Wyniki wyszukiwania dla: ARTIFICIAL NEURAL NETWORKS - MOST Wiedzy

Wyszukiwarka

Wyniki wyszukiwania dla: ARTIFICIAL NEURAL NETWORKS

Najlepsze wyniki w katalogu: Potencjał Badawczy Pokaż wszystkie wyniki (99)

Wyniki wyszukiwania dla: ARTIFICIAL NEURAL NETWORKS

  • Zespół Inżynierii Biomedycznej

    Potencjał Badawczy

    Inżynieria biomedyczna stanowi nową interdyscyplinarną dziedzinę wiedzy zlokalizowaną na pograniczu nauk technicznych, medycznych i biologicznych. Według opinii WHO (World Health Organization) można ją zaliczyć do głównych (obok inżynierii genetycznej) czynników decydujących o postępie współczesnej medycyny. Rosnące znaczenie kształcenia w zakresie INŻYNIERII BIOMEDYCZNEJ wynika z faktu, że specjaliści tej dyscypliny są potrzebni...

  • Zespół Systemów Multimedialnych

    Potencjał Badawczy

    * technologie archiwizacji, rekonstrukcji i dostępu do nagrań archiwalnych * technologie inteligentnego monitoringu wizyjnego i akustycznego * multimedialne technologie telemedyczne * multimodalne interfejsy komputerowe

  • Katedra Geodezji

    Potencjał Badawczy

    Katedra Geodezji realizuje zadania związane z geodezją i kartografią, a przede wszystkim w zakresie geodezji inżynieryjnej, fotogrametrii, teledetekcji, gospodarki nieruchomościami, systemów informacji przestrzennej oraz nawigacji i pomiarów GPS. W ramach Katedry Geodezji funkcjonują Zespoły Dydaktyczne związane z przedmiotami i szkoleniami oraz Zespoły Badawczo-Rozwojowe prowadzące prace naukowe i realizacje techniczne we współpracy...

Najlepsze wyniki w katalogu: Oferta Biznesowa Pokaż wszystkie wyniki (24)

Wyniki wyszukiwania dla: ARTIFICIAL NEURAL NETWORKS

Pozostałe wyniki Pokaż wszystkie wyniki (2354)

Wyniki wyszukiwania dla: ARTIFICIAL NEURAL NETWORKS

  • Artificial Neural Networks for Comparative Navigation

    Publikacja

    - Rok 2004

    Pełny tekst do pobrania w serwisie zewnętrznym

  • Ship Resistance Prediction with Artificial Neural Networks

    Publikacja

    - Rok 2015

    The paper is dedicated to a new method of ship’s resistance prediction using Artificial Neural Network (ANN). In the initial stage selected ships parameters are prepared to be used as a training and validation sets. Next step is to verify several network structures and to determine parameters with the highest influence on the result resistance. Finally, other parameters expected to impact the resistance are proposed. The research utilizes...

    Pełny tekst do pobrania w portalu

  • Artificial Neural Networks in Microwave Components and Circuits Modeling

    Artykuł dotyczy wykorzystania sztucznych sieci neuronowych (SNN) w projektowaniu i optymalizacji układów mikrofalowych.Zaprezentowano podstawowe zasady i założenia modelowania z użyciem SNN. Możliwości opisywanej metody opisano wykorzystując przykładowyprojekt anteny łatowej. Przedstawiono różne strategie modelowania układów, które wykorzystują możliwości opisywanej metody w połączeniu zwiedzą mikrofalową. Porównano również dokładność...

    Pełny tekst do pobrania w portalu

  • USING ARTIFICIAL NEURAL NETWORKS FOR PREDICTING SHIP FUEL CONSUMPTION

    Publikacja
    • G. V. Nguyen
    • R. Sakthivel
    • K. Rudzki
    • J. Kozak
    • S. Prabhakar
    • N. D. K. Pham
    • P. Q. P. Nguyen
    • N. X. Phuong

    - Polish Maritime Research - Rok 2023

    In marine vessel operations, fuel costs are major operating costs which affect the overall profitability of the maritime transport industry. The effective enhancement of using ship fuel will increase ship operation efficiency. Since ship fuel consumption depends on different factors, such as weather, cruising condition, cargo load, and engine condition, it is difficult to assess the fuel consumption pattern for various types...

    Pełny tekst do pobrania w portalu

  • A MODEL FOR FORECASTING PM10 LEVELS WITH THE USE OF ARTIFICIAL NEURAL NETWORKS

    Publikacja

    - Rok 2014

    This work presents a method of forecasting the level of PM10 with the use of artificial neural networks. Current level of particulate matter and meteorological data was taken into account in the construction of the model (checked the correlation of each variable and the future level of PM10), and unidirectional networks were used to implement it due to their ease of learning. Then, the configuration of the network (built on the...

    Pełny tekst do pobrania w portalu