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

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

Status:
Autorzy: Rymarczyk Tomasz, Kłosowski Grzegorz, Niderla Konrad
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Strony: 17 - 22
Efekt badań statutowych NIE
Materiał konferencyjny: TAK
Nazwa konferencji: 8th International Symposium on Applied Electromagnetics
Skrócona nazwa konferencji: 8th SAEM' 2022
URL serii konferencji: LINK
Termin konferencji: 26 czerwca 2022 do 29 czerwca 2022
Miasto konferencji: Struga
Państwo konferencji: MACEDONIA
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Otwarte repozytorium
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Abstrakty: angielski
The aim of this article is to optimize the structure of the artificial neural network (ANN) in order to obtain the best imaging results. During the research, many variants of prediction models were trained, differing in the number of neurons, the number of hidden layers, the learning algorithm, transfer functions, overfitting prevention method, etc. As a result of comparing the results of the obtained reconstructive images with the reference images, the optimal network structure was selected. Noteworthy is the original approach, which consists in training separate ANNs for each voxel of an image separately. As a result, the model consists of many separately trained, single-output ANNs, creating a complex system of models that constitute multiple neural network (MNN).