Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej
MNiSW
70
Lista 2021
Status:
Warianty tytułu:
Zastosowanie jądra gaussowskiego z uwzględnieniem korelacji do rekonstrukcji obrazu w tomografii elektrycznej
Autorzy: Rymarczyk Tomasz, Kozłowski Edward, Adamkiewicz Przemysław, Sikora Jan
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2019
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 5
Wolumen/Tom: 95
Strony: 55 - 58
Web of Science® Times Cited: 0
Scopus® Cytowania: 0
Bazy: Web of Science | Scopus
Efekt badań statutowych TAK
Materiał konferencyjny: NIE
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Otwarte czasopismo
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 1 maja 2019
Abstrakty: polski | angielski
W artykule przedstawiono aplikację opartą na metodach maszyna wektorów nośnych do regresji i maszyna wektorów nośnych do regresji z zmodyfikowanym jądrem korelacji w elektrycznej tomografii impedancyjnej. Metody statystyczne zostały wykorzystana do rekonstrukcji obrazuj. Dodatkowo stworzono model, który analizuje podobne obiekty o różnych rozmiarach. Uczy się na obiekcie o mniejszych gabarytach, natomiast rozpoznajemy obiekt o większym rozmiarze. W pracy pokazano w jaki sposób dokonywać analizę dla takich przypadków.
The article presents the application of support methods Vector Machine for Regression and Support Vector Machine for Regression with a modified correlation kernel in electrical impedance tomography. Statistical methods have been used to reconstruct imaging. In addition, a model was created that analyses similar objects of different sizes. It learns about a smaller object, but we recognize a larger object. The paper shows how to make an analysis for such cases.