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 2024
Status:
Warianty tytułu:
Badanie porównawcze wybranych algorytmów uczenia maszynowego w elektrycznej tomografii impedancyjnej
Autorzy: Dziadosz Marcin, Mazurek Mariusz, Stefaniak Barbara, Wójcik Dariusz, Gauda Konrad
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2024
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Numer czasopisma: 4
Wolumen/Tom: 100
Strony: 237 - 240
Impact Factor: 0,4
Web of Science® Times Cited: 0
Scopus® Cytowania: 0
Bazy: Web of Science | Scopus | EBSCO | INSPEC | BAZTECH
Efekt badań statutowych NIE
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 kwietnia 2024
Abstrakty: angielski | polski
The main purpose of the article is to compare selected machine learning methods in Electrical Impedance Tomography. The paper studies the relationship between a number of training cases and Root Mean Squared Error loss in the EIT image reconstruction problem. The research was conducted with the Elastic Net, Least Angle Regression and Artificial Neural Network algorithms in R environment. Various tests have been performed, leading to many results and a discussion about a plateau in the model training plot.
Głównym celem artykułu jest porównanie wybranych metod uczenia maszynowego w tomografii impedancyjnej. Artykuł bada związek między liczbą przypadków treningowych a utratą RMSE w problemie rekonstrukcji obrazu EIT. Badania przeprowadzono z wykorzystaniem algorytmów Elastic Net, Least Angle Regression oraz Artificial Neural Network w środowisku R. Przeprowadzono różne testy, które doprowadziły do wielu wyników i dyskusji na temat plateau na wykresie treningowym modelu. (Badanie porównawcze wybranych algorytmów uczenia maszynowego w elektrycznej tomografii impedancyjnej