DAFTAR PUSTAKA. Cormen, TH, Leiserson CE, Rivest RL Introduction to Algorithms. New York : McGraw-Hill Book Company.
|
|
|
- Ἀελλώ Γιαννόπουλος
- 6 χρόνια πριν
- Προβολές:
Transcript
1 DAFTAR PUSTAKA Benerjee M, Kundu MK Content Based Image Retrieval with Fuzzy Geometrical Features. The 12 th IEEE International Conference on Fuzzy Systems. Hal Berens J, Finlayson, Qiu G Image Indexing using Compressed Colour Histograms. IEE Proceeding Visual Image Signal Process. Vol 147 No. 4 Hal Cheng HD, Chen CH, Chin HH, Xu H. Fuzzy Homogeneity Approach to Multilevel Thresholding. IEEE Transactions on Image Processing. Vol.7, No.7, July Chen Y, Wang JZ A Region-Based Fuzzy Feature Matching Aproach to Content-Based Image Retrieval. IEEE Transaction on Pattern Analysis and Machine Intelligence. Vol. 24 No. 9. Cormen, TH, Leiserson CE, Rivest RL Introduction to Algorithms. New York : McGraw-Hill Book Company. Deng Y. et al An Efficient Color Representation for Image Retrieval. IEEE Transactions on Image Processing. Vol. 10 No. 1 Hal Gaweda AE, Zurada JM Data-Driven Linguistic Modeling using Relational Fuzzy Rules. IEEE Transactions on Fuzzy Systems. Vol. 11 No. 1, Hal Gonzalez RC, Woods RE Digital Image Processing. Edisi ke 2. New Jersey : Prentice Hall, Inc. Herrera F Genetic Fuzzy Systems : Status, Critical Considerations and Future Directions. International Journal of Computational Intelligence Research. Vol. 1. Hal Huang J, Kumar SR, Mitra M, Zhu WJ, Zabih R Image Indexing using Color Correlograms. International Conference on Computer Vision and Pattern Recognition. Hal Jiang W, Er G, Dai Q, Gu J Similarity-Based Online Feature Selection in Content-Based Image Retrieval. IEEE Transactions on Image Processing. Vol. 15 No. 3 Hal Kulkami, S, Verma B Fuzzy Logic Based Textures Queries for CBIR. Fifth International Conference on Computational Intelligence and Multimedia Applications. Hal
2 Kusumadewi S, Hartati S Neuro-Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Saraf. Yogyakarta : Penerbit Graha Ilmu. Marimin, Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial. Bogor : IPB Press. Edisi ke-2. Mojsilovic A A Method For Color Naming And Description Of Color Composition In Images. IBM T. J. Watson Research Center, 30 Saw Mill River Road, Hawthorne, NY Parulekar A, Datta R, Li J, Wang JZ Large-scale Satellite Image Browsing using Automatic Semantic Categorization and Content-based Retrieval. US National Science Foundation under Grant Nos. IIS , EIA , and IIS , the PNC Foundation, and SUN Microsystems. The Pennsylvania State University, University Park. Qiu G dan Lam, KM Frequency Color Indexing for Content-Based Image Retrieval. IEEE Transactions on Image Processing. Vol. 12 No. 1 Hal Sebe N, Lew MS Robust Computer Vision : Theory and Applications. Leiden : Leiden Institute of Advance Computer Science. Smeulders AWM, Worring M, Santini S, Gupta A, Jain R Content-Based Image Retrieval at the End of the Early Years. IEEE Transaction on Pattern Analysis and Machine Intelligence. Vol. 22 No. 12. Stone MC A Field Guide to Digital Color. Massachussetts : AK Peters Natick. Turban E Decision Support and Expert Systems : Management Support Systems. New Jersey : Prentice Hall Inc. 4 th Edition. Vertan C, Boujeema N Embedding Fuzzy Logic in Content Based Image Retrieval. INRIA Rocquancourt - Project IMEDIA Paper. Wu JK, Ang YH, Lam PC, Moorthy SK, Narasimahalu AD Facial Image Retrieval, Identification and Inference System. The First ACM International Conference on Multimedia. Hal Xiaoling W, Kanglin X Application of the Fuzzy Logic in Content-based Image Retrieval. JCS&T. Vol. 5 No. 1 Hal Yuni W Metode Hough Transform untuk Ekstraksi Ciri Bentuk pada Citra Bunga. Departemen Ilmu Komputer. Institut Pertanian Bogor. Zhang R, Zhang Z A Robust Color Object Analysis Approach to Efficient Image Retrieval. EURASIP Journal on Applied Signal Processing. Hal
3 Lampiran 1. Warna Referensi *) No. Warna H S V 1 Hitam Pink Pudar Pink Lembut Coklat Tua Merah Merah Delima Merah Bata Persik Coklat Kemerahan Oranye Pasir Coklat Kenari Emas Kuning Tajam Khaki Kuning Pisang Kuning Hijau Hijau Muda Hijau Rumput Hijau Hutan Hijau Kebiruan Hijau Samudra Hijau Lumut Cyan Biru Langit Biru Angkatan Laut Biru Bedak Biru Pastel Biru Temaram Biru Elektrik Biru Biru Tajam Grape Ungu Neon Ungu Magenta Pink Merah Tua Pink Tajam Merah Regal Putih *) Sumber : Corel Photopaint
4 Lampiran 2. Tahap Pembentukan Sistem Pakar (Marimin, 2005) 82
5 Lampiran 3. Bagan Alir Sistem Temukembali Citra 83
6 Lampiran 4. Basis Kaidah Fuzzy No Masukan No Masukan No Masukan No Masukan No Masukan No Masukan Keterangan : 1 = sama, 2 = mirip, 3 = beda 84
7 Lampiran 5. Distribusi Warna Citra No Jenis Bunga Bin Warna Referensi Daisy Merah Muda 0,01 0,00 0,00 2,68 0,34 0,00 0,04 0,00 0,00 0,46 0,00 0,04 0,00 0,00 0,00 0,00 0,07 0,07 0,04 0,37 0,00 0,00 2 Daffodil 26,35 0,00 0,00 0,14 2,72 9,02 0,00 0,00 0,00 10,32 0,04 0,23 0,01 0,00 0,00 0,00 0,03 0,00 0,00 0,01 0,07 0,01 3 Lily Coklat 0,10 0,00 0,00 2,50 2,04 0,01 0,11 0,00 0,00 0,98 0,00 1,21 0,00 0,29 0,01 0,00 0,00 7,77 3,69 0,67 0,00 0,00 4 Daisy Putih 0,02 0,00 0,00 2,57 0,51 0,00 0,06 0,00 0,00 0,85 0,00 0,03 0,00 0,00 0,00 0,00 0,00 0,00 0,00 4,62 0,00 0,08 5 Mawar Kuning 0,09 0,00 0,00 1,51 6,70 0,26 0,20 0,00 0,00 1,03 0,00 0,08 0,00 26,35 0,00 0,00 0,00 0,54 0,09 1,30 3,22 3,83 6 Ascocentrum 0,38 9,06 0,17 0,21 0,01 0,00 1,39 7,90 0,03 0,01 0,00 0,01 0,00 0,00 0,00 0,02 1,99 0,14 0,12 0,31 0,00 0,00 7 Cymbidium 17,26 0,00 0,00 0,15 0,02 0,00 0,07 0,21 0,00 0,00 0,00 17,26 0,00 0,00 0,00 0,04 3,21 0,08 0,01 0,09 0,00 0,00 8 Morning Glory 0,96 0,01 0,00 0,02 0,00 0,00 0,08 1,26 0,00 0,03 0,00 0,14 0,00 0,00 0,00 0,00 5,50 0,00 0,00 0,00 0,00 0,00 9 Lily Kuning Coklat 0,07 0,00 0,00 0,62 6,63 5,03 0,01 0,01 0,00 3,38 0,00 1,37 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,13 0,68 0,07 10 Iris 0,17 0,00 0,00 0,17 0,06 0,02 0,56 0,01 0,00 1,55 0,04 1,28 26,35 0,00 0,00 0,00 0,00 0,00 0,00 0,03 0,55 4,61 11 Lily Putih 0,60 0,00 0,00 0,19 0,00 0,00 0,36 0,00 0,00 0,07 0,00 0,20 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 12 Lily Kuning Hitam 0,21 0,00 0,00 0,56 0,57 0,75 0,11 0,00 0,00 12,11 0,13 2,22 0,03 0,00 0,00 0,00 0,00 0,00 0,00 0,02 0,76 0,19 Bin Warna Referensi No Jenis Bunga Daisy Merah Muda 0,56 0,00 0,01 0,87 13,54 25,61 0,00 15,17 0,00 0,00 2,29 0,64 2,87 26,35 1,33 0,13 1,20 0,15 0,05 0,00 5,11 2 Daffodil 0,03 0,00 0,00 0,00 8,30 0,12 0,00 22,39 0,00 0,00 3,54 3,60 4,32 1,60 0,47 0,01 0,04 1,30 0,00 0,00 5,32 3 Lily Coklat 0,02 3,89 0,58 0,03 3,84 0,54 0,00 6,28 0,00 41,71 0,81 9,15 1,27 0,04 0,23 0,04 0,92 3,38 0,07 1,46 6,41 4 Daisy Putih 21,11 0,00 0,00 0,07 1,75 1,71 0,00 27,58 0,00 0,00 7,82 0,98 5,26 0,18 2,40 0,19 0,79 0,80 0,04 0,00 20,58 5 Mawar Kuning 1,48 0,18 0,00 0,01 0,53 0,28 0,00 35,81 0,00 0,00 1,37 3,24 1,10 2,67 0,60 0,30 1,43 1,35 0,08 0,21 4,15 6 Ascocentrum 2,98 0,00 0,09 0,32 2,39 1,25 0,00 2,74 0,00 0,22 2,14 5,21 0,01 17,26 0,35 1,04 0,04 5,55 0,07 34,51 2,08 7 Cymbidium 6,24 0,00 0,01 0,20 6,01 4,08 0,00 7,57 0,00 0,44 5,62 1,73 17,26 0,00 1,10 0,25 0,02 4,87 0,09 0,00 6,13 8 Morning Glory 24,83 0,00 0,00 4,62 0,63 6,34 0,00 1,19 0,00 0,00 0,01 47,69 0,03 0,01 0,01 0,00 0,03 0,30 0,00 0,00 6,33 9 Lily Kuning Coklat 0,04 0,00 0,00 0,00 0,11 0,94 0,00 1,55 0,00 0,00 0,02 21,60 6,19 0,73 0,01 0,00 0,62 0,20 20,86 20,86 8,28 10 Iris 3,55 0,00 0,00 0,17 0,21 0,14 0,00 20,54 0,00 0,00 0,19 21,20 0,35 5,42 0,08 0,15 0,36 0,06 0,05 0,00 12,15 11 Lily Putih 9,39 0,00 0,00 0,83 0,56 5,64 0,00 17,56 0,00 0,00 0,06 23,86 0,08 0,37 0,07 0,03 0,04 0,01 26,35 0,00 13,69 12 Lily Kuning Hitam 0,13 0,00 0,00 0,00 0,73 0,12 0,00 8,10 0,00 0,00 0,11 26,71 0,89 7,50 0,02 0,02 0,25 0,14 26,35 0,00 11,27 85
8 Lampiran 6. Hasil Percobaan Optimasi Parameter Fuzzyfikasi Α. α = 1 N p No Nama Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Presisi (%) 70,74 79,44 82,78 82,78 Β. α = 2 N p No Nama Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Presisi (%) 72,22 80,74 83,89 82,78 86
9 Lampiran 7. Hasil Percobaan Optimasi Parameter Kurva Segitiga No Nama Bunga γ = 0,3 γ = 0, Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Presisi (%) 83,11 84,00 No Nama Bunga γ = 0,5 γ = 0, Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Presisi (%) 84,67 84,00 87
10 Lampiran 8. Hasil Percobaan Optimasi Parameter Kurva Gaussian A. Lebar Kurva No Nama Bunga γ = 0,4 ; σ = 0,1 γ = 0,4 ; σ = 0,15 γ = 0,4 ; σ = 0, Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Presisi (%) 84,33 83,78 83,11 B. Pusat Kurva No Nama Bunga σ = 0,1 ; γ = 0,3 σ = 0,1 ; γ = 0,4 σ = 0,1 ; γ = 0,5 σ = 0,1 ; γ = 0, Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Presisi (%) 83,44 84,33 83,22 82,00 88
11 Lampiran 9. Basis Kaidah Fuzzy Hasil Seleksi No Masukan sama sama sama sama sama sama sama sama sama sama sama sama sama sama 2 sama mirip sama sama sama mirip mirip beda sama sama sama mirip mirip beda 3 sama beda sama mirip beda mirip beda beda sama mirip beda mirip beda beda 4 mirip sama mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip 5 mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip 6 mirip beda mirip mirip mirip mirip mirip mirip beda beda beda beda beda beda 7 beda sama beda beda beda beda beda beda beda beda beda beda beda beda 8 beda mirip beda beda beda beda beda beda beda beda beda beda beda beda 9 beda beda beda beda beda beda beda beda beda beda beda beda beda beda No Masukan sama sama sama sama sama sama sama sama sama sama sama sama sama sama 2 sama mirip sama sama sama mirip mirip beda sama sama sama mirip mirip beda 3 sama beda sama mirip beda mirip beda beda sama mirip beda mirip beda beda 4 mirip sama mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip 5 mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip 6 mirip beda mirip mirip mirip mirip mirip mirip beda beda beda beda beda beda 7 beda sama mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip 8 beda mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip mirip 9 beda beda beda beda beda beda beda beda beda beda beda beda beda beda 89
12 Lampiran 10. Hasil Percobaan Penilaian Kinerja Basis Kaidah Fuzzy TipeKaidah Tipe 1 Tipe 2 Tipe 3 No NamaBunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%) 83,11 84,11 84,11 Tipe Kaidah Tipe 4 Tipe 5 Tipe 6 No Nama Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%) 81,44 81,44 81,44 Tipe Kaidah Tipe 7 Tipe 8 Tipe 9 No Nama Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%) 84,44 84,67 84,67 90
13 Lampiran 10. Hasil Percobaan Penilaian Kinerja Basis Kaidah Fuzzy (lanjutan) Tipe Kaidah Tipe 10 Tipe 11 Tipe 12 No Nama Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%) 79,78 79,89 79,78 Tipe Kaidah Tipe 13 Tipe 14 Tipe 15 No Nama Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%) 80,22 80,00 80,11 Tipe Kaidah Tipe 19 Tipe 20 Tipe 21 No Nama Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris LilyPutih LilyKuningHitam Jumlah Citra Temukembali Presisi (%) 80,00 80,00 80,11 91
14 Lampiran 11. Hasil Percobaan dengan Metode Implikasi Aljabar dan Einstein A. Metode Aljabar Tipe Kaidah Tipe 1 Tipe 2 Tipe 7 Tipe 8 No Nama Bunga å Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%) 87,56 87,89 87,56 85,67 B. Metode Einstein Tipe Kaidah Tipe 1 Tipe 2 Tipe 7 Tipe 8 No Nama Bunga Daisy Merah Muda Daffodil Lily Coklat Daisy Putih Mawar Kuning Ascocentrum Cymbidium Morning Glory Lily Kuning Coklat Iris Lily Putih Lily Kuning Hitam Jumlah Citra Temukembali Presisi (%) 87,56 86,67 87,33 83,44 92
15 Lampiran 12. Nilai Presisi Recall A. Metode Mamdani No Nama Bunga Recall 0,07 0,13 0,20 0,27 0,33 0,40 0,47 0,53 0,60 0,67 0,73 0,80 0,87 0,93 1,00 1 Daisy Merah Muda 100,00 100,00 100,00 100,00 100,00 100,00 100,00 97,50 97,78 98,00 98,18 96,67 96,92 97,14 97,33 2 Daffodil 100,00 100,00 100,00 100,00 96,00 96,67 97,14 97,50 97,78 98,00 98,18 98,33 96,92 95,71 92,00 3 Lily Coklat 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 97,78 98,00 98,18 98,33 96,92 94,29 89,33 4 Daisy Putih 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,00 94,55 91,67 89,23 87,14 81,33 5 Mawar Kuning 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,33 95,38 91,43 89,33 6 Ascocentrum 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 97,78 98,00 94,55 93,33 92,31 90,00 86,67 7 Cymbidium 100,00 100,00 100,00 100,00 100,00 100,00 97,14 95,00 93,33 94,00 90,91 90,00 87,69 81,43 78,67 8 Morning Glory 100,00 100,00 100,00 100,00 100,00 96,67 91,43 90,00 86,67 84,00 81,82 76,67 76,92 75,71 74,67 9 LilyKuning Coklat 100,00 100,00 100,00 100,00 100,00 100,00 100,00 97,50 97,78 98,00 96,36 96,67 93,85 92,86 92,00 10 Iris 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 97,78 96,00 89,09 83,33 80,00 75,71 73,33 11 Lily Putih 100,00 100,00 100,00 100,00 96,00 93,33 85,71 87,50 86,67 84,00 83,64 85,00 83,08 80,00 77,33 12 Lily Kuning Hitam 100,00 100,00 100,00 100,00 100,00 100,00 100,00 97,50 97,78 98,00 92,73 91,67 87,69 85,71 84,00 Rata-Rata 100,00 100,00 100,00 100,00 99,33 98,89 97,62 96,88 95,93 95,33 93,18 91,67 89,74 87,26 84,67 B. Metode Aljabar No Nama Bunga Recall 0,07 0,13 0,20 0,27 0,33 0,40 0,47 0,53 0,60 0,67 0,73 0,80 0,87 0,93 1,00 1 Daisy Merah Muda 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,46 98,57 98,67 2 Daffodil 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,33 95,38 90,00 86,67 3 Lily Coklat 100,00 100,00 100,00 100,00 100,00 96,67 97,14 97,50 97,78 98,00 96,36 96,67 93,85 92,86 90,67 4 Daisy Putih 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,18 98,33 95,38 94,29 90,67 5 Mawar Kuning 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 97,33 6 Ascocentrum 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,00 96,36 95,00 93,85 91,43 88,00 7 Cymbidium 100,00 100,00 100,00 100,00 100,00 100,00 97,14 97,50 97,78 98,00 96,36 95,00 89,23 85,71 84,00 8 Morning Glory 100,00 100,00 100,00 100,00 96,00 96,67 97,14 92,50 91,11 88,00 85,45 83,33 80,00 78,57 77,33 9 LilyKuning Coklat 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,18 98,33 96,92 95,71 94,67 10 Iris 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 96,00 94,55 91,67 89,23 85,71 81,33 11 Lily Putih 100,00 100,00 100,00 95,00 96,00 90,00 91,43 87,50 82,22 80,00 81,82 80,00 78,46 75,71 77,33 12 Lily Kuning Hitam 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,33 95,38 92,86 88,00 Rata-Rata 100,00 100,00 100,00 99,58 99,33 98,61 98,57 97,92 97,41 96,50 95,61 94,58 92,18 90,12 87,89 C. Metode Einstein No Nama Bunga Recall 0,07 0,13 0,20 0,27 0,33 0,40 0,47 0,53 0,60 0,67 0,73 0,80 0,87 0,93 1,00 1 Daisy Merah Muda 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,46 97,14 97,33 2 Daffodil 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,18 95,00 93,85 90,00 84,00 3 Lily Coklat 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 97,78 98,00 98,18 96,67 95,38 94,29 92,00 4 Daisy Putih 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,00 96,36 95,00 93,85 92,86 89,33 5 Mawar Kuning 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 6 Ascocentrum 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,00 98,18 96,67 95,38 92,86 89,33 7 Cymbidium 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 97,78 98,00 98,18 96,67 90,77 85,71 80,00 8 Morning Glory 100,00 100,00 100,00 100,00 100,00 96,67 97,14 92,50 86,67 86,00 81,82 80,00 78,46 77,14 76,00 9 LilyKuning Coklat 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,18 98,33 96,92 94,29 93,33 10 Iris 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 94,55 91,67 87,69 84,29 80,00 11 Lily Putih 100,00 100,00 100,00 100,00 100,00 96,67 94,29 92,50 91,11 88,00 89,09 88,33 87,69 82,86 80,00 12 Lily Kuning Hitam 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00 98,18 96,67 95,38 92,86 89,33 Rata-Rata 100,00 100,00 100,00 100,00 100,00 99,44 99,29 98,75 97,78 97,17 95,91 94,58 92,82 90,36 87,56 93
ER-Tree (Extended R*-Tree)
1-9825/22/13(4)768-6 22 Journal of Software Vol13, No4 1, 1, 2, 1 1, 1 (, 2327) 2 (, 3127) E-mail xhzhou@ustceducn,,,,,,, 1, TP311 A,,,, Elias s Rivest,Cleary Arya Mount [1] O(2 d ) Arya Mount [1] Friedman,Bentley
Lampiran 1. Deskripsi varietas kedelai. Varietas Anjasmoro
Lampiran 1. Deskripsi varietas kedelai Varietas Anjasmoro Nama varietas Kategori SK : Anjasmoro : Varietas ungggul nasional (released variety) : 537/Kpts/TP.240/10/2001 tanggal 22 Oktober tahun 2001 Tahun
50 cm. 30 cm J1M1 J1M2 S J3M0 J3M2 J1M0 J3M1 J2M2 J3M0 J2M1
Lampiran 1. Bagan plot penelitian 50 cm J3M2 J1M0 J2M0 J1M1 50 cm J1M1 30 cm J1M2 U J2M1 J1M2 J2M2 S J3M0 J3M2 J1M0 J2M0 J1M0 J3M0 J2M2 J3M1 J2M1 J3M1 I J2M2 II J2M0 III J1M2 J3M0 J3M2 J1M1 J2M1 J3M1 Lampiran
Quick algorithm f or computing core attribute
24 5 Vol. 24 No. 5 Cont rol an d Decision 2009 5 May 2009 : 100120920 (2009) 0520738205 1a, 2, 1b (1. a., b., 239012 ; 2., 230039) :,,.,.,. : ; ; ; : TP181 : A Quick algorithm f or computing core attribute
Vol. 31,No JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb
Ξ 31 Vol 31,No 1 2 0 0 1 2 JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb 2 0 0 1 :025322778 (2001) 0120016205 (, 230026) : Q ( m 1, m 2,, m n ) k = m 1 + m 2 + + m n - n : Q ( m 1, m 2,, m
No. 7 Modular Machine Tool & Automatic Manufacturing Technique. Jul TH166 TG659 A
7 2016 7 No. 7 Modular Machine Tool & Automatic Manufacturing Technique Jul. 2016 1001-2265 2016 07-0122 - 05 DOI 10. 13462 /j. cnki. mmtamt. 2016. 07. 035 * 100124 TH166 TG659 A Precision Modeling and
DAFTAR ISI HALAMAN JUDUL
DAFTAR ISI HALAMAN JUDUL i HALAMAN PENGESAHAN ii HALAMAN PERNYATAAN iii NASKAH SOAL TUGAS AKHIR iv HALAMAN PERSEMBAHAN v KATA PENGANTAR vi UCAPAN TERIMA KASIH vii INTISARI ix ABSTRACT x DAFTAR ISI xi DAFTAR
3: A convolution-pooling layer in PS-CNN 1: Partially Shared Deep Neural Network 2.2 Partially Shared Convolutional Neural Network 2: A hidden layer o
Sound Source Identification based on Deep Learning with Partially-Shared Architecture 1 2 1 1,3 Takayuki MORITO 1, Osamu SUGIYAMA 2, Ryosuke KOJIMA 1, Kazuhiro NAKADAI 1,3 1 2 ( ) 3 Tokyo Institute of
Ανάκτηση Εικόνας βάσει Υφής με χρήση Eye Tracker
Ειδική Ερευνητική Εργασία Ανάκτηση Εικόνας βάσει Υφής με χρήση Eye Tracker ΚΑΡΑΔΗΜΑΣ ΗΛΙΑΣ Α.Μ. 323 Επιβλέπων: Σ. Φωτόπουλος Καθηγητής, Μεταπτυχιακό Πρόγραμμα «Ηλεκτρονική και Υπολογιστές», Τμήμα Φυσικής,
[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a)
![[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a)](/thumbs/99/141682136.jpg "[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a)")
1,a) 1,b) 2,c) 1,d) Gait motion descriptors 1. 12 1 Osaka University 2 Drexel University a) higashiyama@am.sanken.osaka-u.ac.jp b) makihara@am.sanken.osaka-u.ac.jp c) kon@drexel.edu d) yagi@am.sanken.osaka-u.ac.jp
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕς» OSWINDS RESEARCH GROUP
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕς» OSWINDS RESEARCH GROUP 2015-2016 http://oswinds.csd.auth.gr/pms-theses201516 Ανάλυση επιπέδου προστασίας και ανωνυμοποίησηπροσωπικών δεδομένων κίνησης
ΣΧΟΛΗ Σχολή Τεχνολογικών Εφαρμογών ΤΜΗΜΑ Ηλεκτρονικών Μηχανικών Τ.Ε. ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 5
ΣΧΟΛΗ Σχολή Τεχνολογικών Εφαρμογών ΤΜΗΜΑ Ηλεκτρονικών Μηχανικών Τ.Ε. ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 5 ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ Ψηφιακή Επεξεργασία Σήματος ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ
Gemini, FastMap, Applications. Εαρινό Εξάμηνο Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών
Gemini,, Applications Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών Εαρινό Εξάμηνο 2011-2012 Table of contents 1 Table of contents 1 2 Table of contents 1 2 3 Table of contents
Αυτόματη Ανακατασκευή Θραυσμένων Αντικειμένων
Αυτόματη Ανακατασκευή Θραυσμένων Αντικειμένων Κωνσταντίνος Παπαοδυσσεύς Καθηγητής ΣΗΜΜΥ, Δημήτρης Αραμπατζής Δρ. ΣΗΜΜΥ Σολομών Ζάννος Υ.Δ. ΣΗΜΜΥ Φώτιος Γιαννόπουλος Υ.Δ. ΣΗΜΜΥ Μιχαήλ Έξαρχος Δρ. ΣΗΜΜΥ
Detection and Recognition of Traffic Signal Using Machine Learning
1 1 1 Detection and Recognition of Traffic Signal Using Machine Learning Akihiro Nakano, 1 Hiroshi Koyasu 1 and Hitoshi Maekawa 1 To improve road safety by assisting the driver, traffic signal recognition
Προχωρημένες Εργασίες
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Τεχνολογία και Ανάλυση Εικόνων και Βίντεο Προχωρημένες Εργασίες Χειμερινό Εξάμηνο 2007-2008 1. Εισαγωγή Σε σχέση με τις
Area Location and Recognition of Video Text Based on Depth Learning Method
21 6 2016 12 Vol 21 No 6 JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY Dec 2016 1 1 1 2 1 150080 2 130300 Gabor RBM OCR DOI 10 15938 /j jhust 2016 06 012 TP391 43 A 1007-2683 2016 06-0061- 06
ΓΙΑΝΝΟΥΛΑ Σ. ΦΛΩΡΟΥ Ι ΑΚΤΟΡΑΣ ΤΟΥ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΜΑΚΕ ΟΝΙΑΣ ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ
ΓΙΑΝΝΟΥΛΑ Σ. ΦΛΩΡΟΥ Ι ΑΚΤΟΡΑΣ ΤΟΥ ΤΜΗΜΑΤΟΣ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΤΟΥ ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΜΑΚΕ ΟΝΙΑΣ ΑΝΑΠΛΗΡΩΤΡΙΑ ΚΑΘΗΓΗΤΡΙΑ ΤΟΥ ΤΜΗΜΑΤΟΣ ΛΟΓΙΣΤΙΚΗΣ ΤΟΥ ΤΕΙ ΚΑΒΑΛΑΣ ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΙΑΝΟΥΑΡΙΟΣ 2008 ΒΙΟΓΡΑΦΙΚΟ
ΕΥΡΕΣΗ ΤΟΥ ΔΙΑΝΥΣΜΑΤΟΣ ΘΕΣΗΣ ΚΙΝΟΥΜΕΝΟΥ ΡΟΜΠΟΤ ΜΕ ΜΟΝΟΦΘΑΛΜΟ ΣΥΣΤΗΜΑ ΟΡΑΣΗΣ
ΕΥΡΕΣΗ ΤΟΥ ΔΙΑΝΥΣΜΑΤΟΣ ΘΕΣΗΣ ΚΙΝΟΥΜΕΝΟΥ ΡΟΜΠΟΤ ΜΕ ΜΟΝΟΦΘΑΛΜΟ ΣΥΣΤΗΜΑ ΟΡΑΣΗΣ Νικόλαος Κυριακούλης *, Ευάγγελος Καρακάσης, Αντώνιος Γαστεράτος, Δημήτριος Κουλουριώτης, Σπυρίδων Γ. Μουρούτσος Δημοκρίτειο
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589)
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589) Μεγαλοοικονόμου Βασίλειος Τμήμα Μηχ. Η/ΥκαιΠληροφορικής Επιστημονικός Υπεύθυνος Στόχος Προτεινόμενου Έργου Ανάπτυξη μεθόδων
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΤΜ. ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ 2018-2019 Επιβλέπουσα: Μπίμπη Ματίνα Ανάλυση της πλατφόρμας ανοιχτού κώδικα Home Assistant Το Home Assistant είναι μία πλατφόρμα ανοιχτού
MIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b)
![MIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b)](/thumbs/93/113459486.jpg "MIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b)")
1,a) 1,b) 1,c) 1. MIDI [1], [2] U/D/S 3 [3], [4] 1 [5] Song [6] 1 Sony, Minato, Tokyo 108 0075, Japan a) Emiru.Tsunoo@jp.sony.com b) AkiraB.Inoue@jp.sony.com c) Masayuki.Nishiguchi@jp.sony.com MIDI [7]
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕΣ» OSWINDS RESEARCH GROUP
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΠΜΣ «ΠΛΗΡΟΦΟΡΙΚΗ & ΕΠΙΚΟΙΝΩΝΙΕΣ» OSWINDS RESEARCH GROUP 2015-2016 http://oswinds.csd.auth.gr/pms-theses201516 Ιδιωτικότητα και ανωνυμία σε ανοικτές πλατφόμες Privacy and anonymity
Τοποθέτηση τοπωνυµίων και άλλων στοιχείων ονοµατολογίας στους χάρτες
Τοποθέτηση τοπωνυµίων και άλλων στοιχείων ονοµατολογίας στους χάρτες Miroshnikov & Tchepine 1999 Ahn & Freeman 1984 Ένας σηµαντικός παράγοντας που επηρεάζει την αποτελεσµατικότητα ενός χάρτη ως µέσω επικοινωνίας
Ειδικές Επιστηµονικές Εργασίες
Ειδικές Επιστηµονικές Εργασίες 2005-2006 1. Ανίχνευση προσώπων από ακολουθίες video και παρακολούθηση (face detection & tracking) Η ανίχνευση προσώπου (face detection) αποτελεί το 1 ο βήµα σε ένα αυτόµατο
Research on Economics and Management
36 5 2015 5 Research on Economics and Management Vol. 36 No. 5 May 2015 490 490 F323. 9 A DOI:10.13502/j.cnki.issn1000-7636.2015.05.007 1000-7636 2015 05-0052 - 10 2008 836 70% 1. 2 2010 1 2 3 2015-03
(Υπογραϕή) (Υπογραϕή) (Υπογραϕή)
(Υπογραϕή) (Υπογραϕή) (Υπογραϕή) (Υπογραϕή) F 1 F 1 RGB ECR RGB ECR δ w a d λ σ δ δ λ w λ w λ λ λ σ σ + F 1 ( ) V 1 V 2 V 3 V 4 V 5 V 6 V 7 V 8 V 9 V 10 M 1 M 2 M 3 F 1 F 1 F 1 10 M 1
An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software Defined Radio
C IEEJ Transactions on Electronics, Information and Systems Vol.133 No.5 pp.910 915 DOI: 10.1541/ieejeiss.133.910 a) An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software
2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems
2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems Multiple User Interfaces MobileSoft'16, Multi-User Experience (MUX) S1: Insourcing S2: Outsourcing S3: Responsive design
DAFTAR ISI. Halaman. HALAMAN JUDUL... i LEMBAR PENGESAHAN... LEMBAR PERSETUJUAN... iii. KATA PENGANTAR... iv. ABSTRAK... vi. DAFTAR ISI...
DAFTAR ISI Halaman HALAMAN JUDUL... i LEMBAR PENGESAHAN...... ii LEMBAR PERSETUJUAN...... iii KATA PENGANTAR... iv ABSTRAK... vi DAFTAR ISI... vii DAFTAR TABEL... x DAFTAR GAMBAR... xi DAFTAR LAMPIRAN...
DEIM Forum 2013 A2-2 606 8501 E-mail: kato@dl.kuis.kyoto-u.ac.jp 1. 2. 1 4 A B C D A B C D A : B :: C : D : :: : : :: : A B C D A= B= C= D= D 3 Turney [20] A B C D A B C D Bollegala [5] Web SVM A B C D
B. Landasan Teori...25 C. Hipotesis BAB III. METODE PENELITIAN.. 26 A. Bahan dan Alat 26 B. Alur Penelitian.26 C. Analisis Hasil.. 29 BAB IV.
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN PEMBIMBING..ii HALAMAN PENGESAHAN PENGUJI.. iii HALAMAN PERNYATAAN...iv HALAMAN PERSEMBAHAN..v MOTTO.. vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR GAMBAR..xi
DAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Batasan Masalah dan Ruang Lingkup...
DAFTAR ISI Halaman HALAMAN JUDUL... i LEMBAR PENGESAHAN... ii KATA PENGANTAR... iii ABSTRAK... v DAFTAR ISI... vi DAFTAR NOTASI... ix DAFTAR TABEL... x DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv BAB I
artinya vektor nilai rata-rata dari kelompok ternak pertama sama dengan kelompok ternak kedua artinya kedua vektor nilai-rata berbeda
LAMPIRAN 48 Lampiran 1. Perhitungan Manual Statistik T 2 -Hotelling pada Garut Jantan dan Ekor Tipis Jantan Hipotesis: H 0 : U 1 = U 2 H 1 : U 1 U 2 Rumus T 2 -Hotelling: artinya vektor nilai rata-rata
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΡΕΥΝΑ ΜΑΡΚΕΤΙΝΓΚ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗ ΔΙΟΙΚΗΣΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΡΕΥΝΑ ΜΑΡΚΕΤΙΝΓΚ Ακαδ. Έτος 2014-15, Διδάσκων: Χρήστος Βασιλειάδης, Ηλεκτρονικό ταχυδρομείο: chris@uom.edu.gr,
ΣΤΟΙΧΕΙΑ ΠΡΟΤΕΙΝΟΜΕΝΟΥ ΕΞΩΤΕΡΙΚΟΥ ΕΜΠΕΙΡΟΓΝΩΜΟΝΟΣ Προσωπικά Στοιχεία:
Όνομα Marios Πανεπιστήμιο / Brunel University London Επώνυμο Angelides E-mail Marios.Angelides@brun el.ac.uk Electronic and Computer Engineering Βαθμίδα Professor Επιστημονική Περιοχή Multimedia Content
Speeding up the Detection of Scale-Space Extrema in SIFT Based on the Complex First Order System
(MIRU2008) 2008 7 SIFT 572-8572 26-12 599-8531 1-1 E-mail: umemoto@ipc.osaka-pct.ac.jp, kise@cs.osakafu-u.ac.jp SIFT 1 ANN 3 1 SIFT 1 Speeding up the Detection of Scale-Space Extrema in SIFT Based on the
Feasible Regions Defined by Stability Constraints Based on the Argument Principle
Feasible Regions Defined by Stability Constraints Based on the Argument Principle Ken KOUNO Masahide ABE Masayuki KAWAMATA Department of Electronic Engineering, Graduate School of Engineering, Tohoku University
Toward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- Takuya Adachi 1 Naoki Fukuta 2.
SIG-SWO-041-05 SPAIDA: SPARQL Toward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- 1 2 Takuya Adachi 1 Naoki Fukuta 2 1 1 Faculty of Informatics, Shizuoka University
Ηρϊκλειτοσ ΙΙ. Πανεπιζηήμιο Θεζζαλίας. Τμήμα Μηχανικών Η/Υ και Δικτύων
Πανεπιζηήμιο Θεζζαλίας Τμήμα Μηχανικών Η/Υ και Δικτύων Γιαυοροποίηση Υπηρεσιών σε Αρχιτεκτονικές Δικονικών Γικτύων προσανατολισμένων στην Παροτή Υπηρεσιών Υποψήφιος Διδάκτορας Κώςτασ Κατςαλόσ Email: kkatsalis@inf.uth.gr
Ιεραρχική Ταξινόμηση εικονοσειρών βάσει του χρώματος
Ιεραρχική Ταξινόμηση εικονοσειρών βάσει του χρώματος Ζάμπογλου Μάρκος*, Παπαδημητρίου Θεόφιλος**, Παπαδημητρίου Γιάννης* * Πανεπιστήμιο Μακεδονίας ** Δημοκρίτειο Πανεπιστήμιο Θράκης Στην εργασία αυτή,
{takasu, Conditional Random Field
DEIM Forum 2016 C8-6 CRF 700 8530 3 1 1 700 8530 3 1 1 101 8430 2-1-2 E-mail: pobp52cw@s.okayama-u.ac.jp, ohta@de.cs.okayama-u.ac.jp, {takasu, adachi}@nii.ac.jp Conditional Random Field 1. Conditional
Reading Order Detection for Text Layout Excluded by Image
19 5 JOURNAL OF CHINESE INFORMATION PROCESSING Vol119 No15 :1003-0077 - (2005) 05-0067 - 09 1, 1, 2 (11, 100871 ; 21IBM, 100027) :,,, PMRegion,, : ; ; ; ; :TP391112 :A Reading Order Detection for Text
Στοιχεία εισηγητή Ημερομηνία: 10/10/2017
Θέμα μεταπτυχιακής διατριβής: Λογισμικά μελέτης και σχεδίασης ρομποτικών συστημάτων - συγκρτική μελέτη και εφαρμογές. 1) Μελέτη των δημοφιλών λογισμικών σχεδίασης ρομποτικών συστημάτων VREP και ROS. 2)
Εφαρμογή Υπολογιστικών Τεχνικών στην Γεωργία
Ελληνική ημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου Εφαρμογή Υπολογιστικών Τεχνικών στην Γεωργία Ενότητα 2 : Εφαρμογές της Τεχνητής Νοημοσύνης στη Γεωργία Μελετίου Γεράσιμος 1 Ανοιχτά Ακαδημαϊκά
Digital Signal Octave Codes (0B)
Digital Signal Aliasing and Folding Frequencies Copyright (c) 2009-2017 Young W. Lim. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation
ΠΑΡΑΔΟΤΕΟ 3.1 : Έκθεση καταγραφής χρήσεων γης
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΠΑΙΔΕΙΑΣ, ΔΙΑ ΒΙΟΥ ΜΑΘΗΣΗΣ ΚΑΙ ΘΡΗΣΚΕΥΜΑΤΩΝ ΕΙΔΙΚΗ ΥΠΗΡΕΣΙΑ ΔΙΑΧΕΙΡΙΣΗΣ ΚΑΙ ΕΦΑΡΜΟΓΗΣ ΤΩΝ ΔΡΑΣΕΩΝ ΘΡΗΣΚΕΥΜΑΤΩΝ ΤΟΥ ΥΠΟΥΡΓΕΙΟΥ ΠΑΙΔΕΙΑΣ ΔΙΑ ΒΙΟΥ ΜΑΘΗΣΗΣ ΚΑΙ ΣΤΟΥΣ ΤΟΜΕΙΣ ΤΗΣ
A research on the influence of dummy activity on float in an AOA network and its amendments
2008 6 6 :100026788 (2008) 0620106209,, (, 102206) : NP2hard,,..,.,,.,.,. :,,,, : TB11411 : A A research on the influence of dummy activity on float in an AOA network and its amendments WANG Qiang, LI
PACS: Pj, Gg
* 1)2) 2) 3) 2) 1) 1) (, 310023 ) 2) (, 315211 ) 3) (, 510006 ) ( 2011 6 16 ; 2011 10 31 ),..,,.,.,. :,,, PACS: 07.05.Pj, 05.45.Gg 1,.,, [1,2].,,, [3,4].,, [5,6].,. [7 9]., [10 17].,.,, [10]., [18 20],
1 n-gram n-gram n-gram [11], [15] n-best [16] n-gram. n-gram. 1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e)
![1 n-gram n-gram n-gram [11], [15] n-best [16] n-gram. n-gram. 1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e)](/thumbs/39/20145714.jpg "1 n-gram n-gram n-gram [11], [15] n-best [16] n-gram. n-gram. 1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e)")
1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e) 1. [11], [15] 1 Nara Institute of Science and Technology a) akabe.koichi.zx8@is.naist.jp b) neubig@is.naist.jp c) ssakti@is.naist.jp d) tomoki@is.naist.jp
Development of the Nursing Program for Rehabilitation of Woman Diagnosed with Breast Cancer
Development of the Nursing Program for Rehabilitation of Woman Diagnosed with Breast Cancer Naomi Morota Newman M Key Words woman diagnosed with breast cancer, rehabilitation nursing care program, the
ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ. Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ ΠΕΡΙΕΧΟΜΕΝΟΥ ΕΧΡΩΜΩΝ ΕΓΓΡΑΦΩΝ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ (Τ.Ε.Ι.) ΣΕΡΡΩΝ Τμήμα ΠΛΗΡΟΦΟΡΙΚΗΣ & ΕΠΙΚΟΙΝΩΝΙΩΝ ΕΡΕΥΝΗΤΙΚΑ ΠΡΟΓΡΑΜΜΑΤΑ ΑΡΧΙΜΗΔΗΣ ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑΔΩΝ ΣΤΟ ΤΕΙ ΣΕΡΡΩΝ Ενέργεια. 2.2.3.στ ΘΕΜΑ ΕΡΕΥΝΑΣ: ΔΙΑΡΘΡΩΣΗ
DAFTAR ISI. ABSTRAK... i KATA PENGANTAR... iii UCAPAN TERIMAKASIH... iv DAFTAR ISI... v DAFTAR TABEL... vii DAFTAR GAMBAR... ix
DAFTAR ISI ABSTRAK... i KATA PENGANTAR... iii UCAPAN TERIMAKASIH... iv DAFTAR ISI... v DAFTAR TABEL... vii DAFTAR GAMBAR... ix BAB I PENDAHULUAN... 1 1.1. Latar Belakang... 1 1.2. Lingkup Kajian... 3 1.3.
substructure similarity search using features in graph databases
substructure similarity search using features in graph databases Aleksandros Gkogkas Distributed Management of Data Laboratory intro Θα ενασχοληθούμε με το πρόβλημα των ερωτήσεων σε βάσεις γραφημάτων.
Automatic extraction of bibliography with machine learning
Automatic extraction of bibliography with machine learning Takeshi ABEKAWA Hidetsugu NANBA Hiroya TAKAMURA Manabu OKUMURA Abstract In this paper, we propose an extraction method of bibliography using support
Διοίκησης Επιχειρήσεων. ΠΡΟΓΡΑΜΜΑ eμβα ΚΩΔ. ΤΜΗΜΑ ΤΙΤΛΟΣ ΔΙΕΠ5 ΜΑΘΗΜΑΤΟΣ ΜΑΘΗΜΑΤΟΣ. Credits 6 ΕΞΑΜΗΝΟ 3 ος κύκλος ΟΝΟΜ/ΝΟ ΔΙΔΑΣΚΟΝΤΟΣ
ΤΜΗΜΑ Διοίκησης Επιχειρήσεων ΠΡΟΓΡΑΜΜΑ eμβα ΚΩΔ. ΤΙΤΛΟΣ Επιχειρησιακή ΔΙΕΠ5 ΜΑΘΗΜΑΤΟΣ ΜΑΘΗΜΑΤΟΣ Έρευνα Credits 6 ΕΞΑΜΗΝΟ 3 ος κύκλος ΟΝΟΜ/ΝΟ ΔΙΔΑΣΚΟΝΤΟΣ Βασίλης Αγγελής Ε-ΜAIL v.angelis@aegean.gr ΠΕΡΙΓΡΑΦΗ
DAFTAR PUSTAKA. Emji Tentang modal manusia.
34 DATAR PUTAA Chiang A.C., Wainwright. 005. Dasar-dasar matematia eonomi. udigno, Nartanto, peneremah; Jaarta: rlangga d IV. Teremahan dari: undamental methods of mathematical economics. mi. 007. Tentang
DEIM Forum 2016 G7-5 152-8565 2-12-1 152-8565 2-12-1 889-1601 5200 E-mail: uragaki.k.aa@m.titech.ac.jp,,,.,,,,,,, 1. 1. 1,,,,,,.,,,,, 1. 2 [1],,,,, [2] (, SPM),,,,,,,. [3],, [4]. 2 A,B, A B, B A, B, 2,,,
Re-Pair n. Re-Pair. Re-Pair. Re-Pair. Re-Pair. (Re-Merge) Re-Merge. Sekine [4, 5, 8] (highly repetitive text) [2] Re-Pair. Blocked-Repair-VF [7]
![Re-Pair n. Re-Pair. Re-Pair. Re-Pair. Re-Pair. (Re-Merge) Re-Merge. Sekine [4, 5, 8] (highly repetitive text) [2] Re-Pair. Blocked-Repair-VF [7]](/thumbs/78/77313882.jpg "Re-Pair n. Re-Pair. Re-Pair. Re-Pair. Re-Pair. (Re-Merge) Re-Merge. Sekine [4, 5, 8] (highly repetitive text) [2] Re-Pair. Blocked-Repair-VF [7]")
Re-Pair 1 1 Re-Pair Re-Pair Re-Pair Re-Pair 1. Larsson Moffat [1] Re-Pair Re-Pair (Re-Pair) ( ) (highly repetitive text) [2] Re-Pair [7] Re-Pair Re-Pair n O(n) O(n) 1 Hokkaido University, Graduate School
Οικονομικός Προγραμματισμός & Διαχείριση Εφαρμογών Πολυμέσων. Δημητριάδης Χρήστος ΕΑΠ / ΓΤΠ 61
Οικονομικός Προγραμματισμός & Διαχείριση Εφαρμογών Πολυμέσων Δημητριάδης Χρήστος ΕΑΠ / ΓΤΠ 61 Εισαγωγή Ο οικονομικός προγραμματισμός μιας πολυμεσικής εφαρμογής μπορεί να χαρακτηρισθεί ως μία μορφή τέχνης,
DEIM Forum 2 D3-6 819 39 744 66 8 E-mail: kawamoto@inf.kyushu-u.ac.jp, tawara@db.soc.i.kyoto-u.ac.jp, {asano,yoshikawa}@i.kyoto-u.ac.jp 1.,, Amazon.com The Internet Movie Database (IMDb) 1 Social spammers
Ημερίδα διάχυσης αποτελεσμάτων έργου Ιωάννινα, 14/10/2015
MIS έργου:346983 Τίτλος Έργου: Epirus on Androids: Έμπιστη, με Διαφύλαξη της Ιδιωτικότητας και Αποδοτική Διάχυση Πληροφορίας σε Κοινωνικά Δίκτυα με Γεωγραφικές Εφαρμογές Έργο συγχρηματοδοτούμενο από την
Research on real-time inverse kinematics algorithms for 6R robots
25 6 2008 2 Control Theory & Applications Vol. 25 No. 6 Dec. 2008 : 000 852(2008)06 037 05 6R,,, (, 30027) : 6R. 6 6R6.., -, 6R., 2.03 ms, 6R. : 6R; ; ; : TP242.2 : A Research on real-time inverse kinematics
Research on model of early2warning of enterprise crisis based on entropy
24 1 Vol. 24 No. 1 ont rol an d Decision 2009 1 Jan. 2009 : 100120920 (2009) 0120113205 1, 1, 2 (1., 100083 ; 2., 100846) :. ;,,. 2.,,. : ; ; ; : F270. 5 : A Research on model of early2warning of enterprise
HOSVD. Higher Order Data Classification Method with Autocorrelation Matrix Correcting on HOSVD. Junichi MORIGAKI and Kaoru KATAYAMA
DEIM Forum 2010 D1-4 HOSVD 191-0065 6-6 E-mail: j.morigaki@gmail.com, katayama@tmu.ac.jp Lathauwer (HOSVD) (Tensor) HOSVD Savas HOSVD Sun HOSVD,, Higher Order Data Classification Method with Autocorrelation
Application of Wavelet Transform in Fundamental Study of Measurement of Blood Glucose Concentration with Near2Infrared Spectroscopy
37 6 2004 6 Journal of Tianjin University Vol. 37 No. 6 Jun. 2004 Ξ 1,2, 1,2, 3 (1., 300072 ; 2. 2, 300072 ; 3., 300072) :,,,.,,(RMSEP) 53 %58 %.. : ; ; : O657. 33 : A : 04932 2137 (2004) 062 05352 05
ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΑΚΑΔΗΜΑΪΚΟΥ ΕΤΟΥΣ
ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΑΚΑΔΗΜΑΪΚΟΥ ΕΤΟΥΣ 2019 2020 Τίτλος μαθήματος ΩΡΕΣ Υ/Ε/Ξ.Γ. Κατεύθυνση ECTS 1ο εξάμηνο ΑΝΑΛΥΣΗ Ι // ANALYSIS I ΑΡΧΕΣ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ // INTRODUCTION TO PROGRAMMING ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΕΠΙΣΤΗΜΗ
Random Forests Leo. Hitoshi Habe 1
1 tree forestleo Breiman 2001 Random Forests Hitoshi Habe 1 Abstract: Random Forests is a machine learning framework that consists of many decision trees. It can be categorized as an ensemble classifier
Schedulability Analysis Algorithm for Timing Constraint Workflow Models
CIMS Vol.8No.72002pp.527-532 ( 100084) Petri Petri F270.7 A Schedulability Analysis Algorithm for Timing Constraint Workflow Models Li Huifang and Fan Yushun (Department of Automation, Tsinghua University,
ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ
ΑΡΧΙΜΗ ΗΣ - ΕΝΙΣΧΥΣΗ ΕΡΕΥΝΗΤΙΚΩΝ ΟΜΑ ΩΝ ΣΤΑ ΤΕΙ Υποέργο: «Ανάκτηση και προστασία πνευµατικών δικαιωµάτων σε δεδοµένα πολυδιάστατου ψηφιακού σήµατος (Εικόνες Εικονοσειρές)» Πακέτο Εργασίας 3: Ανάκτηση Εικονοσειρών
Ερευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+
Ερευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+ Ερευνητικές,Δραστηριότητες,και, Ενδιαφέροντα,, Τμήμα,Μηχανικών,Η/Υ,&,Πληροφορικής, Τομέας,Λογικού,των,Υπολογιστών, Εργαστήριο,Γραφικών,,Πολυμέσων,και,Γεωγραφικών,
ΕΚΘΕΣΗ ΠΡΟΟ ΟΥ Υποψήφιος ιδάκτορας: Ιωάννης Κυριαζής
ΕΚΘΕΣΗ ΠΡΟΟ ΟΥ Υποψήφιος ιδάκτορας: Ιωάννης Κυριαζής Το πρόβληµα Το πρόβληµα που καλείται ο υποψήφιος διδάκτορας να επιλύσει είναι η εξαγωγή χαρακτηριστικών (feature extraction) από ένα 3 αντικείµενο,
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
Ε Λ Λ Η Ν Ι Κ Η Δ Η Μ Ο Κ Ρ Α Τ Ι Α ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΠΑΤΗΣΙΩΝ 76 104 34 ΑΘΗΝΑ ΤΗΛ. 2108203111 FAX: 2108230488 URL: http://www.statathens.aueb.gr ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΤΗΣ ΠΛΗΡΟΦΟΡΙΑΣ
Χαρακτηρισµός Νεοπλασµάτων στη Μαστογραφία από το Σχήµα της Παρυφής µε χρήση Νευρωνικών ικτύων
Χαρακτηρισµός Νεοπλασµάτων στη Μαστογραφία από το Σχήµα της Παρυφής µε χρήση Νευρωνικών ικτύων Χ. Γεωργίου 1 (xgeorgio@hol.gr),. Κάβουρας 2 (cavouras@hol.gr), Ν. ηµητρόπουλος 3, Σ. Θεοδωρίδης 1 (stheodor@di.uoa.gr)
Analisis Sidik Ragam Tinggi Tanaman Wortel pada Umur 30 HST. Tabel Tinggi Tanaman (cm) Wortel pada Umur 30 HST Ulangan Jumlah Purata
LAMPIRAN 24 Lampiran 1 Analisis Sidik Ragam Tinggi Tanaman Wortel pada Umur 30 HST Tabel Tinggi Tanaman (cm) Wortel pada Umur 30 HST 0 7,4 8,0 9,0 24,40 8,13 2,5 8,8 8,2 9,0 26,00 8,67 5 9,2 9,0 9,0 27,20
Legal use of personal data to fight telecom fraud
Legal use of personal data to fight telecom fraud Dimitris Gritzalis May 2001 Ημερίδα Ελληνικού Φορέα Αντιμετώπισης Τηλεπικοινωνιακής Απάτης (ΕΦΤΑ) Tηλεπικοινωνιακή Απάτη: Μέθοδοι - Πρόληψη - Προεκτάσεις
DAFTAR LAMPIRAN. Lampiran 1 Gambar Editor Input Specimen DN_SP50_R0_230 dengan Cumbia
DAFTAR LAMPIRAN Lampiran 1 Gambar Editor Input Speimen DN_SP50_R0_230 dengan Cumbia Lampiran 2 Gambar Hasil Moment-Curvature Speimen DN_SP50_R0_230 dengan Cumbia 107 Lampiran 3 Gambar Hasil Momen Axial
Η Διαδραστική Τηλεδιάσκεψη στο Σύγχρονο Σχολείο: Πλαίσιο Διδακτικού Σχεδιασμού
Η Διαδραστική Τηλεδιάσκεψη στο Σύγχρονο Σχολείο: Πλαίσιο Διδακτικού Σχεδιασμού Παναγιώτης Αναστασιάδης Πανεπιστήμιο Κρήτης panas@ edc.uoc.gr ΠΕΡΙΛΗΨΗ Οι προηγμένες τεχνολογίες σύγχρονης μετάδοσης και ιδιαίτερα
ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΗΜΕΡΟΜΗΝΙΑ ΓΕΝΝΗΣΗΣ : 1981 ΟΙΚΟΓΕΝΕΙΑΚΗ ΚΑΤΑΣΤΑΣΗ. : mkrinidi@gmail.com
ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΟΝΟΜΑ ΕΠΩΝΥΜΟ ΟΝΟΜΑ ΠΑΤΡΟΣ ΟΝΟΜΑ ΜΗΤΡΟΣ : Μιχαήλ : Κρηνίδης : Δημήτριος : Νίκη ΗΜΕΡΟΜΗΝΙΑ ΓΕΝΝΗΣΗΣ : 1981 ΠΟΛΗ ΚΑΤΟΙΚΙΑΣ Τ.Κ. ΟΙΚΟΓΕΝΕΙΑΚΗ ΚΑΤΑΣΤΑΣΗ ΣΤΡΑΤΙΩΤΙΚΕΣ ΥΠΟΧΡΕΩΣΕΙΣ e-mail
1530 ( ) 2014,54(12),, E (, 1, X ) [4],,, α, T α, β,, T β, c, P(T β 1 T α,α, β,c) 1 1,,X X F, X E F X E X F X F E X E 1 [1-2] , 2 : X X 1 X 2 ;
![1530 ( ) 2014,54(12),, E (, 1, X ) [4],,, α, T α, β,, T β, c, P(T β 1 T α,α, β,c) 1 1,,X X F, X E F X E X F X F E X E 1 [1-2] , 2 : X X 1 X 2 ;](/thumbs/91/107463875.jpg "1530 ( ) 2014,54(12),, E (, 1, X ) [4],,, α, T α, β,, T β, c, P(T β 1 T α,α, β,c) 1 1,,X X F, X E F X E X F X F E X E 1 [1-2] , 2 : X X 1 X 2 ;")
ISSN1000-0054 CN11-2223/N ( ) 2014 54 12 JTsinghuaUniv(Sci& Technol), 2014,Vol.54, No.12 4/20 1529-1533,, (,, (), 100084) [1-2] :,,,,,,,, :, 0.3~ [3] 0.8BLEU,, : ; ; [4], ; :TP391.2 :A, :1000-0054(2014)12-1529-05,
DAFTAR LAMPIRAN. Lampiran 2. Penetapan derajat infeksi mikoriza arbuskular
DAFTAR LAMPIRAN Lampiran 1. Data analisis awal tanah Jenis Analisis Satuan Nilai Kriteria ph H 2 O - 4,56 Masam C-Organik % 1,75 Rendah N-Total % 0,22 Sedang C/N Ratio - 7,95 Rendah P-tersedia (ppm) ppm
ΣΧΕΔΙΟ ΜΑΘΗΜΑΤΟΣ/ΕΡΓΑΣΤΗΡΙΟΥ/ΣΕΜΙΝΑΡΙΟΥ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΥΠΟΥΡΓΕΙΟ ΔΙΟΙΚΗΤΙΚΗΣ ΜΕΤΑΡΡΥΘΜΙΣΗΣ ΚΑΙ ΗΛΕΚΤΡΟΝΙΚΗΣ ΔΙΑΚΥΒΕΡΝΗΣΗΣ ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ &ΑΥΤΟΔΙΟΙΚΗΣΗΣ ΣΧΕΔΙΟ ΜΑΘΗΜΑΤΟΣ/ΕΡΓΑΣΤΗΡΙΟΥ/ΣΕΜΙΝΑΡΙΟΥ ΕΚΠΑΙΔΕΥΤΙΚΗ ΣΕΙΡΑ * 22η ΤΜΗΜΑ*
Nov Journal of Zhengzhou University Engineering Science Vol. 36 No FCM. A doi /j. issn
2015 11 Nov 2015 36 6 Journal of Zhengzhou University Engineering Science Vol 36 No 6 1671-6833 2015 06-0056 - 05 C 1 1 2 2 1 450001 2 461000 C FCM FCM MIA MDC MDC MIA I FCM c FCM m FCM C TP18 A doi 10
Εφαρμογή Υπολογιστικών Τεχνικών στην Γεωργία
Ελληνική ημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου Εφαρμογή Υπολογιστικών Τεχνικών στην Γεωργία Ενότητα 12 : Θέματα διασφάλισης της πληροφορίας στον αγροτικό τομέα (3/3) Μελετίου Γεράσιμος 1 Ανοιχτά
A summation formula ramified with hypergeometric function and involving recurrence relation
South Asian Journal of Mathematics 017, Vol. 7 ( 1): 1 4 www.sajm-online.com ISSN 51-151 RESEARCH ARTICLE A summation formula ramified with hypergeometric function and involving recurrence relation Salahuddin
:JEL. F 15, F 13, C 51, C 33, C 13
- / / / / // : // :.... WTO.. ( ). WTO.. Email: Hkarimih@econ.ui.ac.ir hkarimih@yahoo.com komail@econ.ui.ac.i 1. Electronic Commerce 2.Generalized Gravity Model 3.Panel Data 4.World Bank. :JEL. F 15, F
Big Data/Business Intelligence
Big Data/Business Intelligence 5 8 Φεβρουαρίου 2018 ΓΕΝΙΚΑ Το μάθημα αποτελείται από δύο ενότητες, η πρώτη σε Big Data και Data Analytics και η δεύτερη σε Business Intelligence. Η πρώτη ενότητα παρέχει
Q L -BFGS. Method of Q through full waveform inversion based on L -BFGS algorithm. SUN Hui-qiu HAN Li-guo XU Yang-yang GAO Han ZHOU Yan ZHANG Pan
3 2015 12 GLOBAL GEOLOGY Vol. 3 No. Dec. 2015 100 5589 2015 0 1106 07 L BFGS Q 130026 Q 2D L BFGS Marmousi Q L BFGS P631. 3 A doi 10. 3969 /j. issn. 1005589. 2015. 0. 02 Method of Q through full waveform
A Method for Singularity Detection in Fingerprint Images
000-985/003/4(06)08 003 Jornal of Software Vol4, No6 +,,,, 3 (,0093) (, 5000) 3 (, 3603) A Method for Singlarity Detection in Fingerprint Images TAN Tai-Zhe +, NING Xin-Bao, YIN Yi-Long, ZHAN Xiao-Si,
Ανάκτηση πολυμεσικού περιεχομένου
Ανάκτηση πολυμεσικού περιεχομένου Ανίχνευση / αναγνώριση προσώπων Ανίχνευση / ανάγνωση κειμένου Ανίχνευση αντικειμένων Οπτικές λέξεις Δεικτοδότηση Σχέσεις ομοιότητας Κατηγοριοποίηση ειδών μουσικής Διάκριση
Υπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου
Ανάλυση Εικόνων Εικόνα : μορφή πληροφορίας Ανάλυση : εξαγωγή γνώσης Υπολογιστικές μέθοδοι για την ανάλυση της πληροφορίας των εικόνων και την κατανόηση του περιεχομένου Θέματα ειδίκευσης Υπολογιστική Όραση
Development of a Seismic Data Analysis System for a Short-term Training for Researchers from Developing Countries
No. 2 3+/,**, Technical Research Report, Earthquake Research Institute, University of Tokyo, No. 2, pp.3+/,,**,. * * Development of a Seismic Data Analysis System for a Short-term Training for Researchers
DEIM Forum 2012 D2-1 606 8501 150 0002 2-15-1 28F E-mail: {tsukuda,ohshima,tanaka}@dl.kuis.kyoto-u.ac.jp, {miyamamoto,hiwasaki}@d-itlab.co.jp 1 Wikipedia Wikipedia HITS 1. Web Web Web 1 3 Wikipedia 2 Web
ΞΕΝΗ Ι. ΜΑΜΑΚΟΥ. Μέλος Ε.Τ.Ε.Π. Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων Οικονομικού Πανεπιστημίου Αθηνών
ΞΕΝΗ Ι. ΜΑΜΑΚΟΥ Μέλος Ε.Τ.Ε.Π. Τμήμα Οργάνωσης και Διοίκησης Επιχειρήσεων Οικονομικού Πανεπιστημίου Αθηνών Α. ΠΡΟΣΩΠΙΚΑ ΣΤΟΙΧΕΙΑ Οικογενειακή Κατάσταση: Έγγαμη, 2 τέκνα Διεύθυνση:, Πατησίων 76, 104 34
Ανάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #03
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #03 Βασικές έννοιες Ανάκτησης Πληροφορίας Δομή ενός συστήματος IR Αναζήτηση με keywords ευφυής
PLATEAU METEOROLOGY. X 6 min. 6 min Vol. 34 No. 4 August doi /j. issn X X / cosθcosφ P412.
34 4 2015 8 PLATEAU METEOROLOGY Vol. 34 No. 4 August 2015. X J. 2015 34 4 1167-1176 doi 10. 7522 /j. issn. 1000-0534. 2014. 00043. X / 210044 X X X X 6 μs 1 μs 1 6 μs μs X 2 3 1 / cosθcosφ 1000-0534 2015
BΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ. goumas@teikav.edu.gr, goumas@kav.forthnet.gr
BΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΠΡΟΣΩΠΙΚΑ ΣΤΟΙΧΕΙΑ 'Ονομα: Επώνυμο: Στέφανος Γκούμας Ημερομ.Γέννησης: 25/8/1960 Οικογενειακή κατάσταση: Τόπος κατοικίας: Έγγαμος Παλιό Καβάλας Διεύθυνση κατοικίας: Παπαϊωάννου 45 Ταχ.Κώδικας:
DECO DECoration Ontology
Πράξη: «Αρχιμήδης ΙΙI Ενίσχυση Ερευνητικών Ομάδων στο ΤΕΙ Κρήτης» Υποέργο 32 DECO DECoration Ontology Οντολογία και εφαρμογές σημασιολογικής αναζήτησης και υποστήριξης στον αρχιτεκτονικό σχεδιασμό εσωτερικού
[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1
![[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1](/thumbs/93/113995345.jpg "[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1")
1,a) Bayesian Approach An Application of Monte-Carlo Tree Search Algorithm for Shogi Player Based on Bayesian Approach Daisaku Yokoyama 1,a) Abstract: Monte-Carlo Tree Search (MCTS) algorithm is quite
Identifying Scenes with the Same Person in Video Content on the Basis of Scene Continuity and Face Similarity Measurement
Identifying Scenes with the Same Person in Video Content on the Basis of Scene Continuity and Face Similarity Measurement Tatsunori Hirai, Tomoyasu Nakano, Masataka Goto and Shigeo Morishima Abstract We