Neural networks are usually used in combination with classical restora的简体中文翻译

Neural networks are usually used in

Neural networks are usually used in combination with classical restoration methods, which are used as parameter identifier and restoration filter in restoration. At present, the commonly used neural network in restoration technology is based on Hopfield, which can achieve fast and stable convergence, and the restoration accuracy is also very high. Neural network has strong parallel operation ability, nonlinear mapping ability and adaptive ability, especially suitable for describing complex nonlinear systems. Wu et al. Designed a restoration algorithm based on neural network. This method can not only restore the image, but also protect the edge of the image, which is better than the traditional Laplacian algorithm. Wang et al. Studied the neural network restoration algorithm based on pattern learning. The algorithm is robust to noise cancellation, and its parallel processing improves the real-time performance of the algorithm. Wong et al. Implemented an adaptive regularization restoration algorithm without specifying parameters in advance by using neural network method. According to different noise types and spatial distribution, the network automatically adjusts parameters. Bao et al. Use multilayer perceptual model neural network to restore the image and realize the regularization of edge protection. This method uses subband coding and artificial neural network to perceive image parameters, effectively eliminates noise, and is suitable for image restoration with high contrast. Experiments show that the algorithm can protect edge information and has strong robustness. When talevski et al. Studied the nonlinear restoration problem, they derived a general nonlinear model, established the mapping function from degraded image space to real image space, and implemented the algorithm with neural network. Experimental results show that the method has good dynamic characteristics, can correct nonlinear distortion, and is robust to random noise. Many excellent characteristics of neural network make it very suitable for application in restoration algorithm, which has been considered as one of the best restoration methods by scholars for many times. Celebi et al. Studied the method of extending Lyapunov equation from discrete time domain to continuous time domain neural network. The results show that continuous time domain neural network is one of the best methods for image restoration. Sun used Hopfield based neural network in the measurement and tracking of sea features, and thought that neural network is the most suitable and one of the best ways to develop sea feature recovery measurement system.
0/5000
源语言: -
目标语言: -
结果 (简体中文) 1: [复制]
复制成功!
神经网络通常与经典修复方法,其被用作恢复参数标识符和恢复过滤器组合使用。目前,修复技术常用的神经网络是基于Hopfield,这可以实现快速,稳定的收敛,而还原精度也非常高。神经网络具有很强的平行运算能力,非线性映射能力和自适应能力,特别适合于描述复杂的非线性的系统。吴等人。设计了一个基于神经网络的恢复算法。这种方法不仅可以恢复形象,又保护了图像,这比传统的拉普拉斯算法更好的边缘。王等人。研究了基于模式学习的神经网络复原算法。该算法对噪音消除,和它的并行处理提高了算法的实时性能。Wong等人。实现自适应正则恢复算法,而不通过使用神经网络的方法预先指定的参数。根据不同类型的噪声和空间分布,该网络自动调整参数。宝等人。使用多层感知模型的神经网络,恢复形象,实现边缘保护正规化。此方法使用的子带编码和人工神经网络感知图像参数,有效地消除了噪声,并且适合于具有高对比度的图像恢复。实验表明,该算法可以保护边缘信息,具有较强的鲁棒性。当talevski等。研究非线性恢复问题,他们得出了一个一般的非线性模型,建立从劣化图像空间到实像空间中的映射函数,并实现了与神经网络的算法。实验结果表明,该方法具有良好的动态特性,可以校正非线性失真,并且是坚固的,以随机噪声。神经网络的许多优良特性使其非常适合于恢复算法,它一直被视为最佳的修复方法的学者多次一个应用程序。切莱比等人。研究了从离散的时域到连续的时间域神经网络延伸Lyapunov方程的方法。结果表明,连续的时域的神经网络是用于图像恢复的最好方法之一。太阳使用了基于Hopfield神经网络中的测量和海上跟踪功能,
正在翻译中..
结果 (简体中文) 2:[复制]
复制成功!
神经网络通常与传统的恢复方法结合使用,在恢复中用作参数标识符和恢复滤波器。目前,修复技术中常用的神经网络是以霍普菲尔德为基础的,可以实现快速稳定的收敛,恢复精度也很高。神经网络具有较强的并行操作能力、非线性映射能力和适应能力,特别适用于复杂非线性系统的描述。吴等人设计了一种基于神经网络的恢复算法。该方法不仅可以恢复图像,而且可以保护图像的边缘,比传统的拉普拉西亚算法更好。Wang等人研究了基于模式学习的神经网络恢复算法。该算法对噪声消除具有较强的支持性,并行处理提高了算法的实时性能。Wong等人采用神经网络方法,实现了自适应正则化恢复算法,无需提前指定参数。根据不同的噪声类型和空间分布,网络自动调整参数。Bao等人利用多层感知模型神经网络恢复图像,实现边缘保护的规范化。该方法采用子带编码和人工神经网络感知图像参数,有效消除噪声,适用于高对比度的图像恢复。实验表明,该算法能保护边缘信息,具有较强的鲁棒性。talevski等人研究了非线性还原问题,推导出了一般非线性模型,建立了从退化图像空间到真实图像空间的映射函数,并实现了神经网络算法。实验结果表明,该方法具有良好的动态特性,能校正非线性失真,对随机噪声具有较强的鲁棒性。神经网络的许多优良特性使其非常适合在恢复算法中的应用,多次被学者们认为是最佳的恢复方法之一。Celebi等人研究了将利亚普诺夫方程从离散时域扩展到连续时域神经网络的方法。结果表明,连续时域神经网络是图像恢复的最佳方法之一。Sun在海特征的测量和跟踪中运用了基于霍普菲尔德的神经网络,认为神经网络是开发海特征恢复测量系统最合适、最好的方法之一。
正在翻译中..
结果 (简体中文) 3:[复制]
复制成功!
神经网络通常与经典的恢复方法相结合,在恢复过程中作为参数辨识器和恢复滤波器。目前常用的神经网络恢复技术是基于Hopfield的,它能实现快速稳定的收敛,恢复精度也很高。神经网络具有较强的并行运算能力、非线性映射能力和自适应能力,特别适合于描述复杂的非线性系统。吴等人。设计了一种基于神经网络的恢复算法。该方法不仅可以恢复图像,而且可以保护图像的边缘,优于传统的拉普拉斯算法。Wang等人。研究了基于模式学习的神经网络恢复算法。该算法具有较强的抗噪声能力,并行处理提高了算法的实时性。Wong等人。利用神经网络方法实现了一种无需预先指定参数的自适应正则化恢复算法。根据不同的噪声类型和空间分布,网络自动调整参数。Bao等人。利用多层感知模型神经网络对图像进行恢复,实现边缘保护的正则化。该方法利用子带编码和人工神经网络对图像参数进行感知,有效地消除了噪声,适用于高对比度图像的恢复。实验表明,该算法能有效地保护边缘信息,具有较强的鲁棒性。当塔列夫斯基等人。研究了非线性恢复问题,推导了一般的非线性模型,建立了退化图像空间到真实图像空间的映射函数,并用神经网络实现了算法。实验结果表明,该方法具有良好的动态特性,能够校正非线性失真,对随机噪声具有较强的鲁棒性。神经网络的许多优良特性使其非常适合应用于恢复算法中,多次被学者认为是最佳的恢复方法之一。Celebi等人。研究了将Lyapunov方程从离散时间域扩展到连续时间域神经网络的方法。结果表明,连续时域神经网络是图像恢复的最佳方法之一。Sun将基于Hopfield的神经网络应用于海洋特征的测量和跟踪中,认为神经网络是开发海洋特征恢复测量系统最合适和最好的方法之一。<br>
正在翻译中..
 
其它语言
本翻译工具支持: 世界语, 丹麦语, 乌克兰语, 乌兹别克语, 乌尔都语, 亚美尼亚语, 伊博语, 俄语, 保加利亚语, 信德语, 修纳语, 僧伽罗语, 克林贡语, 克罗地亚语, 冰岛语, 加利西亚语, 加泰罗尼亚语, 匈牙利语, 南非祖鲁语, 南非科萨语, 卡纳达语, 卢旺达语, 卢森堡语, 印地语, 印尼巽他语, 印尼爪哇语, 印尼语, 古吉拉特语, 吉尔吉斯语, 哈萨克语, 土库曼语, 土耳其语, 塔吉克语, 塞尔维亚语, 塞索托语, 夏威夷语, 奥利亚语, 威尔士语, 孟加拉语, 宿务语, 尼泊尔语, 巴斯克语, 布尔语(南非荷兰语), 希伯来语, 希腊语, 库尔德语, 弗里西语, 德语, 意大利语, 意第绪语, 拉丁语, 拉脱维亚语, 挪威语, 捷克语, 斯洛伐克语, 斯洛文尼亚语, 斯瓦希里语, 旁遮普语, 日语, 普什图语, 格鲁吉亚语, 毛利语, 法语, 波兰语, 波斯尼亚语, 波斯语, 泰卢固语, 泰米尔语, 泰语, 海地克里奥尔语, 爱尔兰语, 爱沙尼亚语, 瑞典语, 白俄罗斯语, 科西嘉语, 立陶宛语, 简体中文, 索马里语, 繁体中文, 约鲁巴语, 维吾尔语, 缅甸语, 罗马尼亚语, 老挝语, 自动识别, 芬兰语, 苏格兰盖尔语, 苗语, 英语, 荷兰语, 菲律宾语, 萨摩亚语, 葡萄牙语, 蒙古语, 西班牙语, 豪萨语, 越南语, 阿塞拜疆语, 阿姆哈拉语, 阿尔巴尼亚语, 阿拉伯语, 鞑靼语, 韩语, 马其顿语, 马尔加什语, 马拉地语, 马拉雅拉姆语, 马来语, 马耳他语, 高棉语, 齐切瓦语, 等语言的翻译.

Copyright ©2024 I Love Translation. All reserved.

E-mail: