Temat: perceptron networks

Skocz do pozycji: 1.

Tytuł:: Zastosowanie sztucznych sieci neuronowych Kohonena do prognozowania dobowego poboru wody.
Application of Kohonen Artificial Neural Networks to the Prediction of Daily Water Consumption.
Autorzy:: Licznar, P.
Łomotowski, J.
Tematy:: dobowy pobór wody
prognozowanie
sieci neuronowe Kohonena
daily water consumption
prediction
artificial neural networks
perceptron networks
Self-Organizing Feature Map (SOFM); Pokaż więcej
Wydawca:: Polskie Zrzeszenie Inżynierów i Techników Sanitarnych
Powiązania:: https://bibliotekanauki.pl/articles/237690.pdf Link otwiera się w nowym oknie
Opis:: W pracy przedstawiono wyniki badań nad zastosowaniem samoorganizujących sieci Kohonena do prognozowania dobowego poboru wody. Dotychczas do prognozowania poboru wody używano sztucznych sieci neuronowych najprostszych typów, głównie sieci perceptronowych o pojedynczej warstwie ukrytej. Otrzymywano przy tym wyniki porównywalne lub lepsze od modeli stochastycznych opartych o analizę szeregów czasowych, jednakże sieci te nie pozwalały wniknąć w istotę kształtowania się procesu poboru wody. Wagi poszczególnych neuronów sieci perceptronowych, ustalane w trakcie ich uczenia, nie są bowiem powiązane z fizycznymi cechami prognozowanego szeregu czasowego. Z tego względu podjęto próbę zastosowania samoorganizujących sieci Kohonena dla prognozowania dobowego poboru wody w sieci wodociągowej. W badaniach wykorzystano szereg czasowy dobowego zużycia wody z lat 1996-2002 jednego z większych polskich wodociągów. Prognoza była wykonana dwuetapowo. Pierwszym jego etapem było prognozowanie sumarycznego tygodniowego rozbioru wody przy użyciu prostej sieci perceptronowej szeregu czasowego. W następnym etapie prognozowany całkowity, tygodniowy, rozbiór był rozdzielany na poszczególne dni tygodnia, zgodnie z wzorcami rozpoznanymi dla poszczególnych okresów roku przez samoorganizującą się strukturę sieci Kohonena. Otrzymywane wyniki były porównywalne z wcześniejszymi rezultatami autorów, uzyskanymi na tym obiekcie do prognozowania przy wykorzystaniu prostych sieci neuronowych oraz metody wygładzania wykładniczego. Dodatkowym - poznawczym - wynikiem przeprowadzonych badań są opracowane, przy wykorzystaniu sieci samoorganizującej się na zasadzie współzawodnictwa, profile tygodniowego poboru wody.
The objective of the study was to develop a hybrid tool for predicting daily water consumption by the combined use of the perceptron and Kohonen artificial neural networks. The investigations included a 7-year time series of total daily water consumption in the time span of 1996 to 2002, coming from one of Poland's largest water distribution systems. The prediction process was a two-stage one. At the first stage, the Self-Organizing Feature Map (SOFM) was made in order to establish the weekly water distribution patterns that are typical for each season of the year. At the second stage, a simple single hidden layer perceptron networks was built to enable the prediction of total weekly water consumption. Owing to the combined use of the perceptron and Kohonen artificial neural networks it was possible to work out high-quality daily water consumption predictions and to identify typical seasonal patterns of weekly water consumption.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 2.

Tytuł:: Neural model of the vehicle control system in a racing game. Part 2, Research experiments
Autorzy:: Bolesta, Arkadiusz
Tchórzewski, Jerzy
Tematy:: Godot Engine
MATLAB
Simulink environment
Neural control system
Perceptron Artificial Neural Networks
video games; Pokaż więcej
Wydawca:: Uniwersytet Przyrodniczo-Humanistyczny w Siedlcach
Powiązania:: https://bibliotekanauki.pl/articles/2175161.pdf Link otwiera się w nowym oknie
Opis:: This article, which is a continuation of the article under the same main title and subtitle: part 1 Design and its implementation, includes the obtained results of research experiments with the use of a designed and implemented racing game. It uses a neural model of the vehicle motion control system on the racetrack in the form of a Perceptron Artificial Neural Network (ANN). In designing the movement of vehicles on the racetrack, the following were used, inter alia, Godot Engine and MATLAB and Simulink programming environment. The numerical data (14 input quantities and two output quantities) for ANN training were prepared with the use of semi-automatic measurement of the race track control points. This article shows, among others, the results of 10 selected research experiments, testing and simulation, confirming the correct functioning of both the computer game and the model of the neural control system. As a result of simulation tests, it turned out that the longest lap of the track in the conducted experiments lasted 4 minutes and 55 seconds, and the shortest - 10.47 seconds. In five minutes, the highest number of laps was 34, while the lowest numbers of laps were 1 and 5. In the course of the experiments it was noticed that under the same conditions the ANN learning outcomes are sometimes different.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 3.

Tytuł:: Analiza korelacji procesu uczenia wielowarstwowego perceptronu
Correlation analysis of multi-layer perceptron learning process
Autorzy:: Lewandowska, Maria
Opis:: The following research study was conducted to investigate the learning dynamics of a multi-layer perceptron (MLP). Based on (Saxe \textit{et al}., 2013) we determined a precise analytical formula for mean square error loss function for linear MLPs, derived the equations of motion resulting from it and compared obtained results with numerical simulations. The presented analytical model predicts correctly the equilibrium state of trained MLPs but fails to describe spatial and temporal correlations within weights and biases. Subsequently, we carried out a qualitative analysis of spatial and temporal correlations in a broad class of linear and nonlinear MLPs. The following effects have been observed: the main feature determining the final model performance is weights' initialization, whereas the dynamics of the model parameters is shaped by both the weights' initialization and the choice of the optimization criterion. The architecture and the size of the model have almost negligible influence on both of the above-mentioned criteria. In well-trained models the eigenspectrum of autocorrelation and cross-correlation matrices calculated for weights and biases in consecutive layers overlap and is mostly equal to the numerical zero; On the contrary, in models that overfit, the eigenvalues are not only larger but the eigenspectrum of autocorrelation and cross-correlation matrices calculated for weights and biases in consecutive layers is shifted relative to each other. Finally, the spectrum of autocorrelation and cross-correlation matrices and the loss function landscape can be used for model evaluation, as they reflect how good MLP models are.
Niniejsza praca badawcza została przeprowadzona w celu zbadania dynamiki uczenia się perceptronu wielowarstwowego (MLP). Na podstawie (Saxe \textit{et al}., 2013) wyznaczono dokładny wzór analityczny na błąd średniokwadratowy dla liniowych MLP, wyprowadzono wynikające z niego równania ruchu oraz porównano otrzymane wyniki z symulacjami numerycznymi. Przedstawiony model analityczny poprawnie przewiduje stan równowagi dla wytrenowanych MLP, ale nie opisuje korelacji przestrzennych i czasowych wewnątrz wag i biasów. W dalszej części pracy przeprowadziliśmy jakościową analizę korelacji przestrzennych i czasowych w szerokiej klasie liniowych i nieliniowych MLP. Zaobserwowano, że cechą determinującą końcową skuteczność modelu jest w głównej mierze inicjalizacja wag, natomiast dynamika parametrów modelu jest kształtowana zarówno przez inicjalizację wag, jak i wybór kryterium optymalizacji. Architektura i rozmiar modelu mają znikomy wpływ na oba powyższe kryteria. W dobrze wytrenowanych modelach widma macierzy autokorelacji i korelacji krzyżowej obliczone dla wag i biasów w kolejnych warstwach pokrywają się ze sobą i są w dużej mierze równe zeru numerycznemu; W modelach overfitujących widma macierzy autokorelacji i korelacji krzyżowej obliczone dla wag i biasów w kolejnych warstwach są przesunięte względem siebie, zaś znaczna część wartości własnych jest różna od zera. Widmo macierzy autokorelacji i korelacji krzyżowej oraz rozkład funkcji straty odzwierciedlają jak dobry jest dany model, więc mogą zostać wykorzystane do oceny modelu.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 4.

Tytuł:: Optimization of Machine Learning Process Using Parallel Computing
Autorzy:: Grzeszczyk, Michał K.
Tematy:: parallel computing
machine learning
perceptron
neural networks
OpenMP; Pokaż więcej
Wydawca:: Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Powiązania:: https://bibliotekanauki.pl/articles/102525.pdf Link otwiera się w nowym oknie
Opis:: The aim of this paper is to discuss the use of parallel computing in the supervised machine learning processes in order to reduce the computation time. This way of computing has gained popularity because sequential computing is often insufficient for large scale problems like complex simulations or real time tasks. After presenting the foundations of machine learning and neural network algorithms as well as three types of parallel models, the author briefly characterized the development of the experiments carried out and the results obtained. The experiments on image recognition, ran on five sets of empirical data, prove a significant reduction in calculation time compared to classical algorithms. At the end, possible directions of further research concerning parallel optimization of calculation time in the supervised perceptron learning processes were shortly outlined.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 5.

Tytuł:: Wykorzystanie metod uczenia maszynowego dla klasyfikacji i grupowania utworów muzycznych na podstawie bazy danych CD dostępnych w systemie Amazon
Application of Machine Learning methods in classification and clustering of music data from AMAZON database
Autorzy:: Lik, Łukasz
Opis:: Machine learning algorithms are widely used by many companies around the world.In my thesis I present application of few popular machine learning algorithms for classification and clustering. Data used in this thesis, consisting of users reviews on music albums, comes from Amazon web site.Text and binary file formats were tried out in order to find the one with the lowest file size and the best read and write times. Reviews were preprocessed using Neutral Language Processing (NLP), processed reviews have been later vectorised using Term-Frequency Inverse Term Frequency (TF-IDF) algorithm.For classification, Logistic Regression and some algorithms based on Neural Networks - Perceptron, Multi-Layer Perceptron (MLP) and the Convolutional Neural Networks (CNN) have been applied. The algorithms have been used to analise the sentiment of Amazon users' reviews ie. classifying whether the review is positive, neutral or negative. Several models have been developed using reviews with different numbers of words.The clustering of users' reviews, based on the (TF-IDF) vectors, has been performed using K-Means, with advanced seeding technique called K-Means++, Spectral Clustering and Mean-Shift algorithm. The goal here was to group the data into clusters with uniform number of reviews.
Algorytmy uczenia maszynowego są powszechnie używane przez wiele firm na całym świecie.W mojej pracy licencjackiej opisuję zastosowanie kilku popularnych metod uczenia maszynowego. Dane użyte w tej pracy pochodzą ze zbioru danych z platformy Amazon zawierającej recenzje użytkowników dotyczące albumów muzycznych.Tekstowe oraz binarne formaty plików zostały przetestowane w celu znalezienia jednego oferującego najniższy rozmiar pliku, oraz najszybsze czasy zapisu i odczytu danych. Recenzje użytkowników zostały przetworzone, wykorzystując przetwarzanie języka naturalnego (NLP), a następnie zwektoryzowane z użyciem algorytmu ważenia częstością termów-odwrotną częstością w dokumentach (TF-IDF).W celach klasyfikacji użyta zostala regresja logistyczna i kilka algorytmów bazujących na sieciach neuronowych - perceptronu, perceptronu wielowarstwowego (MLP) oraz konwolucyjnych sieci neuronowych (CNN). Algorytmy zostały użyte w celu analizy sentymentu recenzji użytkowników Amazona, to znaczy do klasyfikacji czy recenzja jest pozytywna, neutralna czy negatywna.Kilka modelów zostało stworzonych, wykorzystując recenzje z różną liczbą słów.Klastrowanie recenzji użytkowników zostało wykonane z użyciem algorytmów K-Means wraz z zaawansowaną metodą wybierania centroidów zwaną K-Means++, klastrowania spektralnego oraz Mean Shift. Celem grupowania recenzji było stworzenie klastrów z jednorodnym rozmieszczeniem recenzji wewnątrz klastrów.
Dostawca treści:: Repozytorium Uniwersytetu Jagiellońskiego

Inne

na półce

Skocz do pozycji: 6.

Tytuł:: Using artificial neural networks to determine the location of wind farms. Miedzna district case study
Wykorzystanie sztucznych sieci neuronowych do wyznaczania lokalizacji elektrowni wiatrowych na przykładzie gminy Miedzna
Autorzy:: Pokonieczny, K.
Tematy:: artificial neural networks
multilayer perceptron
wind farms localization
elektrownie wiatrowe
perceptron wielowarstwowy
sztuczne sieci neuronowe; Pokaż więcej
Wydawca:: Instytut Technologiczno-Przyrodniczy
Powiązania:: https://bibliotekanauki.pl/articles/292489.pdf Link otwiera się w nowym oknie
Opis:: The article concerns issues pertaining to of selecting suitable areas for wind farms. The basic assumption of the study was to take into account both criteria related to the profitability of this type of power plant, as well as public interest, which means the harmonious and not burdensome functioning of these installations for local communities. The problem of wind farm localization may be solved by the application of artificial neural networks (ANN), which are a computational intelligence element. In the conducted analysis, the possibility of wind farm localization was considered for the primary grid field with dimensions of 100 by 100 m. To prepare the training set, topographic vector data from the VMap L2 and SRTM (Shuttle Radar Topography Mission) digital terrain model were used. For each 100-meter x 100-meter grid, the input data was prepared, consisting of the factors which are important from the point of view of wind farm localization (forests, rivers, built-up areas etc.). Studies show that a properly trained neural network (using a representative number of samples and for the appropriate architecture), allows to process automation area classification in terms of placement on the wind turbines.
Zgodnie z obowiązującymi w Polsce regulacjami prawnymi użytkowanie elektrowni wiatrowych podlega odpowiednim uwarunkowaniom. Obostrzenia te dotyczą zarówno parametrów technicznych tych urządzeń, które związane są z bezpieczeństwem ich eksploatacji, jak i uwarunkowaniami przestrzennymi, związanymi z lokalizacją tych elektrowni oraz ich odległości od takich elementów pokrycia terenu, jak zabudowa czy lasy. Problematyka ta jest szczególnie istotna w kontekście częstych protestów mieszkańców, w sąsiedztwie których takie elektrownie mają być budowane. W celu wyznaczenia obszarów optymalnych dla lokalizacji elektrowni wiatrowych wykorzystano jedną z metod uczenia maszynowego, którą są sztuczne sieci neuronowe. Ich istotą, a jednocześnie przewagą nad metodami bazującymi na zadanym algorytmie, jest zdolność do uogólnienia otrzymywanych wyników, gdy algorytm rozwiązania danego problemu nie jest prosty (jak w przypadku wyznaczania obszarów szczególnie predestynowanych do lokalizacji elektrowni wiatrowych). W artykule przedstawiono metodykę zastosowania jednego rodzaju sieci neuronowych, którym jest perceptron wielowarstwowy. W zastosowanej sieci wykorzystano metodę nauczania nadzorowanego z nauczycielem, polegającą na wskazywaniu sieci neuronowej wzorcowego rozwiązania z określonymi danymi wejściowymi, którymi są parametry związane z pokryciem terenu i sąsiedztwem przestrzennym pola podstawowego, tj. kwadratu o wymiarach 100 × 100 m. Jako studium przypadku wybrana została gmina Miedzna, która znajduje się we wschodniej części województwa mazowieckiego i jest gminą wiejską o charakterze rolniczym. Obszar gminy leży na falistej wysoczyźnie morenowej, urozmaiconej morfologicznie. Otwarte pola uprawne oraz lekko pofałdowany teren to dwa główne czynniki sprzyjające możliwości rozmieszczenia farm wiatrowych na danym terenie. W zaprezentowanych w artykule przykładach wykorzystane zostały dane przestrzenne pochodzące z Vector Map Level 2 oraz dane wysokościowe Shuttle Radar Topography Mission (SRTM). W wyniku przeprowadzonych eksperymentów dowiedziono, że poprawnie nauczona sieć neuronowa (z wykorzystaniem reprezentatywnej liczby próbek i odpowiednią architekturą), umożliwia poprawne wyznaczenie obszarów predestynowanych do lokalizacji elektrowni wiatrowych nie tylko na terenie gminy Miedzna, ale również innych gmin, automatyzując proces wykonywania analiz tego typu.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 7.

Tytuł:: Using neural networks and deep learning algorithms in electrical impedance tomography
Zastosowanie sieci neuronowych i algorytmów głębokiego uczenia w elektrycznej tomografii impedancyjnej
Autorzy:: Kłosowski, G.
Rymarczyk, T.
Tematy:: imaging tomography
multilayer perceptron
deep learning
convolutional neural networks
tomografia obrazowa
perceptron wielowarstwowy
uczenie głębokie
sieć neuronowa konwolucyjna; Pokaż więcej
Wydawca:: Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
Powiązania:: https://bibliotekanauki.pl/articles/408307.pdf Link otwiera się w nowym oknie
Opis:: This paper refers to the cases of the use of Artificial Neural Networks and Convolutional Neural Networks in impedance tomography. Machine Learning methods can be used to teach computers different technical problems. The efficient use of conventional artificial neural networks in tomography is possible able to effectively visualize objects. The first step of implementation Deep Learning methods in Electrical Impedance Tomography was performed in this work.
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.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 8.

Tytuł:: The Analytical and Artificial Intelligence Methods to Investigate the Effects of Aperture Dimension Ratio on Electrical Shielding Effectiveness
Autorzy:: Basyigit, Ibrahim Bahadir
Dogan, Habib
Tematy:: electromagnetic shielding
electromagnetic
compatibility
apertures
multilayer perceptron
radial basis
function networks; Pokaż więcej
Wydawca:: Polska Akademia Nauk. Czytelnia Czasopism PAN
Powiązania:: https://bibliotekanauki.pl/articles/226583.pdf Link otwiera się w nowym oknie
Opis:: This paper presents that the effect of single aperture size of metallic enclosure on electrical shielding effectiveness (ESE) at 0 – 1 GHz frequency range has been investigated by using both Robinson’s analytical formulation and artificial neural networks (ANN) methods that are multilayer perceptron (MLP) networks and a radial basis function neural network (RBFNN). All results including measurement have been compared each other in terms of aperture geometry of metallic enclosure. The geometry of single aperture varies from square to rectangular shape while the open area of aperture is fixed. It has been observed that network structure of MLP 3-40-1 in modeling with ANN modeled with fewer neurons in the sense of overlapping of faults and data and modeled accordingly. In contrast, the RBFNN 3-150-1 is the other detection that the network structure is modeled with more neurons and more. It can be seen from the same network-structured MLP and RBFNN that the MLP modeled better. In this paper, the impact of dimension of rectangular aperture on shielding performance by using RBFNN and MLP network model with ANN has been studied, as a novelty.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 9.

Tytuł:: The Investigation of the Applicability of Data-Driven Techniques in Hydrological Modeling: The Case of Seyhan Basin
Autorzy:: Turhan, Evren
Keleş, Mümine Kaya
Tantekin, Atakan
Keleş, Abdullah Emre
Tematy:: artificial neural networks
drought analysis
data mining
Multilayer Perceptron
Seyhan Basin; Pokaż więcej
Wydawca:: Politechnika Koszalińska. Wydawnictwo Uczelniane
Powiązania:: https://bibliotekanauki.pl/articles/1811777.pdf Link otwiera się w nowym oknie
Opis:: Proper water resources planning and management is based on reliable hydrological data. Missing rainfall and runoff observation data, in particular, can cause serious risks in the planning of hydraulics structures. Hydrological modeling process is quitely complex. Therefore, using alternative estimation techniques to forecast missing data is reasonable. In this study, two data-driven techniques such as Artificial Neural Networks (ANN) and Data Mining were investigated in terms of availability in hydrology works. Feed Forward Back Propagation (FFBPNN) and Generalized Regression Neural Networks (GRNN) methods were performed on rainfall-runoff modeling for ANN. Besides, Hydrological drought analysis were examined using data mining technique. The Seyhan Basin was preferred to carry out these techniques. It is thought that the application of different techniques in the same basin could make a great contribute to the present work. Consequently, it is seen that FFBPNN is the best model for ANN in terms of giving the highest R2 and lowest MSE values. Multilayer Perceptron (MLP) algorithm was used to predict the drought type according to limit values. This system has been applied to show the relationship between hydrological data and measure the prediction accuracy of the drought analysis. According to the obtained data mining results, MLP algorithm gives the best accuracy results as flow observation stations using SRI-3 month data.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Skocz do pozycji: 10.

Tytuł:: Wykorzystanie sztucznych sieci neuronowych do klasyfikacji struktur odmienionych węgla kamiennego w strefach przyuskokowych
The application of artificial neural networks for the classification of altered structures of hard coal in near-fault zones
Autorzy:: Młynarczuk, M.
Godyń, K.
Skiba, M.
Tematy:: struktura węgla
uskoki
sztuczne sieci neuronowe
perceptron wielowarstwowy (MLP)
coal structure
near-fault zones
artificial neural networks
multi-layer perceptron (MLP); Pokaż więcej
Wydawca:: Stowarzyszenie Inżynierów i Techników Górnictwa
Powiązania:: https://bibliotekanauki.pl/articles/166211.pdf Link otwiera się w nowym oknie
Opis:: Wewnętrzna budowa strukturalna węgla kamiennego ze stref uskokowych, w szczególności obecność spękań o charakterze egzogenicznym, kataklazy oraz mylonitu, może odpowiadać za zwiększoną pojemność gazową węgla i wskazywać na pokłady szczególnie zagrożone zjawiskami gazo-geodynamicznymi. Problematyka węgla odmienionego strukturalnie jest przedmiotem zainteresowania badaczy z różnych krajów. Zaproponowali oni metody klasyfikacji takiego węgla. W ramach opisywanych badań skupiono się na jednej z takich metod w celu zweryfikowania możliwości wykorzystania sztucznych sieci neuronowych jako narzędzia wspomagającego decyzje dotyczące klasyfikacji poszczególnych struktur. Badania prowadzono na zdjęciach wykonanych przy użyciu mikroskopu optycznego. Zdefiniowano wielowymiarową przestrzeń cech, bazującą głównie na parametrach otrzymanych z różnie zdefiniowanych gradientów. W badaniach wykorzystano dwuwarstwową sieć jednokierunkową (MLP). Jej zastosowanie umożliwiło zweryfikowanie w sposób sformalizowany subiektywnych decyzji obserwatora. W rezultacie badań wykazano, że użycie sztucznych sieci neuronowych pozwala na klasyfikację struktur odmienionych węgla na poziomie 91% zgodności z decyzjami obserwatora-geologa.
The internal structure of hard coal in near-fault zones - in particular, the presence of exogenic cracks, cataclasis and mylonite - can be the decisive factor when it comes to the increased gas capacity of coal and pose a greater risk of the occurrence of gaso-geodynamic phenomena. The problem of structurally altered coal has been of interest to a lot of researchers from various countries, who have proposed certain methods of classifying such coal. As part of the described research, one of such methods was analyzed, with the aim of verifying the possibilities of using artificial neural networks as a tool facilitating the classification of particular structures. The analysis was performed with the use of photographs taken with the optical microscope. A multidimensional feature space was determined, based mainly on the parameters obtained from differently defined gradients. A two-layer, unidirectional network (MLP) was used in the research, which made it possible to verify - in a formalized way - subjective decisions of the researcher. The tests ultimately demonstrated that the application of artificial neural networks results in successful classification of the altered structures of coal, with the level of compatibility with the decisions made by a researcher-geologist at ca. 91 percent.
Dostawca treści:: Biblioteka Nauki

Artykuł

na półce

Informacja

Wyszukujesz frazę "perceptron networks" wg kryterium: Temat