Zobrazeno 1 - 10
of 132
pro vyhledávání: '"autoassociative neural network"'
Autor:
Lorena R. Morais, Adriana R. G. Castro
Publikováno v:
IEEE Access, Vol 7, Pp 111746-111755 (2019)
This paper presents a new approach to electrical appliance identification for non-intrusive load monitoring (NILM). In the proposed method a set of autoassociative neural networks is trained so that each one is tuned with the characteristics of a par
Externí odkaz:
https://doaj.org/article/d96e1fc37f9c44be943773a52eb1091c
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
N.J. Nalini, S. Palanivel
Publikováno v:
Egyptian Informatics Journal, Vol 17, Iss 1, Pp 1-10 (2016)
The proposed work combines the evidence from mel frequency cepstral coefficients (MFCC) and residual phase (RP) features for emotion recognition in music. Emotion recognition in music considers the emotions namely anger, fear, happy, neutral and sad.
Externí odkaz:
https://doaj.org/article/78dd20d9b7844715aa586b4a31004527
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Sergiy Popov
Publikováno v:
Technological and Economic Development of Economy, Vol 12, Iss 1 (2006)
Visualization of large‐scale data inherently requires dimensionality reduction to 1D, 2D, or 3D space. Autoassociative neural networks with a bottleneck layer are commonly used as a nonlinear dimensionality reduction technique. However, many real
Externí odkaz:
https://doaj.org/article/75e4c56fcd134d5fb0dda45208017189
Autor:
Jay H. Lee, Seongmin Heo
Publikováno v:
Processes
Volume 7
Issue 7
Processes, Vol 7, Iss 7, p 411 (2019)
Volume 7
Issue 7
Processes, Vol 7, Iss 7, p 411 (2019)
In this article, the statistical process monitoring problem of the Tennessee Eastman process is considered using deep learning techniques. This work is motivated by three limitations of the existing works for such problem. First, although deep learni
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.