Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ:
https://elib.bsu.by/handle/123456789/335089Полная запись метаданных
| Поле DC | Значение | Язык |
|---|---|---|
| dc.contributor.author | Baroŭski, I. | |
| dc.date.accessioned | 2025-09-30T08:43:13Z | - |
| dc.date.available | 2025-09-30T08:43:13Z | - |
| dc.date.issued | 2025 | |
| dc.identifier.citation | Трансформация механико-математического и IT-образования в условиях цифровизации : материалы ІІ Междунар. науч.-практ. конф., Респ. Беларусь, Минск, 22–24 апр. 2025 г. В 2 ч. Ч. 2 / Белорус. гос. ун-т ; редкол.: Н. В. Бровка (гл. ред.) [и др.]. – Минск : БГУ, 2025. – С. 162-166. | |
| dc.identifier.isbn | 978-985-881-796-1 | |
| dc.identifier.isbn | 978-985-881-798-5 (ч. 2) | |
| dc.identifier.uri | https://elib.bsu.by/handle/123456789/335089 | - |
| dc.description | Раздел VI. Исследования молодых ученых: актуальные проблемы и направления | |
| dc.description.abstract | Wavelets have found usage in signal processing and image analysis. They can extract important information from the signal, producing its approximation and details components both half the length of the original signal. Then the original signal can be reconstructed. Nevertheless, wavelet transform is not widely used in neural networks because of complications in implementation. We propose trainable PyTorch modules for wavelet transforms and loss functions which can be used for construction of specific wavelets | |
| dc.language.iso | en | |
| dc.publisher | Минск : БГУ | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Кибернетика | |
| dc.title | Wavelet neural networks | |
| dc.title.alternative | Вейвлетные нейронные сети / И. Боровский | |
| dc.type | conference paper | |
| dc.description.alternative | Вейвлеты нашли применение в обработке сигналов и анализе изображений. Они позволяют извлекать важную информацию из сигнала, формируя его аппроксимацию и детализационные компоненты, каждая из которых вдвое короче исходного сигнала. Затем возможно восстановление исходного сигнала. Тем не менее, вейвлет-преобразование редко используется в нейронных сетях из-за сложности реализации. Мы предлагаем обучаемые модули на PyTorch для вейвлет-преобразований и функций потерь, которые могут применяться для построения специализированных вейвлетов | |
| Располагается в коллекциях: | 2025. Трансформация механико-математического и IT-образования в условиях цифровизации | |
Полный текст документа:
| Файл | Описание | Размер | Формат | |
|---|---|---|---|---|
| 162-166.pdf | 475,93 kB | Adobe PDF | Открыть |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.