network, called also SOFM (Self Organizing Feature Maps) is the ability of the discussed neural network to determine the degree of similarity occurring between classes. The SOFM network can be also used to detect regularities occurring in the obtained empirical data. If at the network input, a new unknown case appears which the network is unable to recognise, it means that it is different from all the classes known previously (Tadeusiewicz R., 1990). The SOFM network taught in this way can serve as a detector signalling the appearance of a widely understood novelty. Such a network can also look for similarities between the known data and the noisy data. In this way, it is able to identify fragments of images presenting photographs of e.g. orchard pests.

Jedną z zalet sieci neuronowych typu Kohonena, zwanej również SOFM (Self Organizing Feature Maps -Samoorganizująca się Mapa Cech) jest zdolność omawianej sieci neuronowej do określania stopnia podobieństwa zachodzącego pomiędzy klasami. Sieć SOFM może być również wykorzystywana do wykrywania prawidłowości występujących w pozyskanych danych empirycznych. Jeśli na wejściu sieci pojawi się nowy nieznany przypadek a sieci nie uda się go rozpoznać oznacza, te jest on odmienny od wszystkich znanych do tej pory klas (Tadeusiewicz R., 1990). W ten sposób nauczona sieć typu SOFM może służyć jako detektor sygnalizujący pojawienie się szeroko rozumianej nowości. Sieć taka może również szukać podobieństwa między znanymi danymi, a danymi zaszumianymi. W ten sposób jest ona w stanie identyfikować fragmenty obrazów przedstawiających zdjęcia, np. szkodników sadów.