Artificial Neural Networks Implementing Maximum Likelihood Estimator for Passive Radars

T. Shevgunov; Efimov E.

doi:10.1007/978-3-319-91189-2_15

Публикации

?

Artificial Neural Networks Implementing Maximum Likelihood Estimator for Passive Radars

P. 144–153.

Шевгунов Т. Я., Efimov E.

Язык: английский

DOI

Текст на другом сайте

Ключевые слова: artificial neural network maximum likelihood estimation Cyclostationary signals TDOA Time difference of arrival

В книге

Artificial Intelligence and Algorithms in Intelligent Systems

* 2. Vol. 764: Proceedings of 7th Computer Science On-line Conference 2018. , Springer, 2019.

Elements of Artificial Intellect based on Neuron Analysis through Clinical Trials Statistics and Various Models of Machine Learning

Cohen Y., Dekel B., Крук Е. А., , in: Biophysical Methods for Diagnosing Human Tissue Anomalies.: Cambridge: Cambridge Scholars Publishing, 2024. Ch. 10 P. 290–310.

Добавлено: 12 декабря 2024 г.

Reconstruction of neuromorphic dynamics from a single scalar time series using variational autoencoder and neural network map

Pavel V. Kuptsov, Nataliya V. Stankevich, Chaos, Solitons and Fractals 2025 Vol. 191 Article 115818

This paper examines the reconstruction of a family of dynamical systems with neuromorphic behavior using a single scalar time series. A model of a physiological neuron based on the Hodgkin–Huxley formalism is considered. Single time series of one of its variables is shown to be enough to train a neural network that can operate as ...

Добавлено: 30 ноября 2024 г.

Об управлении химическим составом сырьевого материала и режимом плавки для обеспечения требуемых механических свойств стальных изделий серийного производства

Ясницкий Л. Н., Мезенцев А. С., Прикладная математика и вопросы управления 2023 № 3 С. 109–126

Целью работы является создание математической модели, пригодной для оперативного управления прочностными характеристиками получаемого стального изделия в условиях серийного сталеплавильного производства. Существующие подходы, основанные на результатах испытаний опытных образцов, получаемых в лабораторных условиях, для этой цели не подходят, поскольку в условиях серийного сталеплавильного производства на прочностные характеристики изделий, помимо их химического состава, влияет структура металла и множество других условий ...

Добавлено: 7 февраля 2024 г.

Computer Vision

Meshcheryakov R., Kataev M., Пантюхин Д. В., , in: Integral Robot Technologies and Speech Behavior.: Newcastle upon Tyne: Cambridge Scholars Publishing, 2024. Ch. 4 P. 130–154.

Добавлено: 10 декабря 2023 г.

Integral Robot Technologies and Speech Behavior

Харламов А. А., Пантюхин Д. В., Borisov V. и др., Newcastle upon Tyne: Cambridge Scholars Publishing, 2024.

Добавлено: 1 декабря 2023 г.

GDP responses to supply chain disruptions in a post-pandemic era: Combination of DL and ANN outputs based on Google Trends

Shahzad U., Mohammed K. S., Schneider N. и др., Technological Forecasting and Social Change 2023 Vol. 192 P. 1–15

With the recent Russian-Ukraine conflict, the frequency and intensity of disruptive shocks on major supply chains have risen, causing increasing food and energy security concerns for regulators. That is, the combination of newly available sophisticated deep learning tools with real-time series data may represent a fruitful policy direction because machines can identify patterns without being ...

Добавлено: 28 ноября 2023 г.

Comment on “Pushing the frontiers of density functionals by solving the fractional electron problem”

Gerasimov I., Losev T., Evgeny Yu. Epifanov и др., Science 2022 Vol. 377 No. 6606 Article eabq3385

Kirkpatrick et al. (Reports, 9 December 2021, p. 1385) trained a neural network–based DFT functional, DM21, on fractional-charge (FC) and fractional-spin (FS) systems, and they claim that it has outstanding accuracy for chemical systems exhibiting strong correlation. Here, we show that the ability of DM21 to generalize the behavior of such systems does not follow ...

Добавлено: 25 сентября 2022 г.

APPROACH TO INTELLIGENT MONITORING OF CYBER ATTACKS

Назаров А. Н., Пантюхин Д. В., Воронков И. М. и др., Synchroinfo Journal 2020 No. 6 P. 2–9

Добавлено: 2 ноября 2021 г.

Intelligent Quality Management System for Casting Gas Turbine Engine Blades

Goldobin M. A., Morozov A. A., Okonechnikov D. V. и др., , in: Proceedings - 2020 2nd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency, SUMMA 2020.: IEEE, 2020. P. 696–700.

Добавлено: 29 сентября 2021 г.

Intel OpenVINO Toolkit for Computer Vision: Object Detection and Semantic Segmentation

Зунин В. В., , in: 2021 International Russian Automation Conference (RusAutoCon).: IEEE, 2021. P. 847–851.

Добавлено: 20 сентября 2021 г.

Real-time Object Detection with FPGA Using CenterNet

Solovyev R. A., Telpukhov D. V., Romanova I. I. и др., , in: Proceedings of the 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering, ElConRus 2021.: IEEE, 2021. P. 2029–2034.

Добавлено: 8 августа 2021 г.

Development of Telecommunication System Units in Parallel Neural Network Basis

Sakhnyuk P., , in: 1st International Conference on Innovative Informational and Engineering Technologies (IIET-2020) 28-29 May 2020, Stavropol, Russian FederationVol. 873.: Bristol: IOP Publishing, 2020. P. 012019-1–012019-8.

Предлагается интеграция нейронной сети в качестве параллельной элементной базы в телекоммуникационную систему. В этом случае умение учиться или адаптироваться к внешним условиям применяется как главное преимущество. Для телекоммуникационных систем в условиях, когда это возможно, эта возможность повысит помехозащищенность, надежность, работоспособность. В статье рассматривается пример интеграции нейронной сети в фильтр дискретных согласованных сигналов. Отмечено, что использование параллельных ...

Добавлено: 26 января 2021 г.

Maximum Likelihood Estimation for Disk Image Parameters

Корнилов М. В., IEEE Signal Processing Letters 2020 Vol. 27 P. 1480–1484

Добавлено: 2 ноября 2020 г.

Artificial neural network in predicting cancer based on infrared spectroscopy

Cohen Y., Zilberman A., Zion Dekel B. и др., , in: Intelligent Decision Technologies. Proceedings of the 12th KES International Conference on Intelligent Decision Technologies (KES-IDT 2020)Vol. 193.: Singapore: Springer, 2020. P. 141–153.

Добавлено: 29 октября 2020 г.

Cross-lingual Named Entity List Search via Transliteration

Khakhmovich A., Pavlova S., Kirillova K. и др., , in: Proceedings of The 12th Language Resources and Evaluation ConferenceVol. 12.: European Language Resources Association (ELRA), 2020. P. 4247–4255.

Добавлено: 9 октября 2020 г.

О приоритете советской науки в области нейроинформатики

Ясницкий Л. Н., Нейрокомпьютеры: разработка, применение 2019 Т. 21 № 1 С. 6–8

На основании анализа литературных источников показано, что автором первого алгоритма обучения многослойных нейронных сетей, выведших искусственный интеллект из кризиса 1950-х - 1970-х годов, был профессор Александр Иванович Галушкин. ...

Добавлено: 15 ноября 2019 г.

Application of Natural Language Processing Algorithms to the Task of Automatic Classification of Russian Scientific Texts

Романов А. Ю., Lomotin Konstantin, Kozlova Ekaterina, Data Science Journal 2019 Vol. 18 No. 1 P. 1–17

Добавлено: 25 августа 2019 г.

Проектирование нейросетевых моделей для обнаружения вторжений с использованием общедоступных баз данных

Абашев М. А., Никитина Е. Ю., Суворова В. и др., Нейрокомпьютеры: разработка, применение 2018 № 8 С. 30–37

В статье представлена методика построения нейросетевой модели обнаружения и классификации сетевых вторжений с использованием сведений об атаках, содержащихся в базах данных KDD Cup 1999 Data и UNSW-NB-15. Построены различные варианты нейронных сетей с полным и сокращенным набором входных параметров, выполнен сравнительный анализ с аналогичными моделями. Получен многослойный персептрон MLP 194-20-10, использующий 32 входных параметра и ...

Добавлено: 10 января 2019 г.

The Capabilities of Artificial Intelligence to Simulate the Emergence and Development of Diseases, Optimize Prevention and Treatment Thereof, and Identify New Medical Knowledge

Ясницкий Л. Н., Dumler A., Cherepanov F., Journal of Pharmaceutical Sciences and Research 2018 Vol. 10(9) P. 2192–2200

Добавлено: 10 января 2019 г.