USING NEURAL NETWORKS AND DEEP LEARNING ALGORITHMS  IN ELECTRICAL IMPEDANCE TOMOGRAPHY

Grzegorz  Kłosowski; Tomasz  Rymarczyk

doi:10.5604/01.3001.0010.5226

pdf (angielski)

Opublikowane: 2017-09-30

DOI: https://doi.org/10.5604/01.3001.0010.5226

Numer Tom 7 Nr 3 (2017)

KLASYFIKACJA OPISÓW FUNKCJONALNYCH I SCHEMATÓW LOKALIZACJI ŹRÓDEŁ EMISJI AKUSTYCZNEJ
Volodimir Marasanov , Artem Sharko

5-7
METODA PORÓWNAWCZEJ OCENY UKŁADÓW AUTOMATYCZNEGO STEROWANIA WYKORZYSTUJĄCA ZBIÓR WSKAŹNIKÓW JAKOŚCI
Volodymyr Drevetskyi, Ivan Kovela, Vitalii Kutia

8-10
NUMERYCZNE ASPEKTY ODWZOROWANIA WTÓRNEGO POLA MAGNETYCZNEGO W MAGNETYCZNEJ TOMOGRAFII INDUKCYJNEJ
Beata Szuflitowska, Marcin Ziolkowski, Krzysztof Stawicki

11-14
WPROWADZENIE DO ZAGADNIENIA TOMOGRAFII W ALGORYTMACH POSTPROCESSINGU DLA REAKTORÓW TYPU TOKAMAK
Rafał Krawczyk, Piotr Kolasiński, Paweł Linczuk, Wojciech Zabołotny, Krzysztof Poźniak, Paweł Zienkiewicz, Ryszard Romaniuk, Andrzej Wojeński, Grzegorz Kasprowicz, Tomasz Czarski, Maryna Chernyshova

15-18
OBLICZENIA NUMERYCZNE POCHODNEJ UŁAMKOWEGO RZĘDU W ZAGADNIENIACH POCZĄTKOWYCH, PRZYKŁADY W PROGRAMACH MATLAB I MATHEMATICA
Marcin Sowa

19-22
SYMULACJA ORAZ PORÓWNANIE WYBRANYCH TOPOLOGII SZYBKICH ŁADOWAREK
Dariusz Zieliński, Mikhail Tokovarov

23-28
ANALIZA OPTYMALIZACJI KWEREND JĘZYKA TRANSACT-SQL OPARTYCH O INDEKSY
Dominika Hodun, Maria Skublewska-Paszkowska

29-32
PORÓWNANIE JĘZYKÓW PROGRAMOWANIA NA PLATFORMIE IOS POD WZGLĘDEM WYDAJNOŚCI
Kamil Gut, Maria Skublewska-Paszkowska, Edyta Łukasik, Jakub Smołka

33-36
METODA WIZUALIZACJI DANYCH RUCHU 3D WYKORZYSTUJĄCA URZĄDZENIE MOBILNE
Michał Oseńko, Jakub Smołka, Maria Skublewska-Paszkowska, Edyta Łukasik

37-42
KLASTERYZACJA K-ŚREDNICH OBRAZÓW TEKSTUROWYCH LAMELARNYCH MIKROSTRUKTUR STOPÓW TYTANU
Ranya Al Darwich, Laurent Babout, Krzysztof Strzecha

43-46
ZASTOSOWANIE ALGORYTMU WYSZUKIWANIA WIELU WZORCÓW OPARTEGO O TECHNIKĘ Q-GRAMÓW DO WYSZUKIWANIA PRZYBLIŻONEGO
Robert Susik

47-50
BADANIA REDUKCJI OPÓŹNIEŃ SERWERA WWW
Fatma Mbarek, Volodymyr Mosorov, Rafał Wojciechowski

51-55
ALTERNATYWNY KRYTERIUM ZATRZYMANIA DLA K-OKREŚLONYCH TWARDYCH ALGORYTMÓW KLASTERYZACJI DANYCH
Volodymyr Mosorov, Taras Panskyi, Sebastian Biedron

56-59
ZALEŻNOŚĆ POMIĘDZY LICZBĄ RUND ORAZ ILOŚCIĄ ZAIMPLEMENTOWANYCH WĘZŁÓW W SIECI SENSOROWEJ OPARTEJ NA PROTOKOLE LEACH
Volodymyr Mosorov, Sebastian Biedron, Taras Panskyi

60-63
APLIKACJA MOBILNA WSPOMAGAJĄCA BADANIA ULTRASONOGRAFICZNE DOPPLERA
Michał Michalski, Marcin Bąkała, Rafał Wojciechowski

64-67
ANALIZA ZMIAN CHORÓB SKÓRNYCH PRZY POMOCY ODWZOROWAŃ PRZESTRZENI BARW
Marcin Wyczechowski, Łukasz Wąs , Łukasz Pietrzak

68-71
SZTUCZNE SIECI NEURONOWE JAKO MOTORYCZNA PAMIĘĆ ASOCJACYJNA RĘKI ROBOTA HUMANOIDALNEGO
Paweł Olszewski, Wiesław Andrzej Kamiński

72-77
NATĘŻENIE ŚWIATŁA DZIENNEGO W BUDYNKU SZKOŁY
Sławomir Sowa

78-81
BILANS MOCY A HOLONOMICZNOŚĆ PRZEŁĄCZALNEGO SILNIKA RELUKTANCYJNEGO
Mirosław Wciślik, Karol Suchenia

82-85
ZMODYFIKOWANA METODA UŻYCIA FUNKCJI PROGOWYCH W MODELACH RELACYJNYCH ROZMYTYCH MAP KOGNITYWNYCH
Grzegorz Słoń

86-89
EKONOMICZNE I PRAKTYCZNE ASPEKTY WYKORZYSTANIA POMP CIEPŁA Z ODZYSKIEM Z POWIETRZA
Waldemar Nycz, Ryszard Goleman

90-93
WPŁYW DOBORU CZYNNIKA CHŁODNICZEGO NA MOŻLIWOŚCI MAGAZYNOWANIA CHŁODU W ZASOBNIKU ENERGII TERMICZNEJ AUTOBUSU MIEJSKIEGO
Michał Aftyka

94-98
ZASTOSOWANIE SIECI NEURONOWYCH I ALGORYTMÓW GŁĘBOKIEGO UCZENIA W ELEKTRYCZNEJ TOMOGRAFII IMPEDANCYJNEJ
Grzegorz Kłosowski, Tomasz Rymarczyk

99-102
ANALIZA ROZWIĄZAŃ PLATFORM SENSORYCZNYCH DO ZASTOSOWANIA W INTERNECIE RZECZY
Tomasz Zieliński

103-106

Archiwum

2019

Tom 9 Nr 4
2019-12-16 20
Tom 9 Nr 3
2019-09-26 20
Tom 9 Nr 2
2019-06-21 16
Tom 9 Nr 1
2019-03-03 13

2018

Tom 8 Nr 4
2018-12-16 16
Tom 8 Nr 3
2018-09-25 16
Tom 8 Nr 2
2018-05-30 18
Tom 8 Nr 1
2018-02-28 18

2017

Tom 7 Nr 4
2017-12-21 23
Tom 7 Nr 3
2017-09-30 24
Tom 7 Nr 2
2017-06-30 27
Tom 7 Nr 1
2017-03-03 33

2016

Tom 6 Nr 4
2016-12-22 16
Tom 6 Nr 3
2016-08-08 18
Tom 6 Nr 2
2016-05-10 16
Tom 6 Nr 1
2016-02-04 16

2015

Tom 5 Nr 4
2015-10-28 19
Tom 5 Nr 3
2015-09-02 17
Tom 5 Nr 2
2015-06-30 15
Tom 5 Nr 1
2015-03-31 18

Authors

Grzegorz Kłosowski

g.klosowski@pollub.pl

Lublin University of Technology, Faculty of Management, Department of Organization of Enterprise

Tomasz Rymarczyk

tomasz@rymarczyk.com

Research and Development Center, Netrix S.A., Lublin; University of Economics and Innovation in Lublin

Abstrakt

W artykule zaprezentowano dwa przypadki dotyczące zastosowania sztucznych sieci neuronowych i konwolucyjnych sieci neuronowych
w tomografii impedancyjnej. Uczenie maszynowe może znaleźć zastosowanie przy rozwiązywaniu różnorodnych problemów technicznych.
W tomograficznej rekonstrukcji obrazów można stosować konwencjonalne sieci neuronowe. W niniejszej pracy przedstawiono przykład zastosowania metod głębokiego uczenia w obszarze elektrycznej tomografii impedancyjnej.

Słowa kluczowe:

tomografia obrazowa, perceptron wielowarstwowy, głębokie uczenie, konwolucyjne sieci neuronowe

Bibliografia

Bladt E. et al.: Electron tomography based on highly limited data using a neural network reconstruction technique. Ultramicroscopy 158/2015, 81–88.

Buduma N., Locascio N.: Fundamentals of Deep Learning. Designing Next-Generation Machine Intelligence Algorithms. O'Reilly Media, 2017.

Durairaj D. C., Krishna M. C., Murugesan R.: A neural network approach for image reconstruction in electron magnetic resonance tomography. Computers in biology and medicine 37(10)/2007, 1492–1501.

Egmont-Petersen M., Ridder de D., Handels H.: Image processing with neural networks – a review. Pattern Recognition 35/2002, 2279–2301.

Minnett R. C. J. et al.: Neural network tomography: Network replication from output surface geometry. Neural Networks 24(5)/2011, 484–492.

Pelt D. M., Batenburg K. J.: Fast tomographic reconstruction from limited data using artificial neural networks. IEEE Trans. Image Process. 22/2013, 5238–5251.

Rybak G., Chaniecki Z., Grudzień K., Romanowski A., Sankowski D.: Non–invasive methods of industrial process control. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska 4(3)/2014, 41–45.

Rymarczyk T.: New Methods to Determine Moisture Areas by Electrical Impedance Tomography. International Journal of Applied Electromagnetics and Mechanics 37(1-2)/2016, 79–87.

Stasiak M. et al.: Principal component analysis and artificial neural network approach to electrical impedance tomography problems approximated by multi-region boundary element method. Engineering Analysis with Boundary Elements 31(8)/2007, 713–720.

Tapson J.: Neural Networks and Stochastic Search Methods Applied to Capacitive Tomography. IFAC Proceedings Volumes 30(7)/1997, 631–634.

Tapson J.: Neural networks and stochastic search methods applied to industrial capacitive tomography. Control Engineering Practice 7(1)/1999, 117–121.

Tchorzewski P., Rymarczyk T., Sikora J.: Using Topological Algorithms to Solve Inverse Problem in Electrical Impedance Tomography. International Interdisciplinary Phd Workshop 2016, 46–50.

Wang J. et al.: Neural-network approach for optical tomography. Signal processing, 86(9)/2006, 2495–2502.

ZASTOSOWANIE SIECI NEURONOWYCH I ALGORYTMÓW GŁĘBOKIEGO UCZENIA W ELEKTRYCZNEJ TOMOGRAFII IMPEDANCYJNEJ. (2017). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 7(3), 99-102. https://doi.org/10.5604/01.3001.0010.5226

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 7 Nr 3 (2017)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja