Zobrazeno 1 - 10
of 44
pro vyhledávání: '"physically informed"'
Autor:
Mohammad Hossain Dehghan-Shoar, Gabor Kereszturi, Reddy R. Pullanagari, Alvaro A. Orsi, Ian J. Yule, James Hanly
Publikováno v:
International Journal of Applied Earth Observations and Geoinformation, Vol 130, Iss , Pp 103917- (2024)
This study introduces a Physically Informed Deep Neural Network (PINN) that leverages spectral data and Radiative Transfer Model insights to improve nitrogen concentration estimation in vegetation, addressing the complexities of physical processes. U
Externí odkaz:
https://doaj.org/article/d27f09ae4fe649159a9544ea98b3681f
Publikováno v:
Machine Learning: Science and Technology, Vol 5, Iss 3, p 035048 (2024)
Physically informed neural networks (PINNs) are a promising emerging method for solving differential equations. As in many other deep learning approaches, the choice of PINN design and training protocol requires careful craftsmanship. Here, we sugges
Externí odkaz:
https://doaj.org/article/73708e484d9147e3895b04786bf70366
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:
Ge Chen, Baoxiang Huang, Jie Yang, Milena Radenkovic, Linyao Ge, Chuanchuan Cao, Xiaoyan Chen, Linghui Xia, Guiyan Han, Ying Ma
Publikováno v:
Frontiers in Marine Science, Vol 9 (2023)
Oceans at a depth ranging from ~100 to ~1000-m (defined as the intermediate water here), though poorly understood compared to the sea surface, is a critical layer of the Earth system where many important oceanographic processes take place. Advances i
Externí odkaz:
https://doaj.org/article/844ade16abeb43b1882950620c8460bb
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.
Comparative Study between Physics-Informed CNN and PCA in Induction Motor Broken Bars MCSA Detection
Publikováno v:
Sensors, Vol 22, Iss 23, p 9494 (2022)
In this article, two methods for broken bar detection in induction motors are considered and tested using data collected from the LIAS laboratory at the University of Poitiers. The first approach is Motor Current Signature Analysis (MCSA) with Convol
Externí odkaz:
https://doaj.org/article/d4f9e5e3d7de472eb942be1e42308dd6
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.