دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Agarwal S
سری:
ISBN (شابک) : 9789811513657, 9789811513664
ناشر: Springer
سال نشر: 2020
تعداد صفحات: 464
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 8 مگابایت
در صورت تبدیل فایل کتاب Machine intelligence and signal processing. Proc. conf., MISP 2019 به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش ماشین و پردازش سیگنال Proc. conf., MISP 2019 نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
Workshop Chair(s)......Page 6
International Advisory Committee......Page 7
Preface......Page 9
Contents......Page 10
About the Editors......Page 14
1 Introduction......Page 16
2.1 Global Features Based Mechanisms......Page 17
2.4 Other Mechanisms......Page 18
3 Proposed Model......Page 19
3.1 Preprocessing......Page 20
3.5 Primary Hashing......Page 21
3.6 Indexing Stage......Page 22
3.7 Retrieval Stage......Page 23
4.2 Results for Database NIST-DB4B......Page 24
5 Conclusions and Future Work......Page 25
References......Page 26
1 Introduction......Page 28
1.1 Introduction to Recommender Systems......Page 29
3 Related Work and Literature Survey......Page 30
4 Proposed Work and Details......Page 31
4.1 Machine Learning, Role of Datasets in Machine Learning and the Million Song Dataset......Page 32
5 Results......Page 33
6 Evaluation Metrics for Recommendation Algorithms......Page 36
6.2 Evaluation Metrics for Music RS......Page 37
6.3 Defining MAE and RMSE Modeling Metrics......Page 38
9 Challenges in Music Information Retrieval......Page 39
References......Page 40
Generation of Image Captions Using VGG and ResNet CNN Models Cascaded with RNN Approach......Page 41
1 Introduction......Page 42
2 Related Work......Page 43
3.1 Basic Architectural Design......Page 44
3.2 Image Feature Extraction Model......Page 45
3.3 Natural Language Generation Model......Page 47
4.2 Evaluation Metrics......Page 50
4.4 Training the Model......Page 51
5 Conclusion......Page 54
References......Page 55
1 Introduction......Page 57
2 Related Work......Page 59
3 Problem Formulation and Proposed Approach......Page 60
4 Experiments and Results Analysis......Page 64
5 Conclusion and Future Work......Page 67
References......Page 68
1 Introduction......Page 70
2 Existing Methods......Page 71
3.1 Proposed System......Page 72
3.2 Image Acquisition......Page 73
3.3 Database Creation......Page 74
3.4 Face Detection......Page 75
3.5 Training and Testing Phase......Page 76
4 Experimental Results......Page 77
5 Conclusion and Future Work......Page 80
References......Page 81
1 Introduction......Page 83
2.1 SWI Post-processing......Page 84
2.2 Phase Correction and Spatial Filtering......Page 85
3.2 SWI Processing Pipeline......Page 87
4.1 Application of Phase Correction Weights......Page 88
4.2 Influence on CNR......Page 89
5 Discussion......Page 91
References......Page 93
1 Introduction......Page 95
2 Related Work......Page 96
3.1 Tables and Frame Formats......Page 97
3.2 Selective Neighbour Channel Scanning Procedure......Page 99
3.3 Handoff Process......Page 101
5 Simulation Results......Page 103
6 Conclusion and Future Work......Page 107
References......Page 108
1 Introduction......Page 109
2 Mathematical Background......Page 111
3 Persistent Homology......Page 116
3.1 Persistent Barcodes......Page 117
3.2 Persistent Diagram (PD)......Page 118
3.3 Distance Between Persistent Diagrams......Page 119
3.5 Persistent Landscape (PL)......Page 120
3.6 Persistent Images (PI)......Page 121
3.7 PH and Machine Learning (PHML)......Page 122
References......Page 123
1 Introduction......Page 124
3 Proposed Leukocyte (WBC) Segmentation Technique......Page 126
4 Results and Discussion......Page 128
5 Conclusion and Future Work......Page 132
References......Page 134
1 Introduction......Page 136
2 Literature Survey......Page 137
3.1 Pre-processing......Page 139
3.2 Feature Extraction......Page 140
3.3 Classification—SVM Classifier......Page 141
4.2 Feature Extraction......Page 142
4.3 Emotion Classification......Page 145
References......Page 146
1 Introduction......Page 148
2.1 Prediction of the Estimated State......Page 150
3 Proposed Methodology......Page 151
3.3 Data Acquisition......Page 152
3.4 Screening of Data......Page 153
4.1 Experimental Setup......Page 154
4.3 Obstacle in the LIDAR Region......Page 155
4.5 System Behavior with Respect to Time......Page 156
5 Summary and Conclusion......Page 157
References......Page 158
1 Overview......Page 159
1.1 Generalizing Big Data Pipelines......Page 160
2 Data Processing Types......Page 161
3 Available Frameworks......Page 163
4 Experimental Pipeline and Results......Page 165
References......Page 169
Adaptive Fast Composite Splitting Algorithm for MR Image Reconstruction......Page 171
1 Introduction......Page 172
2.1 Reconstruction Model......Page 173
2.3 Proposed Adaptive Composite Model......Page 174
3 Results......Page 176
4 Discussion......Page 178
5 Conclusion......Page 179
References......Page 180
1 Introduction......Page 182
2 Prior Work......Page 183
3.1 Skill Extraction......Page 184
4.1 Skill Extraction......Page 186
4.2 Skill Matcher......Page 187
5 Conclusion......Page 192
References......Page 193
1 Introduction......Page 194
2.1 Equality Constraints......Page 196
2.3 Fitness Function......Page 197
3.1 Flower Pollination Algorithm......Page 198
4.1 Test System Description......Page 199
4.4 Impact of Variation in Line Power Limits: Case III and IV......Page 200
4.6 Computational Steps for Implementing MFPA for Solution of CM Problem......Page 201
5.1 Convergence Behavior of MFPA......Page 202
6 Conclusions......Page 206
References......Page 208
1 Introduction......Page 210
2 Experimental Study......Page 211
3 Methodology......Page 212
4 Machine Learning Techniques......Page 214
4.1 Random Forest Algorithm......Page 215
5 Neural Network Model......Page 216
5.1 Feedforward Backpropagation Network (FFBP)......Page 217
6.1 Effects of Features......Page 218
6.3 Classification Using Bayes Net Algorithm......Page 219
6.4 Neural Network Model......Page 221
References......Page 222
1 Introduction......Page 224
2 Problem Definition......Page 225
3.2 Swarming......Page 226
4 Computational Results......Page 227
References......Page 231
1 Introduction......Page 234
2 Healthcare Information Retrieval (HIR)......Page 236
3 Fuzzy Logic and Neutrosophic Logic-Based HIR......Page 237
4 Results and Conclusion......Page 239
References......Page 243
1 Introduction......Page 244
2 Introduction to Mitosis and Non-Mitosis......Page 246
4 Research Framework......Page 247
5 Experimental Results......Page 251
6 Conclusion......Page 252
References......Page 253
1 Introduction......Page 255
2 Bayesian Approach......Page 256
3 Proposed Work......Page 258
4.2 Comparative Analysis......Page 262
5 Conclusion and Future Work......Page 263
References......Page 264
Nature-Inspired Algorithm-Based Feature Optimization for Epilepsy Detection......Page 266
1 Introduction......Page 267
2 Methodology......Page 269
2.1 Feature Optimization......Page 270
3 Results and Discussion......Page 271
References......Page 274
A Combined Machine-Learning Approach for Accurate Screening and Early Detection of Chronic Kidney Disease......Page 277
2 Related Work......Page 278
2.2 Classification Techniques......Page 279
2.3 Validation and Evaluation......Page 282
3 Results......Page 283
4 Discussion......Page 285
References......Page 287
Backpropagation and Self-Organizing Map Neural Network Methods for Identifying Types of Eggplant Fruit......Page 290
1.3 The Purpose of the Research......Page 291
2.2 Definition of Backpropagation......Page 292
2.3 Definition of Self-Organizing Map......Page 295
3.2 Literature Review......Page 296
3.5 System Design......Page 297
3.7 Making Research Reports......Page 298
4.1 Data Collection......Page 299
4.3 Testing with SOM......Page 300
5 Conclusions......Page 302
References......Page 303
1 Introduction......Page 304
1.2 What is an HMD?......Page 305
2 Related Work......Page 306
3.2 Data Collection......Page 307
3.3 Head Pose Prediction—The Proposed Approach......Page 308
3.4 Training......Page 309
4.1 Single Position Prediction......Page 310
4.2 Multiple Position Prediction......Page 311
4.3 Inference......Page 314
6 Future Work......Page 315
References......Page 316
1 Introduction......Page 317
2 Literature Survey......Page 319
3.1 PHASE 1: Formation of Group Profile......Page 320
3.2 PHASE 2: Computation of Similar Groups Using the Relevance Concept......Page 321
3.3 PHASE 3: Prediction and Recommendation to Group of Users......Page 323
3.4 PHASE 4: Proposed Quality Measures for the GRS......Page 324
4.1 Experimental Setup......Page 325
4.2 Experiments......Page 326
5 Conclusions......Page 328
References......Page 330
1 Introduction......Page 331
2 Related Work......Page 332
2.2 Question Answer System......Page 333
3 Proposed Work......Page 334
3.1 Word Embedding......Page 335
3.3 Attention Network......Page 336
4.1 Dataset and Pre-processing......Page 337
4.2 Proposed Attention-Based BiLSTM Model......Page 338
References......Page 341
1 Introduction......Page 343
2.1 Dense Correspondence......Page 344
2.2 Partial Correspondence......Page 347
3 State-of-the-Art in Dense and Partial Correspondence......Page 350
4 MRF Inference......Page 352
References......Page 353
Audio Surveillance System......Page 355
2.1 Audio Signal Capturing and Amplification......Page 356
2.2 Denoising......Page 357
2.3 Multi-Speaker Speech Separation......Page 360
3 Implementation......Page 361
4 Results......Page 362
5 Conclusion......Page 363
References......Page 364
1 Introduction......Page 365
2 Related Work......Page 366
4 Proposed Model......Page 367
5.1 Evaluation Criteria......Page 371
6 Conclusion......Page 372
References......Page 373
1 Introduction......Page 374
1.1 Classification Methods......Page 376
2.1 Sampling Rule......Page 377
2.2 Sampling Methods......Page 378
4 Proposed Method......Page 380
5 Result......Page 382
6 Conclusion......Page 383
References......Page 384
1 Introduction......Page 385
2.1 Methodology......Page 387
2.2 Out-of-sample Extension of Extended Isomap......Page 388
3.1 Experiment 1—DNN Modeling of Isomap......Page 389
3.2 Experiment 2—DNN Modeling of Extended Isomap......Page 390
4 Conclusion......Page 398
References......Page 399
1 Introduction......Page 400
2 Low-density Parity-Check Codes......Page 401
2.2 Representation of LDPC Codes......Page 402
2.3 Parameters for LDPC Code Design......Page 403
3 LDPC Decoding......Page 404
4 FPGA Implementation of LDPC Decoder......Page 406
References......Page 411
A Multiclass Classification of Epileptic Activity in Patients Using Wavelet Decomposition......Page 413
2 Related Works......Page 414
4 Proposed Method......Page 418
5.1 Multiclass Classification......Page 421
5.4 Conclusions from Results......Page 422
6 Conclusion and Future Work......Page 424
References......Page 425
Hexa-Directional Feature Extraction for Target-Specific Handwritten Digit Recognition......Page 427
1 Introduction......Page 428
2.1 Notation......Page 429
2.2 Support Vector Data Description (SVDD)......Page 430
3 Proposed Algorithm......Page 431
4 Experiment and Results......Page 432
4.1 Validation for Confusing Digits......Page 433
4.2 Validation for All Classes......Page 434
4.4 Experiment 2: On MNIST Data set......Page 435
References......Page 437
1 Introduction and Motivation......Page 440
2 Related Work......Page 441
3 Method and Experiment......Page 442
4.2 Data Cleaning—Handling Corrupted and Missing Values......Page 443
4.3 Data Statistics......Page 444
4.4 Algorithms......Page 445
5 Results......Page 449
References......Page 450
1 Introduction......Page 451
2 Literature Survey......Page 452
3 Objectives of the Work......Page 453
3.2 Preprocessing......Page 454
3.3 Global Motion Compensation......Page 457
3.4 Spatiotemporal Markov Random Fields......Page 458
4 Results and Discussions......Page 459
References......Page 460
Author Index......Page 463