Skip navigation
DSpace logo
  1. Електронний науковий архів Науково-технічної бібліотеки Національного університету "Львівська політехніка"
  2. Електронний архів Науково-технічної бібліотеки
  3. Вісники та науково-технічні збірники, журнали
  4. Інформаційні системи та мережі
  5. Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. – 2020. – Випуск 7

putin IS MURDERER

Please use this identifier to cite or link to this item: https://oldena.lpnu.ua/handle/ntb/56137
Title: Розробка штучної нейронної мережі з осциляторними нейронами для розпізнавання спектральних образів
Other Titles: Development of an artificial neural network with oscillatory neurons for recognition of spectral images
Authors: Пелещак, Роман
Литвин, Василь
Пелещак, Іван
Висоцька, Вікторія
Peleshchak, Roman
Lytvyn, Vasyl
Peleshchak, Ivan
Vysotska, Victoria
Affiliation: Національний університет “Львівська політехніка”
Lviv Polytechnic National University
Bibliographic description (Ukraine): Розробка штучної нейронної мережі з осциляторними нейронами для розпізнавання спектральних образів / Роман Пелещак, Василь Литвин, Іван Пелещак, Вікторія Висоцька // Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. — Львів : Видавництво Львівської політехніки, 2020. — № 7. — С. 16–23.
Bibliographic description (International): Development of an artificial neural network with oscillatory neurons for recognition of spectral images / Roman Peleshchak, Vasyl Lytvyn, Ivan Peleshchak, Victoria Vysotska // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Informatsiini systemy ta merezhi. — Lviv : Lviv Politechnic Publishing House, 2020. — No 7. — P. 16–23.
Is part of: Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі, 7, 2020
Journal/Collection: Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі
Issue: 7
Issue Date: 24-Feb-2020
Publisher: Видавництво Львівської політехніки
Lviv Politechnic Publishing House
Place of the edition/event: Львів
Lviv
UDC: 004.032.26
Keywords: нейронна мережа
мультиспектральні образи
інформаційний резонанс
neural network
multispectral images
information resonance
Number of pages: 8
Page range: 16-23
Start page: 16
End page: 23
Abstract: Розроблено новий тип штучної нейронної мережі з осциляторними нейронами, які мають власні частоти. За допомогою такої штучної нейронної мережі на основі інформаційного резонансу реалізовано новий метод розпізнавання мультиспектральних образів (мультиспектральних електромагнітних сигналів), що випромінюють динамічні об’єкти. Побудована нейронна мережа розпізнаватиме вхідні спектральні образи з амплітудою нестаціонарного сигналу, співвимірною з амплітудою сигналу шуму, завдяки резонансному ефекту в нелінійних осциляторних нейронах. Проведено комп’ютерний експеримент із розпізнавання мультиспектральних образів динамічною нейронною мережею на основі резонансного ефекту.
This paper shows a new type of artificial neural network with dynamic oscillatory neurons that have natural frequencies. Artificial neural network in the mode of information resonance implements a new method of recognition of multispectral images. The constructed neural network will recognize the input spectral images with the amplitude of the non-stationary signal commensurate with the amplitude of the noise signal, due to the resonance effect in nonlinear oscillatory neurons. A computer experiment was performed to recognize multispectral images by a dynamic neural network based on the resonance effect.
URI: https://ena.lpnu.ua/handle/ntb/56137
Copyright owner: © Національний університет “Львівська політехніка”, 2020
© Пелещак Р., Литвин В., Пелещак І., Висоцька В., 2020
URL for reference material: https://doi.org/10.1109/TAC.1997.633847
https://doi.org/10.1109/TIE.2008.924018
https://doi.org/10.5815/ijisa.2018.04.02
References (Ukraine): 1. Wang L. (1994). Adaptive Fuzzy Systems and Control. Design and Stability Analysis. New Jersey: Prentice Hall.
2. Jang J., Sun C., Muzutani E. (1997). Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. IEEE Transactions on Automatic Control, 42(10), 1482–1484. https://doi.org/10.1109/TAC.1997.633847
3. Abiyev R., Kaynak O. (2008). Fuzzy wavelet neural networks for identification and control of dynamic plants – A novel structure and a comparative study, IEEE Trans. On Industrial Electronics, 55 (8), 3133 – 3140. https://doi.org/10.1109/TIE.2008.924018
4. Bodyanskiy Y., Pliss I., Vynokurova O. (2010). Hybrid wavelet-neuro-fuzzy system using adaptive Wneurons. Wissenschaftliche Berichte, FH Zittau/Goerlitz, 106, 301 – 308.
5. Vynokurova O. (2009). Hybrid adaptive neuro-fuzzy and wavelet-neuro-fizzy inferences systems of computational intelligence in signal processing tasks under high level noise. Adaptive automatic control systems, 15 (35), 113 – 120.
6. Kholmansky A. (2006). Simulation of brain physics. Quantum magic, 3(3), 3126–3155.
7. Smith K. (2005). Sensory Systems Biology, Moscow BINOM. Laboratory of Knowledge.
8. Hameroff S., Penrose R. (1994). Quantum coherence in microtubules: A neural basis for emergent consciousness? J. of Consciousness Studies, 1, 91–118.
9. Slyadnikov E. (2007). Physical model and associative memory of the dipole system of the cytoskeleton microtubule. Journal of Technical Physics, 7, 77–86.
10. Lytvyn V., Vysotska V., Peleshchak I., Rishnyak I., Peleshchak R. (2018). Time Dependence of the Output Signal Morphology for Nonlinear Oscillator Neuron Based on Van der Pol Model. International Journal of Intelligent Systems and Applications(IJISA), 10(4), 8–17. https://doi.org/10.5815/ijisa.2018.04.02
References (International): 1. Wang L. (1994). Adaptive Fuzzy Systems and Control. Design and Stability Analysis. New Jersey: Prentice Hall.
2. Jang J., Sun C., Muzutani E. (1997). Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. IEEE Transactions on Automatic Control, 42(10), 1482–1484. https://doi.org/10.1109/TAC.1997.633847
3. Abiyev R., Kaynak O. (2008). Fuzzy wavelet neural networks for identification and control of dynamic plants – A novel structure and a comparative study, IEEE Trans. On Industrial Electronics, 55 (8), 3133 – 3140. https://doi.org/10.1109/TIE.2008.924018
4. Bodyanskiy Y., Pliss I., Vynokurova O. (2010). Hybrid wavelet-neuro-fuzzy system using adaptive Wneurons. Wissenschaftliche Berichte, FH Zittau/Goerlitz, 106, 301 – 308.
5. Vynokurova O. (2009). Hybrid adaptive neuro-fuzzy and wavelet-neuro-fizzy inferences systems of computational intelligence in signal processing tasks under high level noise. Adaptive automatic control systems, 15 (35), 113 – 120.
6. Kholmansky A. (2006). Simulation of brain physics. Quantum magic, 3(3), 3126–3155.
7. Smith K. (2005). Sensory Systems Biology, Moscow BINOM. Laboratory of Knowledge.
8. Hameroff S., Penrose R. (1994). Quantum coherence in microtubules: A neural basis for emergent consciousness? J. of Consciousness Studies, 1, 91–118.
9. Slyadnikov E. (2007). Physical model and associative memory of the dipole system of the cytoskeleton microtubule. Journal of Technical Physics, 7, 77–86.
10. Lytvyn V., Vysotska V., Peleshchak I., Rishnyak I., Peleshchak R. (2018). Time Dependence of the Output Signal Morphology for Nonlinear Oscillator Neuron Based on Van der Pol Model. International Journal of Intelligent Systems and Applications(IJISA), 10(4), 8–17. https://doi.org/10.5815/ijisa.2018.04.02
Content type: Article
Appears in Collections:Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. – 2020. – Випуск 7

Files in This Item:
File Description SizeFormat 
2020n7_Peleshchak_R-Development_of_an_artificial_16-23.pdf879.99 kBAdobe PDFView/Open
2020n7_Peleshchak_R-Development_of_an_artificial_16-23__COVER.png358.49 kBimage/pngView/Open
Show full item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.