Розробка штучної нейронної мережі з осциляторними нейронами для розпізнавання спектральних образів

dc.citation.epage23
dc.citation.issue7
dc.citation.journalTitleВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі
dc.citation.spage16
dc.contributor.affiliationНаціональний університет “Львівська політехніка”
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.authorПелещак, Роман
dc.contributor.authorЛитвин, Василь
dc.contributor.authorПелещак, Іван
dc.contributor.authorВисоцька, Вікторія
dc.contributor.authorPeleshchak, Roman
dc.contributor.authorLytvyn, Vasyl
dc.contributor.authorPeleshchak, Ivan
dc.contributor.authorVysotska, Victoria
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2021-02-11T14:12:46Z
dc.date.available2021-02-11T14:12:46Z
dc.date.created2020-02-24
dc.date.issued2020-02-24
dc.description.abstractРозроблено 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.abstractThis 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.extent16-23
dc.format.pages8
dc.identifier.citationРозробка 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.citationenDevelopment 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.identifier.urihttps://ena.lpnu.ua/handle/ntb/56137
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofВісник Національного університету "Львівська політехніка". Інформаційні системи та мережі, 7, 2020
dc.relation.references1. Wang L. (1994). Adaptive Fuzzy Systems and Control. Design and Stability Analysis. New Jersey: Prentice Hall.
dc.relation.references2. 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.references3. 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.references4. 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.references5. 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.references6. Kholmansky A. (2006). Simulation of brain physics. Quantum magic, 3(3), 3126–3155.
dc.relation.references7. Smith K. (2005). Sensory Systems Biology, Moscow BINOM. Laboratory of Knowledge.
dc.relation.references8. Hameroff S., Penrose R. (1994). Quantum coherence in microtubules: A neural basis for emergent consciousness? J. of Consciousness Studies, 1, 91–118.
dc.relation.references9. 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.references10. 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.referencesen1. Wang L. (1994). Adaptive Fuzzy Systems and Control. Design and Stability Analysis. New Jersey: Prentice Hall.
dc.relation.referencesen2. 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.referencesen3. 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.referencesen4. 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.referencesen5. 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.referencesen6. Kholmansky A. (2006). Simulation of brain physics. Quantum magic, 3(3), 3126–3155.
dc.relation.referencesen7. Smith K. (2005). Sensory Systems Biology, Moscow BINOM. Laboratory of Knowledge.
dc.relation.referencesen8. Hameroff S., Penrose R. (1994). Quantum coherence in microtubules: A neural basis for emergent consciousness? J. of Consciousness Studies, 1, 91–118.
dc.relation.referencesen9. 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.referencesen10. 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.urihttps://doi.org/10.1109/TAC.1997.633847
dc.relation.urihttps://doi.org/10.1109/TIE.2008.924018
dc.relation.urihttps://doi.org/10.5815/ijisa.2018.04.02
dc.rights.holder© Національний університет “Львівська політехніка”, 2020
dc.rights.holder© Пелещак Р., Литвин В., Пелещак І., Висоцька В., 2020
dc.subjectнейронна мережа
dc.subjectмультиспектральні образи
dc.subjectінформаційний резонанс
dc.subjectneural network
dc.subjectmultispectral images
dc.subjectinformation resonance
dc.subject.udc004.032.26
dc.titleРозробка штучної нейронної мережі з осциляторними нейронами для розпізнавання спектральних образів
dc.title.alternativeDevelopment of an artificial neural network with oscillatory neurons for recognition of spectral images
dc.typeArticle

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
2020n7_Peleshchak_R-Development_of_an_artificial_16-23.pdf
Size:
879.99 KB
Format:
Adobe Portable Document Format
Thumbnail Image
Name:
2020n7_Peleshchak_R-Development_of_an_artificial_16-23__COVER.png
Size:
358.49 KB
Format:
Portable Network Graphics

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
3.1 KB
Format:
Plain Text
Description: