Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Classification of Signals01:30

Classification of Signals

1.5K
In signal processing, signals are classified based on various characteristics: continuous-time versus discrete-time, periodic versus aperiodic, analog versus digital, and causal versus noncausal. Each category highlights distinct properties crucial for understanding and manipulating signals.
A continuous-time signal holds a value at every instant in time, representing information seamlessly. In contrast, a discrete-time signal holds values only at specific moments, often denoted as x(n), where...
1.5K
Classification of Systems-I01:26

Classification of Systems-I

637
Linearity is a system property characterized by a direct input-output relationship, combining homogeneity and additivity.
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
637
Classification of Systems-II01:31

Classification of Systems-II

540
Continuous-time systems have continuous input and output signals, with time measured continuously. These systems are generally defined by differential or algebraic equations. For instance, in an RC circuit, the relationship between input and output voltage is expressed through a differential equation derived from Ohm's law and the capacitor relation,
540
Aggregates Classification01:29

Aggregates Classification

1.1K
Aggregate classification is generally based on its size, petrographic characteristics, weight, and source. Size classification ranges from coarse to fine aggregates, defined by the size of the particles. Coarse aggregates are particles that do not pass through ASTM sieve No. 4, and aggregates that pass through the sieve are fine aggregates.
Petrographic classification groups aggregates based on common mineralogical characteristics. Some of the common mineral groups found in aggregates are...
1.1K

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Intelligent automated essay scoring under uncertainty using type 2 neutrosophic ontologies.

Scientific reports·2026
Same author

A neutrosophic clustering approach to handle recommendation uncertainty for gray sheep users.

Scientific reports·2026
Same author

Biodata-centric cardiovascular disease prediction using multi-objective genetic algorithm-driven deep ensembles.

Scientific reports·2025
Same author

Quantum-inspired K-nearest neighbors classifier for enhanced printer source identification in forensic document analysis.

Scientific reports·2025
Same author

A Quantum Genetic Algorithm for Building a Semantic Textual Similarity Estimation Framework for Plagiarism Detection Applications.

Entropy (Basel, Switzerland)·2023
Same author

A New Medical Analytical Framework for Automated Detection of MRI Brain Tumor Using Evolutionary Quantum Inspired Level Set Technique.

Bioengineering (Basel, Switzerland)·2023
Same journal

Correction: A method for supervoxel-wise association studies of age and other non-imaging variables from coronary computed tomography angiograms.

Scientific reports·2026
Same journal

Poly(bromophenol blue)/CoSn(OH)<sub>6</sub> cubic particles modified pencil graphite electrode for electrochemical determination of diphenhydramine.

Scientific reports·2026
Same journal

Dietary Chlorella, Spirulina, and acidifier modulate jejunal cytokine-related gene expression in broiler chickens.

Scientific reports·2026
Same journal

Perceived physical activity barriers in university students: associations with fatigue and eating behaviours.

Scientific reports·2026
Same journal

Refuge limitation structures habitat use in agricultural landscapes: evidence from Sunda pangolins.

Scientific reports·2026
Same journal

Lightweight stateless transaction verification with outsourced witness updates for UTXO blockchains.

Scientific reports·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 5, 2026

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
08:47

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation

Published on: February 9, 2024

2.0K

Clasificación incremental inteligente utilizando redes neuronales mejoradas con saltamontes dinámicos para flujos de

Saad M Darwish1, Noha A El-Shoafy2

  • 1Department of Information Technology, Institute of Graduate Studies and Research, Alexandria University, 21526, Alexandria, Egypt. saad.darwish@alexu.edu.eg.

Scientific reports
|February 26, 2026
PubMed
Resumen
Este resumen es generado por máquina.

Este estudio presenta un Algoritmo de Optimización Dinámica de Saltamontes (DGOA) para la optimización de hiperparámetros en tiempo real en redes neuronales que manejan flujos de datos complejos. El sistema mejorado con DGOA logra una precisión y eficiencia superiores sin reentrenamiento, superando a otros métodos de optimización.

Palabras clave:
Big dataOptimización dinámica de saltamontesAprendizaje incrementalSistemas inteligentesOptimización de redes neuronales

Videos de Experimentos Relacionados

Last Updated: May 5, 2026

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
08:47

Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation

Published on: February 9, 2024

2.0K

Área de la Ciencia:

  • Inteligencia Artificial
  • Aprendizaje Automático
  • Algoritmos de Optimización

Sus antecedentes:

  • Los flujos de datos complejos presentan desafíos para las redes neuronales debido al dinamismo y los cambios de distribución.
  • A menudo se requiere reentrenamiento frecuente para mantener la precisión, lo que afecta la eficiencia.
  • Los métodos de optimización existentes luchan con la adaptación en tiempo real a las características cambiantes de los datos.

Objetivo del estudio:

  • Proponer un marco de aprendizaje incremental inteligente para la optimización de hiperparámetros en tiempo real en redes neuronales.
  • Desarrollar un Algoritmo de Optimización Dinámica de Saltamontes (DGOA) para el aprendizaje adaptativo en flujos de datos.
  • Mejorar la precisión y eficiencia de la clasificación en entornos dinámicos sin reentrenamiento constante.

Principales métodos:

  • Integración de un Algoritmo de Optimización Dinámica de Saltamontes (DGOA) con una red neuronal de Perceptrón Multicapa (MLP).
  • Utilización del control dinámico de parámetros y la reconfiguración de enjambres en línea de DGOA para la adaptación autónoma.
  • Ajuste incremental de hiperparámetros como la tasa de aprendizaje y el momento para el aprendizaje continuo.

Principales resultados:

  • El MLP basado en DGOA logró una precisión de clasificación del 89,5% en el conjunto de datos del mercado eléctrico australiano.
  • Superó a Grid Search, Random Search, PSO, GA, ACO y GOA estándar en precisión de clasificación.
  • Demostró una eficiencia superior con un tiempo computacional reducido (120 s), convergencia más rápida (30 iteraciones) y la pérdida final más baja (0,21).

Conclusiones:

  • El marco DGOA propuesto ofrece una estrategia de optimización de hiperparámetros totalmente en línea y impulsada por inteligencia de enjambres para flujos de big data.
  • Este enfoque mejora significativamente la precisión, la generalización y la eficiencia computacional en comparación con los métodos convencionales.
  • El sistema maneja eficazmente los cambios continuos de distribución en los flujos de datos, lo que permite una clasificación robusta y adaptativa.