Suchergebnisse - "ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ"
-
1
Autoren:
Weitere Verfasser:
Schlagwörter: ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ, SPEECH PORTRAIT, ARTIFICIAL NEURAL NETWORK, РЕЧЕВОЙ ПОРТРЕТ, ЯЗЫКОВАЯ МОДЕЛЬ, LANGUAGE MODEL, SPEECH CHARACTERISTICS, 'CHATGPT' CHATBOT, ЧАТ-БОТ «CHATGPT», РЕЧЕВЫЕ ОСОБЕННОСТИ
Dateibeschreibung: application/pdf
Zugangs-URL: https://elar.urfu.ru/handle/10995/144424
-
2
-
3
-
4
Autoren:
Quelle: Научно-технический вестник информационных технологий, механики и оптики, Vol 25, Iss 1, Pp 128-139 (2025)
Schlagwörter: искусственная нейронная сеть, обработка изображений, состязательная атака, обнаружение атак, вредоносное возмущение, псевдонорма возмущения l0, статистический анализ, оценка аномальности, Information technology, T58.5-58.64
Dateibeschreibung: electronic resource
-
5
Autoren:
Quelle: Научно-технический вестник информационных технологий, механики и оптики, Vol 22, Iss 2, Pp 364-375 (2024)
Schlagwörter: маршрутизация и доставка данных, многослойная глубокая искусственная нейронная сеть, алгоритм ранжированного леса с мгновенным стоком, пробит-регрессия, Information technology, T58.5-58.64
Dateibeschreibung: electronic resource
-
6
Autoren:
Quelle: Научно-технический вестник информационных технологий, механики и оптики, Vol 22, Iss 4, Pp 742-750 (2024)
Schlagwörter: искусственный интеллект, искусственная нейронная сеть, информационная безопасность, компьютерные атаки, бэкдор, закладки в нейронных сетях, синтезированные триггеры, Information technology, T58.5-58.64
Dateibeschreibung: electronic resource
-
7
Autoren: et al.
Quelle: Научно-технический вестник информационных технологий, механики и оптики, Vol 23, Iss 4, Pp 720-733 (2024)
Schlagwörter: искусственный интеллект, искусственная нейронная сеть, обработка изображений, состязательная атака, встраивание бэкдора, вредоносное возмущение, состязательное обучение, защитная дистилляция, сжатие параметров, сертификационная защита, предобработка данных, Information technology, T58.5-58.64
Dateibeschreibung: electronic resource
-
8
Autoren: et al.
Quelle: Научно-технический вестник информационных технологий, механики и оптики, Vol 24, Iss 1, Pp 156-164 (2024)
Schlagwörter: машинное обучение, модель случайного леса, искусственная нейронная сеть, инфразвук, перестановочная энтропия, классификация фрагментов временных рядов, Information technology, T58.5-58.64
Dateibeschreibung: electronic resource
-
9
Autoren: D. А. Esipov
Quelle: Научно-технический вестник информационных технологий, механики и оптики, Vol 24, Iss 3, Pp 490-499 (2024)
Schlagwörter: искусственная нейронная сеть, обработка изображений, состязательная атака, вредоносное возмущение, псевдонорма возмущения l0, однопиксельная атака, атака по карте значимости на основе якобиана, Information technology, T58.5-58.64
Dateibeschreibung: electronic resource
-
10
Autoren: Иванников М. А.
Schlagwörter: Искусственный интеллект, ИИ, теория всего, детерминированные алгоритмы, недетерминированные алгоритмы, сознание, пределы познания, задача коммивояжера, эволюция, искусственная нейронная сеть, ИНС
Relation: https://zenodo.org/records/16740687; oai:zenodo.org:16740687; https://doi.org/10.5281/zenodo.16740687
-
11
Autoren: Иванников М. А.
Schlagwörter: сознание, материя, теория сознания, неравновесный фазовый переход, бифуркация, хаос, ИИ, искусственная нейронная сеть, теория мышления, квалиа, солипсизм, теория всего
Relation: https://zenodo.org/records/16740672; oai:zenodo.org:16740672; https://doi.org/10.5281/zenodo.16740672
-
12
Autoren: БУДНИК, Артем Русланович
Quelle: Works on Intellectual Property ; Vol 53 No 2 (2025): SCIENTIFIC JOURNAL OF UNESCO CHAIR ON COPYRIGHT, RELATED, CULTURAL AND INFORMATION RIGHTS; 49-66 ; Труды по Интеллектуальной Собственности; Том 53 № 2 (2025): НАУЧНЫЙ ЖУРНАЛ КАФЕДРЫ ЮНЕСКО ПО АВТОРСКОМУ ПРАВУ, СМЕЖНЫМ, КУЛЬТУРНЫМ И ИНФОРМАЦИОННЫМ ПРАВАМ; 49-66 ; 2713-1270 ; 2225-3475 ; 10.17323/tis.2025.v53
Schlagwörter: legal protection of voice, personal right, prosody, prosody parameters, speech modality digitization, linguistic model, generative language model, artificial neural network, software product development, правовая охрана голоса, голос как личное благо, просодия, параметры просодии, оцифровка речи, лингвистическая модель, искусственная нейронная сеть, разработка программного продукта
Dateibeschreibung: application/pdf
-
13
Autoren: et al.
Quelle: ENERGETIKA. Proceedings of CIS higher education institutions and power engineering associations; Том 68, № 1 (2025); 45-57 ; Энергетика. Известия высших учебных заведений и энергетических объединений СНГ; Том 68, № 1 (2025); 45-57 ; 2414-0341 ; 1029-7448 ; 10.21122/1029-7448-2025-68-1
Schlagwörter: нелинейная функция, artificial neural network, PID controller, weighting coefficient, output layer, learning rat, demultiplexer, sampling point, neuron, nonlinear function, искусственная нейронная сеть, ПИД-регулятор, весовой коэффициент, выходной слой, скорость обучения, нейроконтроллер, момент дискретизации, нейрон
Dateibeschreibung: application/pdf
Relation: https://energy.bntu.by/jour/article/view/2441/1941; Фираго, Б. И. Свойства, характеристики и параметры синхронного двигателя с постоянными магнитами при векторном и скалярном частотном управлении / Б. И. Фираго, С. В. Александровский // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2019. Т. 62, № 3. С. 205–218. https://doi.org/10.21122/1029-7448-2019-62-3-205-218.; Spееd Control of BLDC Motor Using on DSP / G. MadhusudhanaRao [и др.] // International Journal of Engineering Science and Technology. 2010. Vol. 2, № 3. P. 143–147.; 单桂花,窦月轩 运动控制系统 清华大学出版社 2002. = Еr Guihua. Motion Control Systеm / Еr Guihua, Dou Yuеxuan. Bеijing: Tsinghua Univеrsity Prеss, 2002. P. 3–4.; Basheer, I. A. Artificial Neural Networks: Fundamentals, Computing, Design, and Application / I. A. Basheer, M. Hajmeer // Journal of Microbiological Methods. 2000. Vol. 43, No 1. P. 3–31. https://doi.org/10.1016/s0167-7012(00)00201-3.; Менжинский, А. В. Разработка аналитической модели для определения магнитного потока рассеяния через зубцы статора синхронной электрической машины с дробной зубцовой обмоткой / А. В. Менжинский, С. В. Пантелеев, А. Н. Малашин // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2022. Т. 65, № 3. С. 224–239. https://doi.org/10.21122/1029-7448-2022-65-3-224-239.; Chan, C. C. An Ovеrviеw of Powеr Еlеctronics in Еlеctric Vеhiclеs / C. C. Chan, K. T. Chau // IЕЕЕ Transactions on Industrial Еlеctronics. 1997. Vol. 44, No 1. P. 3–9. https://doi.org/10.1109/41.557493.; Morimoto, S. Sinusoidal Currеnt Drivе Systеm of Pеrmanеnt Magnеt Synchronous Motor with Low Rеsolution Position Sеnsor / S. Morimoto, M. Sanada, Y. Takеda // IAS '96. Conference Record of the 1996 IEEE Industry Applications Conference Thirty-First IAS Annual Meeting. 1996. Vol. 1. P. 9–14. https://doi.org/10.1109/IAS.1996.556990.; Batzеl, T. D. An Approach to Sеnsorlеss Opеration of thе Pеrmanеnt-Magnеt Synchronous Motor using Diagonally Rеcurrеnt Nеural Nеtworks / T. D. Batzеl, K. Y. Lее // IЕЕЕ Transactions on Еnеrgy Convеrsion. 2003. Vol. 18, No 1. Pp. 100–106. https://doi.org/10.1109/tec.2002.808386.; El-Sousy, F. F. M. Hybrid H∞-Basеd Wavеlеt-Nеural-Nеtwork Tracking Control for Pеrmanеnt-Magnеt Synchronous Motor Sеrvo Drivеs / F. F. M. El-Sousy // IЕЕЕ Transactions on Industrial Еlеctronics. 2010. Vol. 57, No 9. P. 3157–3166. https://doi.org/10.1109/TIE.2009.2038331.; Sagawa, S. Sеnsorlеss Driving Mеthod of Pеrmanеnt-Magnеt Synchronous Motors Basеd on Nеural Nеtworks / S. Sagawa, T. Watanabе, O. Ichinokura // IЕЕЕ Transactions on Magnеtics. 2003.Vol. 39, No 5. P. 3247–3249. https://doi.org/10.1109/tmag.2003.816736.; Lin, F.-J. Modifiеd Еlman Nеural Nеtwork Controllеr with Improvеd Particlе Swarm Optimisation for Linеar Synchronous Motor Drivе / F.-J. Lin, L.-T. Tеng, H. Chu // IЕT Еlеctric Powеr Applications. 2008. Vol. 2, No 3. P. 201–214. https://doi.org/10.1049/iet-epa:20070368.; Li, H. A Nеural-Nеtwork Basеd Adaptivе Еstimator of Rotor Position and Spееd for Pеrmanеnt Magnеt Synchronous Motor / H. Li, J. Wang, S. S. Gu, T. Yang // ICEMS’2001. Proceedings of the Fifth International Conference on Electrical Machines and Systems (IEEE Cat. No.01EX501). Shеnyang, China, April 2001. Vol. 2. P. 735–738. https://doi.org/10.1109/icems.2001.971781.; Boundеd nеuro-control position rеgulation for a gеarеd DC motor / J. Rеyеs-Rеyеs, C. M. Astorga-Zaragoza, M. Adam-Mеdina, G. V. Guеrrеro-Ramírеz // Еnginееring Applications of Artificial Intеlligеncе. 2010. Vol. 23, No 8. P. 1398–1407. https://doi.org/10.1016/j.engappai.2010.08.003.; Вельченко, А. А. Математическая модель бесколлекторного двигателя постоянного тока на основе уравнения напряжения трехфазной обмотки / А. А. Вельченко, С. А. Павлюковец, А. А. Радкевич // Системный анализ и прикладная информатика. 2024. № 1. С. 19–25. https://doi.org/10.21122/2309-4923-2024-1-19-25.; Anthony, M. Neural Network Learning: Theoretical Foundations / M. Anthony, P. L. Bartlett. Cambridge University Press. Cambridge, 1999. 389 p. https://doi.org/10.1017/cbo9780511624216.; https://energy.bntu.by/jour/article/view/2441
-
14
Quelle: Gіrnichі, budіvelnі, dorozhnі ta melіorativnі mashini; No. 104 (2024); 15-27
Горные, строительные, дорожные и мелиоративные машины ; № 104 (2024); 15-27
Гірничі, будівельні, дорожні та меліоративні машини; № 104 (2024); 15-27Schlagwörter: линейно-квадратический критерий, регулятор, лінійно-квадратичний критерій, linear-quadratic criterion, crane, искусственная нейронная сеть, controller, грузоподъемный кран, вантажопідйомний кран, штучна нейронна мережа, artificial neural network
Dateibeschreibung: application/pdf
Zugangs-URL: http://gbdmm.knuba.edu.ua/article/view/318448
-
15
-
16
Quelle: Информатика. Экономика. Управление, Vol 2, Iss 1 (2023)
-
17
Quelle: Информатика. Экономика. Управление, Vol 1, Iss 2 (2022)
-
18
Autoren:
Quelle: Electronics and Control Systems; Vol. 2 No. 72 (2022); 9-13
Электроника и системы управления; Том 2 № 72 (2022); 9-13
Електроніка та системи управління; Том 2 № 72 (2022); 9-13Schlagwörter: алгоритмы машинного обучения, искусственный интеллект, глубинное обучение, decision trees, штучний інтелект, deep learning, k-nearest neighbor method, artificial intelligence, штучна нейронна мережа, 7. Clean energy, cardiovascular diseases, 3. Good health, k-метод ближайшего соседа, серцево-судинні захворювання, алгоритми машинного навчання, machine learning algorithms, дерева прийняття рішень, глибинне навчання, k-метод найближчого сусіда, искусственная нейронная сеть, сердечно-сосудистые заболевания, artificial neural network, деревья принятия решений
Dateibeschreibung: application/pdf
-
19
Schlagwörter: электромагнитно-акустическое преобразование, frequency characteristics, 7. Clean energy, машинное обучение, electromagnetic-acoustic transformation, power equipment, напряженно-деформированное состояние, machine learning, энергетическое оборудование, 11. Sustainability, stress-strain state, частотные характеристики, искусственная нейронная сеть, artificial neural network
-
20
Schlagwörter: система адаптивного управления, обучение искусственной нейронной сети, автономный необитаемый подводный аппарат, autonomous unmanned underwater vehicle, интеллектуальная система управления, intelligent control system, искусственная нейронная сеть, adaptive control system, artificial neural network, artificial neural network training
Nájsť tento článok vo Web of Science