DC Field | Value | Language |
dc.contributor.author | Пелещак, Роман | |
dc.contributor.author | Литвин, Василь | |
dc.contributor.author | Пелещак, Іван | |
dc.contributor.author | Висоцька, Вікторія | |
dc.contributor.author | Peleshchak, Roman | |
dc.contributor.author | Lytvyn, Vasyl | |
dc.contributor.author | Peleshchak, Ivan | |
dc.contributor.author | Vysotska, Victoria | |
dc.date.accessioned | 2021-02-11T14:12:46Z | - |
dc.date.available | 2021-02-11T14:12:46Z | - |
dc.date.created | 2020-02-24 | |
dc.date.issued | 2020-02-24 | |
dc.identifier.citation | 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. | |
dc.identifier.uri | https://ena.lpnu.ua/handle/ntb/56137 | - |
dc.description.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. | |
dc.description.abstract | 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. | |
dc.format.extent | 16-23 | |
dc.language.iso | uk | |
dc.publisher | Видавництво Львівської політехніки | |
dc.publisher | Lviv Politechnic Publishing House | |
dc.relation.ispartof | Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі, 7, 2020 | |
dc.relation.uri | https://doi.org/10.1109/TAC.1997.633847 | |
dc.relation.uri | https://doi.org/10.1109/TIE.2008.924018 | |
dc.relation.uri | https://doi.org/10.5815/ijisa.2018.04.02 | |
dc.subject | нейронна мережа | |
dc.subject | мультиспектральні образи | |
dc.subject | інформаційний резонанс | |
dc.subject | neural network | |
dc.subject | multispectral images | |
dc.subject | information resonance | |
dc.title | Розробка штучної нейронної мережі з осциляторними нейронами для розпізнавання спектральних образів | |
dc.title.alternative | Development of an artificial neural network with oscillatory neurons for recognition of spectral images | |
dc.type | Article | |
dc.rights.holder | © Національний університет “Львівська політехніка”, 2020 | |
dc.rights.holder | © Пелещак Р., Литвин В., Пелещак І., Висоцька В., 2020 | |
dc.contributor.affiliation | Національний університет “Львівська політехніка” | |
dc.contributor.affiliation | Lviv Polytechnic National University | |
dc.format.pages | 8 | |
dc.identifier.citationen | 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. | |
dc.relation.references | 1. Wang L. (1994). Adaptive Fuzzy Systems and Control. Design and Stability Analysis. New Jersey: Prentice Hall. | |
dc.relation.references | 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 | |
dc.relation.references | 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 | |
dc.relation.references | 4. Bodyanskiy Y., Pliss I., Vynokurova O. (2010). Hybrid wavelet-neuro-fuzzy system using adaptive Wneurons. Wissenschaftliche Berichte, FH Zittau/Goerlitz, 106, 301 – 308. | |
dc.relation.references | 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. | |
dc.relation.references | 6. Kholmansky A. (2006). Simulation of brain physics. Quantum magic, 3(3), 3126–3155. | |
dc.relation.references | 7. Smith K. (2005). Sensory Systems Biology, Moscow BINOM. Laboratory of Knowledge. | |
dc.relation.references | 8. Hameroff S., Penrose R. (1994). Quantum coherence in microtubules: A neural basis for emergent consciousness? J. of Consciousness Studies, 1, 91–118. | |
dc.relation.references | 9. Slyadnikov E. (2007). Physical model and associative memory of the dipole system of the cytoskeleton microtubule. Journal of Technical Physics, 7, 77–86. | |
dc.relation.references | 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 | |
dc.relation.referencesen | 1. Wang L. (1994). Adaptive Fuzzy Systems and Control. Design and Stability Analysis. New Jersey: Prentice Hall. | |
dc.relation.referencesen | 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 | |
dc.relation.referencesen | 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 | |
dc.relation.referencesen | 4. Bodyanskiy Y., Pliss I., Vynokurova O. (2010). Hybrid wavelet-neuro-fuzzy system using adaptive Wneurons. Wissenschaftliche Berichte, FH Zittau/Goerlitz, 106, 301 – 308. | |
dc.relation.referencesen | 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. | |
dc.relation.referencesen | 6. Kholmansky A. (2006). Simulation of brain physics. Quantum magic, 3(3), 3126–3155. | |
dc.relation.referencesen | 7. Smith K. (2005). Sensory Systems Biology, Moscow BINOM. Laboratory of Knowledge. | |
dc.relation.referencesen | 8. Hameroff S., Penrose R. (1994). Quantum coherence in microtubules: A neural basis for emergent consciousness? J. of Consciousness Studies, 1, 91–118. | |
dc.relation.referencesen | 9. Slyadnikov E. (2007). Physical model and associative memory of the dipole system of the cytoskeleton microtubule. Journal of Technical Physics, 7, 77–86. | |
dc.relation.referencesen | 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 | |
dc.citation.journalTitle | Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі | |
dc.citation.issue | 7 | |
dc.citation.spage | 16 | |
dc.citation.epage | 23 | |
dc.coverage.placename | Львів | |
dc.coverage.placename | Lviv | |
dc.subject.udc | 004.032.26 | |
Appears in Collections: | Вісник Національного університету "Львівська політехніка". Інформаційні системи та мережі. – 2020. – Випуск 7
|