PL
 |
EN
Preferencje help
Polish version English version Język
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 9

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available remote Text Analysis and Correction Using Specialized Linguistic Habit Graphs LHG
Gadamer M., Horzyk A.
Image Processing & Communications
|
2012
|
Vol. 17, no. 4
245--250
EN
This paper introduces a novel linguistic habit graph LHG for automation of contextual text correction. The result of our current researches is a constructed mechanism for searching and aggregating tens of millions word-triples from websites that create a simple context statement for a given language that makes us able to predict word sequences and proceed corrections better than currently used solutions. Moreover, the LHG graph during colleting word-triples grow is limited and slows down so LHG graphs can be continuously supplemented by reading next texts to improve the correction results.
2
Content available Efficiency of artificial intelligence models due to data association and availability
Horzyk A., Dudek-Dyduch E.
Pomiary Automatyka Robotyka
|
2011
|
R. 15, nr 12
158-164
EN
This paper discusses effectiveness of algorithms, computational complexity and a new data association model. It introduces a novelty Associative Graph Neurocomputing AGNC together with Associative Graph Data Structure AGDS and Actively Associated Data Neural Networks AADNN that can make able to avoid some computational complexity problems and make computation more likely to natural information processing. Moreover, the paper draw attention on benefits from complete data availability before beginning of an adaptation process.
PL
W artykule podjęto dyskusję efektywności algorytmów, złożoności obliczeniowej i nowych asocjacyjnych modeli danych. Artykuł przedstawia nowy rodzaj grafowych obliczeń neuroasocjacyjnych razem z grafowymi asocjacyjnymi strukturami danych AGDS oraz aktywnymi asocjacyjnymi sieciami neuronowymi AADNN, które mogą rozwiązać pewne problemy związane ze złożonością obliczeniową i sprawią, że obliczenia będą bardziej podobne do biologicznych procesów obliczeniowych. Ponadto artykuł porusza kwestię korzyści wynikających z dostępności danych przed rozpoczęciem procesu uczenia.
3
Content available Automatyczna kontekstowa korekta tekstów z wykorzystaniem grafu LHG
Gadamer M., Horzyk A.
Computer Science
|
2009
|
Vol. 10
37-55
PL
Automatyczna korekta tekstów stanowi ważny problem z punktu widzenia dzisiejszych procesorów i edytorów tekstów. W tym artykule został przedstawiony innowacyjny algorytm służący do automatyzacji kontekstowej korekty tekstów z wykorzystaniem Grafu Przyzwyczajeń Lingwistycznych (LHG), który również opisano w tym artykule. W tym celu zbudowano specjalistycznego pająka internetowego przeszukującego strony internetowe celem skonstruowania Grafu Przyzwyczajeń Lingwistycznych (LHG) na podstawie analizy korpusów tekstów uzyskanych z polskojęzycznych stron internetowych. Otrzymane wyniki korekty tekstu z wykorzystaniem tego algorytmu, bazującego na grafie LHG, zostały porównane z komercyjnymi programami do korekty tekstu takimi jak Microsoft Word 2007, Open Office Writer 3.0 oraz z wyszukiwarką Google. Otrzymane wyniki korekty tekstów okazały się być znacznie lepsze niż w wyżej wymienionych komercyjnych narzędziach.
EN
Automatic text correction is an essential problem of today text processors and editors. This paper introduces a novel algorithm for automation of contextual text correction using a Linguistic Habit Graph (LHG) also introduced in this paper. A specialist internet crawler has been constructed for searching through web sites in order to build a Linguistic Habit Graph after text corpuses gathered in Polish web sites. The achieved correction results on a basis of this algorithm using this LHG were compared with commercial programs which also enable to make text correction: Microsoft Word 2007, Open Office Writer 3.0 and search engine Google. The achieved results of text correction were much better than correction made by these commercial tools.
4
Content available remote Podobieństwa samooptymalizujących sieci neuronowych do biologicznych sieci neuronowych
Horzyk A.
Bio-Algorithms and Med-Systems
|
2005
|
Vol. 1, no. 1/2
13--20
PL
Pragnienie poznania procesów zachodzących w otaczającym nas świecie, ale również w naszym wewnętrznym świecie myśli, chęć ich kontroli, dążenie do zaspokojenia potrzeb, jak również możliwość uwolnienia się od pewnych przyzwyczajeń oraz myśli skłania naukowców do ciągłego pogłębiania tajemnicy naszego umysłu. Rozwijająca się technologia, sprzęt badawczy, algorytmy umożliwiają w różnoraki sposób odkrywać coraz to głębsze tajemnice naszego wewnętrznego świata. Poznanie prawdy o nas samych daje możliwość prostszego wyzbycia się dręczących ludzkość spraw oraz szybszą adaptację i naukę pożądanych umiejętności. W tym artykule opisano podobieństwa biologicznych sieci neuronowych oraz Samo Optymalizujących Sieci Neuronowych (SONN), których sposób tworzenia i własności klasyfikacyjne są częściowym odzwierciedleniem procesów biologicznych zachodzących w naturalnych sieciach neuronowych.
EN
A natural human desire of perception of different processes in the surrounding world and our inner world of thoughts, a desire to control them, an endeavor to satisfy our needs, an ability to make our thoughts free from certain exterminated habits make scientists continue the plumetting of our brains. The newly developed technology, hardware, and algorithms make it possible to detect still deeper secrets of our inner world. Recognition of truth about us makes us simply free from tormenting question and enables faster adaptation and training of desirable skills. This paper describes similarities between natural neural networks (NNNs) and Self-Optimizing Neural Networks (SONNs). The paper describes development, adaptation, and classification properties of SONNs that are partially reflected in processes of the natural neural networks.
5
Content available remote Automatyczna redukcja wymiaru danych wejściowych dla problemów klasyfikacji
Horzyk A.
Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
|
2004
|
T. 8, z. 3
487-496
PL
Problem redundancji danych wejściowych - znany również jako problem przekleństwa wymiaru danych wejściowych - dla różnego rodzaju algorytmów uczących jest dobrze znany. Skutki takiej nadmiarowości prowadzą zazwyczaj do niekorzystnych zjawisk w procesie adaptacji parametrów konstruowanych systemów. Ponadto wpływają niekorzystnie na wydłużenia czasu obliczeń i złożoności konstruowanego modelu heurystycznego. W artykule tym zaprezentowano nową metodę pozwalającą automatycznie dokonać redukcji wymiaru danych wejściowych z uwzględnieniem istoty poszczególnych danych wejściowych dla problemów klasyfikacji.
EN
Reduction of data dimension is one of the important problems known as curse of dimensionality problem. Redundant input data dimension almost always disturbs the process of train or adaptation of constructed classification system. Moreover, the constructed heuristic model is more complex and the training time is much longer. This paper presents a new method able to reduce input data dimension in such a way to remove the less important and discriminative features.
6
Content available remote Fast automatic configuration of artificial neural networks used for binary patterns recognition
Horzyk A.
Computer Science
|
2001
|
Vol. 3
107-115
EN
This paper presents a powerful method of an automatically generated architecture of neural networks used for binary patterns recognition, which can quickly and automatically reduce synapses in a way of minimally reducing a quality of recognition and a quality of generalization. Moreover, this method computes all weights in two runs over a learning sequence, what makes this method very fast. First, the method calculates all binary features for each pattern and then weights are computed. Furthermore, there is a quality of generalization considered because it is one of the most important factors of recognition while using neural networks.
PL
W artykule zaprezentowano metodę, która jest w stanie całkowicie automatycznie stworzyć architekturę sieci neuronowej dla problemów rozpoznawania wzorców binarnych. Potrafi ona również szybko i automatycznie zredukować synapsy w taki sposób, że jakość generalizacji ulega minimalnemu pogorszeniu dla zadanych kryteriów. Wyznaczenie wszystkich wag sieci neuronowej następuje po dwukrotnym przejrzeniu ciągu uczącego co sprawia, iż zaprezentowana metoda jest bardzo szybka. Najpierw obliczane są wszystkie cechy binarne dla każdego wzorca, a następnie wyznaczane są wagi. W artykule rozważany jest również problem jakości generalizacji, ponieważ jest to jeden z najistotniejszych czynników rozważanych przy rozpoznawaniu, gdy stosowane są sieci neuronowe.
7
Content available remote Fast automatic configuration of artificial neural networks used for binary patterns recognition
Horzyk A.
Biocybernetics and Biomedical Engineering
|
2001
|
Vol. 21, no. 1
25-36
EN
This paper presents an idea of the automatically generated architecture of neural networks used for the binary patterns recognition. The process is founded on the analysis of all the patterns of the learning sequence. The described method computers the requested set of features very quickly and folly automatically. The presented method can effectively reduce the amount of synapses of the neuraI network, making the eventual implementation cheaper. The reduction of synapses is done through minimai reduction of the quality of recognition and the quality of generalization. Both, the structure of the neural network and the values of all weights coefficients are calculated in two runs over the learning sequence. The proposed method achieves the optimum formation of the structure and the parameters of the neural network much faster than any known method for learning neuraI networks. Furthermore, there is the quality of generaIization concerned because it is one of the most important factors of recognition while using neural networks.
PL
W artykule zaprezentowano ideę automatycznego doboru struktury i konfiguracji sieci neuronowej rozpoznającej wzorce binarne. Proces ten opiera się na analizie wszystkich wzorców wchodzących w skład zbioru uczącego. Opracowana i opisana w artykule metoda pozwala wyznaczyć automatycznie żądany zbiór cech z wysoką sprawnością obliczeniową. Umożliwia ona również efektywne zredukowanie ilości występujących w sieci neuronowej połączeń synaptycznych, co obniża koszt ewentualnej implementacji konstruowanego systemu. Redukcja synaps odbywa się przy uwzględnieniu minimalnej utraty jakości rozpoznawania i uogólniania wzorców. Zarówno struktura sieci neuronowej jak i wartości wszystkich występujących w niej współczynników wagowych zostają ustalone w procesie dwukrotnego przeglądnięcia rozważanej grupy rozpoznawanych wzorców, co powoduje, że zaproponowana metoda osiąga optymalne uformowanie struktury i parametrów sieci neuronowej dostosowanej do rozważanego zadania rozpoznawania w nieporównywalnie szybszy sposób niż wszystkie inne znane metody uczenia sieci neuronowych. W artykule rozważano również problem oszacowania jakości uzyskanej generalizacji, jako jednego z podstawych kryteriów decydujących o zakresie stosowalności otrzymanych sieci neuronowych.
8
A neural network used for the colour conversion from RGB to CMY
Horzyk A.
Zeszyty Naukowe Uniwersytetu Jagiellońskiego. Prace Informatyczne
|
1999
|
z. 9
59-73
EN
The use of the neural network in the solution of the RGB-to-CMY colour conversion problem is discussed in the paper. Ca\lassically, a colour conversion problem is solved in an approximate way. The architecture of neural networks, which gives the ability to get satisfactory results is presented. The method of learning the network based on the back propagation method with a controlled process of the change of learning parameters to shorten its time is constructed.
9
Content available remote A hybrid neural network used for the colour conversion from RGB to CMY and a new method for choosing a learning set
Horzyk A.
Image Processing & Communications
|
1998
|
Vol. 4, no 1-2
37-46
EN
This paper presents the application of the neural network to the colour conversion problem from RGB to CMY [1]. Three different architecture of neural network are compared and the one which gives the best results is chosen, and the method of learning this network based on the back propagation method with a controlled process of change of learning parametres, particulary the number of patterns in a learning set, in order to shorten the time of learning, is presented.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.