Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Reducing Line Loss01:18

Reducing Line Loss

524
In a three-phase circuit, line loss is an indicator of energy dissipated as heat due to the resistance of transmission lines. To address this, incorporating transformers into the system—a step-up transformer at the source and a step-down transformer at the load—is a strategic solution. Two three-phase transformers are introduced to improve this.
With a step-up transformer at the source, the voltage is increased, thereby reducing the current in the transmission lines since power loss...
524

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Future Directions and Innovations in Mineralocorticoid Receptor Antagonist Therapy.

The Journal of the Association of Physicians of India·2026
Same author

Does cognitive behavioural therapy have an impact on insomnia and salivary cortisol level during perimenopause?

Psychiatria Danubina·2026
Same author

Comparative Evaluation of Bioresorbable Membrane with and without Hyaluronic Acid in the Treatment of Intra-Bony Defects - A Clinical and Radiographic Study.

Journal of pharmacy & bioallied sciences·2026
Same author

Determining the efficacy of phytoconstituents of <i>Ficus religiosa</i> L. against dermatophytes through invitro and insilico approaches.

In silico pharmacology·2025
Same author

Surface modification of polycaprolactone with sulfated alginate for enhanced binding of a heparin-binding protein.

Journal of materials chemistry. B·2025
Same author

Novel biosynthesized zinc selenite photocatalysts for enhanced degradation of oxytetracycline and Rhodamine B dye with antibacterial activity.

Biometals : an international journal on the role of metal ions in biology, biochemistry, and medicine·2024
Same journal

Integrative in silico analysis identifies functionally and regulatively relevant nsSNPs in the TRIB3 gene.

Computational biology and chemistry·2026
Same journal

MARS: Multi-anchor reasoning for reliable toxicity prediction under distribution shift.

Computational biology and chemistry·2026
Same journal

Zadeh-based fuzzy analysis of carreau tri-hybrid nanofluid hemodynamics in a straight artery with irregular triangular stenosis.

Computational biology and chemistry·2026
Same journal

Exploring C<sub>6</sub>N<sub>6</sub> as an effective drug delivery carrier for anticancer drugs mercaptopurine and thiotepa: A DFT and MD approach.

Computational biology and chemistry·2026
Same journal

Role of Artificial Intelligence in bioinformatics: Revolutionizing molecular docking and DNA tokenization.

Computational biology and chemistry·2026
Same journal

An interpretable framework for cancer drug response prediction using integrated drug and multi-omics data with a hybrid Bi-LSTM-GRU network.

Computational biology and chemistry·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: May 2, 2026

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.9K

Opt Deep CSSAN: Red Neuronal Optimizada Profunda de Atención Espectral-Espacial Convolucional para la clasificación

Nisha A1, A Anitha2

  • 1Computer Applications, Noorul Islam Centre for Higher Education, Kumaracoil, Kanyakumari District, Tamil Nadu 629 180, India.

Computational biology and chemistry
|December 19, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio presenta un novedoso método de aprendizaje profundo para la clasificación de imágenes hiperespectrales (HSIC). El enfoque propuesto logra una alta precisión, superando a las técnicas estándar en aplicaciones agrícolas, geológicas y de seguridad.

Palabras clave:
imagen hiperespectralclasificaciónaprendizaje profundoextracción de característicasselección de características

Más Videos Relacionados

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

991
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

723

Videos de Experimentos Relacionados

Last Updated: May 2, 2026

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.9K
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

991
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

723

Área de la Ciencia:

  • Teledetección
  • Visión por Computadora
  • Ciencia de Datos

Sus antecedentes:

  • La imagen hiperespectral proporciona datos topográficos detallados cruciales para aplicaciones como la agricultura, la geología y la seguridad nacional.
  • La clasificación de imágenes hiperespectrales (HSIC) es un desafío clave, y el aprendizaje profundo muestra una promesa significativa para la extracción de características.

Objetivo del estudio:

  • Desarrollar un marco avanzado de aprendizaje profundo para mejorar la clasificación de imágenes hiperespectrales (HSIC).
  • Integrar la selección de bandas, la extracción de características, la reducción de dimensiones y la clasificación en un modelo unificado.

Principales métodos:

  • Selección de bandas mediante la optimización de flora artificial de suavizado exponencial doble (DES-AFO).
  • Extracción de características mediante transformada de wavelet empírica (EWT), red neuronal convolucional (CNN) y ResNet50.
  • Reducción de dimensiones mediante análisis de correlación canónica (CCA).
  • Clasificación mediante una red neuronal optimizada profunda de atención espectral-espacial convolucional (Opt Deep CSSAN), entrenada con DES-AFO.

Principales resultados:

  • El Opt Deep CSSAN basado en DES-AFO logró un rendimiento superior en comparación con los métodos existentes.
  • Se logró una precisión del 96,9 %, una tasa de verdaderos positivos (TPR) del 97,1 %, un Kappa del 95,8 %, una tasa de verdaderos negativos (TNR) del 96,9 % y un valor predictivo positivo (PPV) del 91,5 %.

Conclusiones:

  • El marco propuesto de aprendizaje profundo integrado mejora significativamente la precisión de la clasificación de imágenes hiperespectrales.
  • Este método ofrece una solución robusta para diversas aplicaciones que requieren un análisis preciso de datos hiperespectrales.