Показати скорочену інформацію

dc.contributor.authorKvetny, R. N.en
dc.contributor.authorІvanov, Yu. Yu.en
dc.contributor.authorPivoshenko, V. V.en
dc.contributor.authorKulyk, Y. A.en
dc.contributor.authorKnysh, B. P.en
dc.contributor.authorSmolarz, A.en
dc.contributor.authorMuslimov, K.en
dc.contributor.authorTurgynbekov, Y.en
dc.contributor.authorКвєтний, Р. Н.uk
dc.contributor.authorІванов, Ю. Ю.uk
dc.contributor.authorПівошенко, В. В.uk
dc.contributor.authorКулик, Я. А.uk
dc.contributor.authorКниш, Б. П.uk
dc.date.accessioned2019-04-08T08:07:23Z
dc.date.available2019-04-08T08:07:23Z
dc.date.issued2019
dc.identifier.citationLow computational complexity algorithm for recognition highly corrupted QR codes based on Hamming-Lippmann neural network [Text] / R. N. Kvetny, Yu. Yu. Іvanov, V. V. Pivoshenko [etc.] // Przeglad elektrotechniczny. – 2019. – No 4. – P. 162-166. – DOI:10.15199/48.2019.04.29. – Scopus.en
dc.identifier.citationKvetny, R. N., Іvanov, Yu. Yu., Pivoshenko, V. V., Kulyk, Y. A., Knysh, B. P., Smolarz, A., Muslimov, K., Turgynbekov, Y. Low computational complexity algorithm for recognition highly corrupted QR codes based on Hamming-Lippmann neural network. Przeglad elektrotechniczny. 2019. No 4. P. 162-166.en
dc.identifier.urihttp://ir.lib.vntu.edu.ua//handle/123456789/24331
dc.description.abstractThis article describes the architecture of the Hamming-Lippmann neural network and the math of the modified learning-recognition algorithm and presents some practical aspects for using it for solving an image recognition task. We have created software using C# programming language, that utilized this network as an additional error-correcting procedure, and have solved the task of recognition highly corrupted QR codes (with a connection to the database). Experimental results, of finding the optimal parameters for this algorithm, are presented. This neural network doesn’t require time-consuming computational procedures and large amounts of memory, even for high-resolution and big size images.en
dc.description.abstractW tym artykule opisano architekturę sieci neuronowej Hamminga-Lippmanna oraz matematykę zmodyfikowanego algorytmu rozpoznawania uczenia się, a także przedstawiono kilka praktycznych aspektów korzystania z niej w celu rozwiązania zadania rozpoznawania obrazu. Stworzyliśmy oprogramowanie wykorzystujące język programowania C #, który wykorzystał tę sieć jako dodatkową procedurę korekty błędów i rozwiązaliśmy zadanie rozpoznawania wysoce uszkodzonych kodów QR (w połączeniu z bazą danych). Przedstawiono wyniki eksperymentalne poszukiwania optymalnych parametrów dla tego algorytmu. Opisywana neuronowa nie wymaga czasochłonnych procedur obliczeniowych i dużej ilości pamięci, nawet w przypadku obrazów o wysokiej rozdzielczości i dużych rozmiarach. (Algorytm o niskiej złożoności obliczeniowej do rozpoznawania wysoce uszkodzonych kodów QR w oparciu o sieć neuronową Hamminga-Lippmanna).pl
dc.language.isoen_ENen
dc.publisherStowarzyszenie Polskich Inżynierów Elektryków i Elektronikówpl
dc.relation.ispartofPrzeglad elektrotechniczny. № 4 : 162-166.pl
dc.subjectneuronen, pl
dc.subjectHamming-Lippmann neural networken
dc.subjectlearning-recognition algorithmen
dc.subjectimage processingen
dc.subjectsliding window modeen
dc.subjectcomputational complexityen
dc.subjectimage recognitionen
dc.subjecterror-correctionen
dc.subjectQR codesen
dc.subjectsieć neuronowa Hamminga-Lippmannapl
dc.subjectalgorytm rozpoznawaniapl
dc.subjectprzetwarzanie obrazupl
dc.subjectprzesuwne oknopl
dc.subjectzłożoność obliczeniowapl
dc.subjectrozpoznawanie obrazupl
dc.subjectkorekcja błędówpl
dc.subjectkody QRpl
dc.subjectoptymalne parametrypl
dc.titleLow computational complexity algorithm for recognition highly corrupted QR codes based on Hamming-Lippmann neural networken
dc.typeArticle
dc.identifier.doi10.15199/48.2019.04.29


Файли в цьому документі

Thumbnail

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію