Best results in : Research Potential Pokaż wszystkie wyniki (4)
Search results for: DRZEWO DECYZYJNE
-
Zespół Inżynierii Biomedycznej
Research Potential1. Komputerowo wspomagana analiza powierzchni ciała człowieka oraz mechaniki układu oddechowego; 2. Automatyzacja oceny stanu układu pokarmowego człowieka.
-
Inteligentne Systemy Interaktywne
Research PotentialNaturalne interfejsy, umożliwiające inteligentną interakcję człowiek-maszyna z możliwością oddziaływania na możliwie wszystkie zmysły człowieka równocześnie i bez potrzeby jego wcześniejszego szkolenia w zakresie używania typowych urządzeń zewnętrznych komputera, w tym z wykorzystaniem metod automatycznego rozpoznawania i syntezy mowy, biometrii, proaktywnych (samo-wykonywalnych) dokumentów elektronicznych, rozpoznawania emocji...
-
Katedra Inżynierii Drogowej i Transportowej
Research PotentialKatedra Inżynierii Drogowej i Transportowej jest jedną z najstarszych katedr Politechniki Gdańskiej. Prowadzi prace naukowo-badawcze obejmujące szereg zagadnień związanych z budową dróg, autostrad i lotnisk oraz w zakresie transportu, ruchu drogowego oraz bezpieczeństwa ruchu drogowego.
Other results Pokaż wszystkie wyniki (3)
Search results for: DRZEWO DECYZYJNE
-
Komputerowo wspomagana klasyfikacja wybranych sygnałów elektromiografii powierzchniowej
PublicationWykorzystywanie sygnałów elektromiografii powierzchniowej (ang. Surface Electromyography, SEMG) w procesach sterowania systemami rehabilitacyjnymi stanowi obecnie standardową procedurę. Popularność SEMG wynika z nieinwazyjności metody oraz możliwości szybkiej i precyzyjnej identyfikacji funkcji mięśniowej. W przypadku osób małoletnich proces klasyfikacji sygnałów jest utrudniony ze względu na mniejsze rozmiary i wyższą dynamikę...
-
Synteza i analiza wieloetapowego klasyfikatora Fishera.**2002 s. 108, rys.,tab. w rozdz. bibliogr. 92 poz. maszyn. Rozprawa doktorska (08.07.2002) Promotor: doc. dr hab. inż. Witold Malina
Publication.
-
Sequential classification.
PublicationOpisano uogólniony algorytm konstrukcji klasyfikatora sekwencyjnego. Uogólnienie polega na tym, że zbiór klas dzielimy na dwie grupy zamiast oddzielania po jednej klasie w każdym kroku uczenia klasyfikatora. Eksperymenty potwierdzały lepsze własności klasyfikatora.