Filtry
wszystkich: 42
Najlepsze wyniki w katalogu: Potencjał Badawczy Pokaż wszystkie wyniki (35)
Wyniki wyszukiwania dla: lsvm
-
Zespół Inżynierii Biomedycznej
Potencjał BadawczyInżynieria 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
-
Zespół Systemów Decyzyjnych i Robotyki
Potencjał BadawczyAutomatyka i Robotyka, która posiada silne posadowienie w matematycznej Teorii Systemów i Teorii Sterowania, już w połowie ubiegłego stulecia zaistniała w powszechnej świadomości jako Cybernetyka, która – kontynuując czerpanie wiedzy ze zjawisk istniejących w świecie natury – przekształciła się w Sztuczną Inteligencję, ciągle nie przestaje być dynamicznie rozwijającą się dziedziną z gruntu interdyscyplinarną, łączącą wiedzę i umiejętności...
Najlepsze wyniki w katalogu: Oferta Biznesowa Pokaż wszystkie wyniki (7)
Wyniki wyszukiwania dla: lsvm
-
Brain and Mind Electrophysiology lab
Oferta BiznesowaNeurofizjologia pamięci i funkcji poznawczych mózgu
-
Laboratorium Automatyki Napędu Elektrycznego
Oferta BiznesowaProgramowalne układy napędowe zasilane przekształtnikowo ze sterowaniem mikroprocesorowym
-
Laboratorium Badawcze 2-3
Oferta BiznesowaObliczenia komputerowe wymagające dużych mocy obliczeniowych z wykorzystaniem oprogramowania typu: Matlab, Tomlab, Gams, Apros.
Pozostałe wyniki Pokaż wszystkie wyniki (148)
Wyniki wyszukiwania dla: lsvm
-
Selecting Features with SVM
PublikacjaA common problem with feature selection is to establish how many features should be retained at least so that important information is not lost. We describe a method for choosing this number that makes use of Support Vector Machines. The method is based on controlling an angle by which the decision hyperplane is tilt due to feature selection. Experiments were performed on three text datasets generated from a Wikipedia dump. Amount...
-
ARIMA vs LSTM on NASDAQ stock exchange data
PublikacjaThis study compares the results of two completely different models: statistical one (ARIMA) and deep learning one (LSTM) based on a chosen set of NASDAQ data. Both models are used to predict daily or monthly average prices of chosen companies listed on the NASDAQ stock exchange. Research shows which model performs better in terms of the chosen input data, parameters and number of features. The chosen models were compared using...
-
LSTM-based method for LOS/NLOS identification in an indoor environment
PublikacjaDue to the multipath propagation, harsh indoor environment significantly impacts transmitted signals which may adversely affect the quality of the radiocommunication services, with focus on the real-time ones. This negative effect may be significantly reduced (e.g. resources management and allocation) or compensated (e.g. correction of position estimation in radiolocalisation) by the LOS/NLOS identification algorithm. This paper...
-
Improving Effectiveness of SVM Classifier for Large Scale Data
PublikacjaThe paper presents our approach to SVM implementation in parallel environment. We describe how classification learning and prediction phases were pararellised. We also propose a method for limiting the number of necessary computations during classifier construction. Our method, named one-vs-near, is an extension of typical one-vs-all approach that is used for binary classifiers to work with multiclass problems. We perform experiments...
-
Two Stage SVM and kNN Text Documents Classifier
PublikacjaThe paper presents an approach to the large scale text documents classification problem in parallel environments. A two stage classifier is proposed, based on a combination of k-nearest neighbors and support vector machines classification methods. The details of the classifier and the parallelisation of classification, learning and prediction phases are described. The classifier makes use of our method named one-vs-near. It is...