Содержание
Расшифровка наименований измерительных трансформаторов
Трансформатор ТОЛ расшифровка
ТОЛ – это трансформатор тока опорный с литой изоляцией.
Трансформаторы типа ТОЛ предназначены для понижения величин тока высокого напряжения до требуемых значений. С их помощью производится оперативный и эффективный контроль параметров мощности в линиях электропередач. Широко используются на электро- и подстанциях.
Номенклатура (на примере ТОЛ-10-0,5S/10Р-100/5-УХЛ2):
Т – трансформатор тока;
О – опорный;
Л – с литой изоляцией;
10 – номинальное напряжение, кВ;
0,5S/10Р – класс точности вторичных обмоток для учета и измерений/для защиты;
100/5 – номинальный первичный/вторичный ток, А;
УХЛ2 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543.1-89.
Трансформатор ОЛ расшифровка
ОЛ – это однофазный трансформатор тока с литой изоляцией.
Трансформаторы типа ОЛ используются для подачи питания на цепи автоблокировки и распределения и коммутации электроэнергии в транспортных железнодорожных сетях.
Номенклатура (на примере ОЛ-0,63/6-УХЛ1 (6300; 218/224/230/236/242)):
О – однофазный трансформатор;
Л – исполнение трансформатора – с литой изоляцией;
0,63 – номинальная мощность, кВА;
6 – класс напряжения, кВ;
УХЛ1 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543.1-89;
6300 – номинальное напряжение первичной обмотки, В;
218/224/230/236/242 – номинальное напряжение основной вторичной обмотки, В.
Трансформатор ЗНОЛ расшифровка
ЗНОЛ – это заземляемый трансформатор напряжения однофазный электромагнитный с литой изоляцией.
Измерительный трансформатор ЗНОЛ служит для монтирования в КРУ. Используется для запитывания цепей сигнализации или защиты, цепей измерения, автоматики. Кроме того, трансформатор встраивается в токопроводы турбогенераторов.
Номенклатура (на примере ЗНОЛ-35-27500:10:200-0,2/З-УXЛ2):
З – заземляемый;
Н – трансформатор напряжения;
О – однофазный электромагнитный;
Л – с литой изоляцией;
35 – класс напряжения;
27500 – нoминaльнoe нaпpяжeниe пepвичнoй oбмoтки, В;
10 – нoминaльная мощность первой втopичнoй oбмoтки, ВА;
200 – нoминaльная мощность дoпoлнитeльнoй втopичнoй обмoтки, BА;
0,2 – клacc тoчнocти ocнoвнoй втopичнoй oбмoтки;
З – клacc тoчнocти дoпoлнитeльнoй втopичнoй oбмoтки;
УXЛ2 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543.1-89.
Трансформатор ТПЛ расшифровка
ТПЛ – это трансформатор тока проходной с литой изоляцией.
Трансформаторы типа ТПЛ используются для изоляции цепей вторичных соединений от высокого напряжения переменного тока, питания цепей измерения мощности или силы тока, а также передачи сигнала устройствам управления и защиты. Кроме того, возможно применение трансформаторов данного типа в КРУ.
Номенклатура (на примере ТПЛ-10-0,5S/5Р-1500-УХЛ2):
Т – трансформатор тока;
П – проходной;
Л – с литой изоляцией;
10 – класс напряжения;
0,5S/5Р – класс точности вторичной обмотки для учета и измерений/для защиты;
1500 – номинальный первичный ток, А;
УХЛ2 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543.1-89.
Трансформатор ЗНОЛП расшифровка
ЗНОЛП – это заземляемый трансформатор напряжения однофазный электромагнитный с литой изоляцией и встроенным защитным предохранительным устройством.
Измерительный трансформатор ЗНОЛП монтируется в КРУ. Используется для запитывания цепей сигнализации или защиты, цепей измерения, автоматики, управления в электрических установках переменного тока в сетях с изолированной нейтралью. Кроме того, трансформатор встраивается в токопроводы турбогенераторов.
Номенклатура (на примере ЗНОЛ(П)-35-27500:10:200-0,2/3-УXЛ2):
З – заземляемый;
Н – трансформатор напряжения;
О – однофазный электромагнитный;
Л – с литой изоляцией;
П – со встроенным защитным предохранительным устройством;
35 – класс напряжения;
27500 – нoминaльнoe нaпpяжeниe пepвичнoй oбмoтки, В;
10 – нoминaльная мощность первой втopичнoй oбмoтки, ВА;
200 – нoминaльная мощность дoпoлнитeльнoй втopичнoй обмoтки, BА;
0,2 – клacc тoчнocти ocнoвнoй втopичнoй oбмoтки;
3 – клacc тoчнocти дополнительной вторичной обмотки;
УXЛ2 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543.1-89.
Трансформатор ТЗЛК расшифровка
ТЗЛК – это трансформатор тока для защиты от замыканий на землю с литой изоляцией для кабельных линий.
Трансформаторы типа ТЗЛК позволяют предотвратить замыкание на землю. Для этого их устанавливают в комплектные распределительные устройства и на кабель. Эксплуатируются при температуре от –50 до +55°С.
Номенклатура (на примере ТЗЛК-0,66-70-30/1-УХЛ2):
Т – трансформатор тока;
З – для защиты от замыканий на землю;
Л – с литой изоляцией;
К – для кабельных линий;
0,66 – класс напряжения, кВ;
70 – диаметр проходного отверстия под ввод кабелей, мм;
30 – номинальный первичный ток, А;
1 – количество вторичных обмоток;
УХЛ2 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543.1-89.
Трансформатор ТПОЛ расшифровка
ТПОЛ – это трансформатор тока проходной одновитковый с литой изоляцией.
Трансформаторы типа ТПОЛ используются для измерения тока в силовых цепях. Далее полученная информация передается измерительным приборам, устройствам защиты и управления. В целях изоляции устанавливаются на электропровода и распределительные устройства. В зависимости от климатического исполнения и категории размещения предназначены для работы при температурах от –45 до +45 °С.
Номенклатура (на примере ТПОЛ-10-0,5/5Р-600/5-УХЛ2):
Т – трансформатор тока;
П – проходной;
О – одновитковый;
Л – с литой изоляцией;
10 – номинальное напряжение, кВ;
0,5/5Р – класс точности обмотки для учета и измерений/для защиты;
600/5 – номинальный первичный/вторичный ток, А;
УХЛ2 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543.1-89.
Трансформатор ТШЛ расшифровка
ТШЛ – это трансформатор тока шинный с литой изоляцией.
Трансформаторы типа ТШЛ монтируют непосредственно на токопроводящих шинах. Предназначены для измерения косвенного тока. В зависимости от климатического варианта исполнения и места размещения – для работы при температуре окружающей среды от –25 до +55 ºС.
Номенклатура (на примере ТШЛ-6-5-0,5S/5P-2000/1-УХЛ2):
Т – трансформатор тока;
Ш – шинный;
Л – с литой изоляцией;
6 – класс напряжения;
5 – количество вторичных обмоток;
0,5S/5Р – класс точности вторичной обмотки для учета и измерений/для защиты;
2000/1 – номинальный первичный/вторичный ток, А;
УХЛ2 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543.1-89.
Трансформатор НОЛ расшифровка
НОЛ – это трансформатор напряжения проходной с литой изоляцией.
Трансформаторы НОЛ устанавливаются в распределительные устройства внутренней и наружной установки для питания приборов измерения, цепей сигнализации и защиты. Также используются с целью учета электроэнергии.
Номенклатура (на примере НОЛ-6-УХЛ2 (6000; 100; 0,2/10)):
Н – трансформатор напряжения;
О – однофазный;
Л – с литой изоляцией;
6 – класс напряжения;
УХЛ2 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543. 1-89;
6000 – номинальное напряжение первичной обмотки, В;
100 – номинальное линейное напряжение на выводах основной вторичной обмотки, ВА;
0,2 – класс точности вторичной обмотки;
10 – номинальная мощность с коэффициентом мощности активно-индуктивной нагрузки 0,8 ВА.
Трансформатор ОЛСП расшифровка
ОЛСП – это однофазный трансформатор тока со встроенным защитным предохранительным устройством с литой изоляцией целевого назначения (силовой).
Трансформатор ОЛСП используется при установке в КРУ и служит для питания измерительных цепей, защиты сигнализации и автоматики.
Номенклатура (на примере ОЛСП- 0,63/6-УХЛ2 (6300; 100/209/220/231)):
О – однофазный трансформатор;
Л – исполнение трансформатора – с литой изоляцией;
С – целевое назначение – силовой трансформатор;
П – со встроенным защитным предохранительным устройством;
0,63 – номинальная мощность, ВА;
6 – класс напряжения, кВ;
УХЛ2 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543. 1-89;
6300 – номинальное напряжение первичной обмотки, В;
100/209/220/231 – номинальное напряжение основной вторичной обмотки, В.
Трансформатор ТВ расшифровка
ТВ – это трансформатор тока встроенный.
Трансформаторы типа ТВ служат источником передачи измерительной информации установкам переменного тока. Встраиваются в силовые трансформаторы и масляные выключатели. В зависимости от климатического исполнения и категории размещения способны работать при температурах от –60 до +45°С.
Номенклатура (на примере ТВ-35-IX-5-300/2-УХЛ1):
Т – трансформатор тока;
В – встроенный;
35 – номинальное напряжение, кВ;
IX – конструктивный вариант исполнения;
5 – количество вторичных обмоток;
300/2 — номинальный первичный/вторичный ток, А;
УХЛ1 — климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543.1-89.
Трансформатор ОЛЗ расшифровка
ОЛЗ – это заземляемый однофазный трансформатор тока с литой изоляцией.
Трансформаторы типа ОЛ используются для подачи питания на цепи автоблокировки и распределения электроэнергии в транспортных железнодорожных сетях, а также для питания цепей диспетчерской централизации.
Номенклатура (на примере ОЛЗ-1,25/27,5-УХЛ1):
О – однофазный трансформатор;
Л – исполнение трансформатора – с литой изоляцией;
З – заземляемый;
1,25 – номинальная мощность, ВА;
27,5 – номинальное напряжение первичной обмотки, В;
УХЛ1 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543.1-89.
Трансформатор НОЛП расшифровка
НОЛП – это трансформатор напряжения проходной с литой изоляцией со встроенным предохранительным защитным устройством.
Незаземляемые трансформаторы напряжения НОЛП применяются для питания цепей сигнализации и защиты, а также измерительных приборов в установках переменного тока.
Номенклатура (на примере НОЛП-6-УХЛ2 (6000; 100; 0,2/10)):
Н – трансформатор напряжения;
О – однофазный;
Л – с литой изоляцией;
П – со встроенным предохранительным защитным устройством;
6 – класс напряжения;
УХЛ2 – климатическое исполнение по ГОСТ 15150-69 и категория размещения по ГОСТ 15543.1-89;
6000 – номинальное напряжение первичной обмотки, В;
100 – номинальное линейное напряжение на выводах основной вторичной обмотки, ВА;
0,2 – класс точности вторичной обмотки;
10 – номинальная мощность с коэффициентом мощности активно-индуктивной нагрузки 0,8 ВА.
Таблица перевода тока холодного пуска EN, CCA, SAE, IEC, DIN
ССА — это аббревиатура от английского Cold Cranking Amps (CCA) означающая ток холодного пуска (ток холодной прокрутки) стартерной аккумуляторной батареи. Ток холодной прокрутки измеряется в амперах по определенной методике измерения. Различают следующие отраслевые стандарты измерения тока холодной прокрутки (CCA):
SAE (JS537) /CCA
Американский стандарт (полностью заряженную батарею по методике SAE JS537 охлаждают до -18С в течение 24 часов. Затем батарею нагружают силой тока, равной номинальному CCA батареи. Тест считается пройденным, если напряжение батареи не упадет ниже 7,2В в течение 30 секунд)
EN (EN50342.1A1)
Европейский стандарт (полностью заряженную батарею по методике SAE JS537 охлаждают до -18С в течение 24 часов. Затем батарею нагружают силой тока, равной номинальному CCA батареи. Тест считается пройденным, если напряжение батареи не упадет ниже 7,2В в течение 10 секунд)
IEC (60095-1)
Международная электротехническая комиссия (полностью заряженную батарею по методике SAE JS537 охлаждают до -18С в течение 24 часов. Затем батарею нагружают силой тока, равной номинальному CCA батареи. Тест считается пройденным, если напряжение батареи не упадет ниже 8,4В в течение 60 секунд)
₽38 990
В корзину
₽12 450
В корзину
₽28 150
В корзину
₽5 800
В корзину
DIN
Немецкий стандарт (полностью заряженную батарею по методике SAE JS537 охлаждают до -18С в течение 24 часов. Затем батарею нагружают силой тока, равной номинальному CCA батареи. Тест считается пройденным, если напряжение батареи не упадет ниже 9В в течение 30 секунд и 6В в течение 150 секунд)
JIS (D5301)
Японский индустриальный стандарт (полностью заряженную батарею по методике SAE JS537 охлаждают до -15С в течение 24 часов. Затем батарею нагружают силой тока 150-300А в течение 10-30 секунд. Тест считается пройденным, если напряжение батареи не упадет ниже 6В )
MCA (СА) — Морской стандарт (полностью заряженную батарею по методике SAE JS537 охлаждают до 0С в течение 24 часов. Затем батарею нагружают силой тока, равной номинальному CCA батареи. Тест считается пройденным, если напряжение батареи не упадет ниже 7,2В в течение 30 секунд)
ГОСТ Р 53165-2008 — ток холодной прокрутки (CCA) — это ток разряда, А, указанный изготовителем, который может обеспечить батарея для пуска двигателя в заданных условиях. ГОСТ Р 53165-2008 базируется на международном стандарте IEC 60095-1.
Ниже приведена таблица перевода тока холодного пуска (EN, CCA, SAE, IEC, DIN)
SAE/CCA
100
150
200
250
300
350
400
450
500
550
600
650
700
750
800
850
900
950
1000
1050
1100
1150
1200
1250
1300
1350
1400
1450
1500
1540
EN
100
140
180
230
280
330
360
420
480
520
540
600
640
680
760
790
860
900
940
1000
1040
1080
1150
1170
1220
1270
1320
1360
1410
1450
IEC
65
95
130
160
195
225
260
290
325
355
390
420
450
485
515
550
580
615
645
680
710
745
775
810
840
870
905
935
975
1000
DIN
60
85
110
140
170
200
225
255
280
310
335
365
395
420
450
480
505
535
560
590
620
645
675
700
730
760
790
815
820
870
Таблица перевода японского стандарта к европейскому (JIS в EN).
В настоящее время провести самостоятельные испытания аккумуляторной батареи, приближенные к отраслевым можно с помощью нагрузочной вилки. Лучше всего такие тесты проводить при минусовой температуре.
Так же оценить ток холодной прокрутки можно с помощью диагностических тестеров аккумуляторных батарей, например Midtronics.
Талант декодирования — Современный прокат
ТЕПЕРЬ ДОСТУПЕН
Decoding Talent: как искусственный интеллект и большие данные могут решить кадровую головоломку вашей компании
Получите внутреннюю информацию о том, что действительно делает найм таким трудным, обостряющиеся последствия неверных решений о людях, а также четкую, реальную дорожную карту того, как начать использовать современные инструменты данных, чтобы решить все это.
«Четкий и мощный план того, как использовать технологии, данные и искусственный интеллект, чтобы окончательно и по-настоящему революционизировать управление персоналом и талантами.
— Джим Ливингстон, руководитель отдела кадров Rock Central
Заказать сейчас
Используйте возможности ИИ при приеме на работу
Типичный процесс найма сопряжен со сложностью, неэффективностью и предвзятостью и часто исключает самых талантливых кандидатов. Талант декодирования: как искусственный интеллект и большие данные могут решить кадровую головоломку вашей компании.
Эксперты по искусственному интеллекту Эрик Сиделл, Майк Хади и Майкл Эшли объясняют, почему традиционный процесс на основе резюме устарел, почему нанять людей сложно, какова цена неверных решений, как предвзятость влияет на практику найма и как ИИ может решить эту проблему. эти проблемы.
Заказать сейчас
Что люди говорят о расшифровке талантов
«На нынешнем жестком рынке труда многие найдут Decoding Talent содержательное руководство от экспертов в этой области. Книга предназначена для того, чтобы заставить читателей думать по-другому, а не понимать ИИ или как управлять человеческими ресурсами». Данные и искусственный интеллект для специалистов по кадрам и талантам кажутся простыми и доступными. Это обязательная книга для организаций, стремящихся преобразовать свои методы работы с персоналом до уровня мирового уровня!»
— Тим Сакетт, автор книги «Исправление талантов». Подчеркивая силу данных, авторы отмечают важность использования качественных данных и обязанности лиц, принимающих решения, при использовании ИИ. Это необходимо прочитать, прежде чем внедрять ИИ в сферу талантов».
— Сет Циммер, кандидат наук, помощник вице-президента по организационной оценке и развитию, AT&T
«В процессах найма и управления талантами по-прежнему много неэффективности и напрасных усилий. Использование ИИ при принятии решений о людях чрезвычайно эффективно, но чревато проблемами, многие из которых мы пока не можем предвидеть. Decoding Talent представляет собой план того, как начать понимать и использовать этот инструмент со сбалансированным, контролируемым подходом и, таким образом, создавать более этичные, более продуктивные возможности найма и управления талантами».
— Дженнифер Трейси, вице-президент по привлечению и привлечению талантов, Spectrum
«Это редкая и ценная книга, которая ясно объясняет преимущества, ограничения и социальную ответственность, связанные с использованием сложных алгоритмов машинного обучения для создания рабочей силы. . . . Используя наглядные примеры, отражающие многолетний опыт авторов в реальном бизнесе, книга объясняет эти инструменты в доступной форме, не упрощая принцип их работы, не преуменьшая их ценности и не преувеличивая их потенциал. Это должно быть базовым чтением для всех, кто изучает использование машинного обучения как способ повышения эффективности найма».
— Стивен Т. Хант, доктор философии, научный сотрудник SIOP и автор книги « Успех в найме: искусство и наука оценки персонала и отбора сотрудников»
Познакомьтесь с авторами
Эрик Сиделл, доктор философии
Эрик — промышленно-организационный психолог, опытный предприниматель и опытный консультант с более чем двадцатилетним опытом работы в сфере технологий подбора персонала и подбора персонала. Эксперт в области искусственного интеллекта, машинного и глубокого обучения, психометрии и их практического применения при приеме на работу, Эрик регулярно пишет и выступает на эти темы как в СМИ, так и на академических и отраслевых конференциях по всему миру. В настоящее время Эрик занимает должность исполнительного вице-президента по инновациям в компании Modern Hire, где он курирует все инициативы в области исследований и инновационных продуктов.
Майк Хьюди, доктор философии
Майк — промышленно-организационный психолог и отраслевой эксперт в области прогнозного моделирования с использованием данных о человеческом капитале, планирования экспериментов и анализа талантов. Он был одним из ученых-основателей Shaker International, инновационной фирмы, занимающейся консалтингом и поиском решений, где он был исполнительным вице-президентом по науке. В настоящее время Майк занимает должность директора по науке в Modern Hire. Он умеет разбираться в сложностях и неясностях при привлечении талантов, чтобы создавать практичные, эффективные и удовлетворяющие потребности организаций и их кандидатов.
Майкл Эшли
Майкл — бывший сценарист Диснея и автор более двадцати пяти книг на различные темы. Постоянный автор статей Forbes и Предприниматель , Майкл пишет об ИИ и больших данных со своей точки зрения в рамках серии саммитов Организации Объединенных Наций «ИИ во благо». Также он является послом City.AI, международной организации по этичному использованию технологий, он является востребованным профессиональным спикером, который в среднем три-четыре раза в месяц выступает с докладами для различных организаций. Кроме того, Майкл выступает в качестве консультанта компаний по вопросам того, как лучше всего донести их сообщения.
Начните расшифровывать свой талант сегодня
Заказать сейчас
Текущие достижения в нейронном декодировании
Акбари, Х., Халигинежад, Б., Эрреро, Дж.Л., Мехта, А.Д., Месгарани, Н.: На пути к реконструкции разборчивой речи из слуховой коры человека. науч. 9 (1), 874 (2019)
Google ученый
Ануманчипалли, Г.К., Шартье, Дж., Чанг, Э.Ф.: Синтез речи на основе нейронного декодирования произнесенных предложений. Природа 568 , 493–501 (2019)
Google ученый
Бахрамишариф, А., ван Гервен, М.А.Дж., Хескес, Т., Дженсен, О.: Скрытое внимание позволяет постоянно контролировать интерфейсы мозг-компьютер. Евро. Дж. Нейроски. 31 (8), 1501–1508 (2010)
Google ученый
Биалек В., Рике Ф., ван Стивенинк Р.Р.Д.Р., Варленд Д.: Чтение нейронного кода. Наука 252 (5014), 1854–1857 (1991)
Google ученый
Бишоп, К.М.: Распознавание образов и машинное обучение. Спрингер, Нью-Йорк (2006)
МАТЕМАТИКА
Google ученый
Чанг, Л., Цао, Д.Ю.: Код идентификации лица в мозгу приматов. Моб. 169 (6), 1013–1028 (2017)
Google ученый
«>Кокс, Д.Д., Дин, Т.: Нейронные сети и компьютерное зрение, вдохновленное нейробиологией. Курс. биол. 24 (18), PR921–R929 (2014)
Google ученый
Даугман, Дж. Г.: Соотношение неопределенностей для разрешения в пространстве, пространственной частоты и ориентации, оптимизированное с помощью двумерных визуальных кортикальных фильтров. Дж. опт. соц. Являюсь. А: 2 (7), 1160–1169 (1985)
Google ученый
Даян, П., Эбботт, Л.Ф.: Теоретическая неврология. MIT Press, Кембридж (2005)
МАТЕМАТИКА
Google ученый
«>Дейкстра, Н., Мостерт, П., де Ланге, Ф.П., Бош, С.Е., ван Гервен, М.А.Дж.: Дифференциальная временная динамика во время визуальных образов и восприятия. eLIFE, стр. 1–16 (2018)
Google ученый
Дейкстра, Н., Зейдман, П., Ондобака, С., ван Гервен, М.А.Дж., Фристон, К.: Отчетливая мозговая связь сверху вниз и снизу вверх во время зрительного восприятия и образов. науч. Отчет 7 (5677), 1–9 (2017)
Google ученый
Домингос, П.: Почему упаковка работает? Байесовский счет и его значение. В: Труды Третьей международной конференции по обнаружению знаний и интеллектуальному анализу данных, стр. 155–158 (1997)
.
Google ученыйЭрхан, Д., Бенжио, Ю., Курвиль, А., Винсент, П.: Визуализация функций более высокого уровня глубокой сети. ун-т Монреаль 1341 , 1–13 (2009)
Google ученый
Фукусима, К.: Неокогнитрон: модель самоорганизующейся нейронной сети для механизма распознавания образов, на который не влияет изменение положения. биол. киберн. 36 (4), 193–202 (1980)
МАТЕМАТИКА
Google ученый
van Gerven, M.A.J.: Учебник по моделям кодирования в сенсорной нейронауке. Дж. Матем. Психол. 76 (Б), 172–183 (2017)
Google ученый
ван Гервен, М.А.Дж., Чао, З.К., Хескес, Т.: О декодировании внутричерепных данных с использованием разреженного ортонормированного частичного метода наименьших квадратов. Дж. Нейронная инженерия. 9 (2), 026017 (2012)
Google ученый
ван Гервен, М.А.Дж., Кок, П., де Ланге, Ф.П., Хескес, Т.: Динамическое декодирование текущего восприятия. НейроИзображение 57 , 950–957 (2011)
Google ученый
ван Гервен, М.А.Дж., де Ланге, Ф.П., Хескес, Т.: Нейронное декодирование с помощью иерархических генеративных моделей. Нейронные вычисления. 22 (12), 3127–3142 (2010)
МАТЕМАТИКА
Google ученый
Гудфеллоу И. и др.: Генеративные состязательные сети. В: Достижения в системах обработки нейронной информации (NeurIPS), 2014 г., стр. 2672–2680 (2014 г.)
Google ученый
Гючлю, У., ван Гервен, М.А.Дж.: Глубокие нейронные сети выявляют градиент сложности нейронных репрезентаций в вентральном потоке. Дж. Нейроски. 35 (27), 10005–10014 (2015)
Google ученый
Гючлю, У., ван Гервен, М.А.Ю.: Субъекты совместно используют все более сложные представления естественных фильмов через спинной поток. НейроИзображение 145 , 329–336 (2017)
Google ученый
Гючлю, У., Тилен, Дж., Ханке, М., ван Гервен, М.А.Ю.: Мозги в ритме. В: Достижения в системах обработки нейронной информации (NeurIPS), 2016 г., стр. 1–12 (2016 г.)
.
Google ученыйГючлютюрк, Ю., Гючлю, У., Силигер, К., Бош, С.Э., ван Лиер, Р., ван Гервен, М.А.Дж.: Реконструкция воспринимаемых лиц по активациям мозга с помощью глубокого состязательного нейронного декодирования. В: Достижения в системах обработки нейронной информации (NeurIPS) 2017 (2017)
Google ученый
«>Хаксби, Дж. В., Гоббини, М. И., Фьюри, М. Л., Ишай, А., Схоутен, Дж. Л., Пьетрини, П.: Распределенные и перекрывающиеся представления лиц и объектов в вентральной височной коре. Наука 293 , 2425–2430 (2001)
Google ученый
Хинтон, Г.Э., Осиндеро, С., Тех, Ю.В.: Алгоритм быстрого обучения для сетей глубокого убеждения. Нейронные вычисления. 18 , 1527–1554 (2006)
MathSciNet
МАТЕМАТИКАGoogle ученый
Хорикава Т., Камитани Ю.: Иерархическое нейронное представление объектов сновидения, выявленное путем декодирования мозга с помощью функций глубокой нейронной сети. Фронт. вычисл. Неврологи. 11 , 1–11 (2017)
Google ученый
Хорикава Т., Тамаки М., Мияваки Ю., Камитани Ю.: Нейронное декодирование визуальных образов во время сна. Наука 340 (6132), 639–642 (2013)
Google ученый
Иэнка, М., Хаселагер, П., Эмануэль, Э.Дж.: Утечки мозгов и потребительские нейротехнологии. Нац. Биотехнолог. 36 (9), 805–810 (2018)
Google ученый
Джонс, Дж. П., Палмер, Л. А.: Оценка двумерной модели фильтра Габора простых рецептивных полей в полосатой коре кошек. Дж. Нейрофизиол. 58 , 1233–1258 (1987)
Google ученый
Камитани Ю., Тонг Ф.: Расшифровка визуального и субъективного содержимого человеческого мозга. Нац. Неврологи. 8 (5), 679–685 (2005)
Google ученый
Кей, К.Н., Населарис, Т., Пренгер, Р.Дж., Галлант, Дж.Л.: Идентификация естественных образов по деятельности человеческого мозга. Природа 452 , 352–355 (2008)
Google ученый
ЛеКун Ю., Бенжио Ю., Хинтон Г.Э. Глубокое обучение. Природа 521 (7553), 436 (2015)
Google ученый
Марчелья, С.: Математическое описание ответов простых клеток коры. Дж. опт. соц. Являюсь. A: 70 (11), 1297–1300 (1980)
MathSciNet
Google ученый
Миколов Т., Чен К., Коррадо Г., Дин Дж.: Эффективная оценка представлений слов в векторном пространстве. В: Международная конференция по образовательным представлениям (ICLR), 2013 г. Библиотека Корнельского университета (2013 г.)
Google ученый
Miyawaki, Y., et al.: Реконструкция визуального изображения активности человеческого мозга с использованием комбинации многомасштабных локальных декодеров изображений. Нейрон 60 (5), 915–929 (2008)
Google ученый
Мордвинцев А., Олах К., Тыка М.: Инцепционизм: углубление в нейронные сети (2005). https://research.googleblog.com/2015/06/inceptionism-going-deeper-into-neural.html
Населарис Т., Олман К.А., Стэнсбери Д.Э., Угурбил К., Галлант Дж.Л. : модель кодирования по вокселям для ранних областей зрения декодирует мысленные образы запомненных сцен. НейроИзображение 105 , 215–228 (2015)
Google ученый
Населарис, Т., Пренгер, Р. Дж., Кей, К.Н., Оливер, М., Галлант, Дж.Л.: Байесовская реконструкция естественных изображений из деятельности человеческого мозга. Нейрон 63 (6), 902–915 (2009)
Google ученый
Нисида, С., Нисимото, С.: Расшифровка натуралистических переживаний из деятельности человеческого мозга с помощью распределенных представлений слов. НейроИзображение 180 , 232–242 (2018)
Google ученый
Нисимото, С., Ву, А.Т., Населарис, Т., Бенджамини, Ю., Ю, Б., Галлант, Дж.Л.: Реконструкция визуальных переживаний на основе активности мозга, вызванной естественными фильмами. Курс. биол. 21 , 1–6 (2011)
Google ученый
Парки О.М., Ведальди А., Зиссерман А.: Глубокое распознавание лиц. В: Британская конференция по машинному зрению (2015)
Google ученый
«>Ponce, C.R., et al.: Эволюция изображений для зрительных нейронов с использованием глубокой генеративной сети раскрывает принципы кодирования и предпочтения нейронов. Сотовый 177 , 999–1009 (2019)
Google ученый
Ризенхубер, М., Поджио, Т.: Иерархические модели распознавания объектов в коре головного мозга. Нац. Неврологи. 2 (11), 1019–1025 (1999)
Google ученый
Рулфсема, П.Р., Денис, Д., Клинк, П.К.: Чтение мыслей и письмо: будущее нейротехнологий. Тенденции Познан. науч. 22 (7), 1–13 (2018)
Google ученый
Ровейс, С. , Броди, К.: Линейные гетерокодеры. Технический отчет. ГЦНУ ТР 1999–002, Отдел вычислительной неврологии Гэтсби (1999)
Google ученый
Шенмакерс, С., Барт, М., Хескес, Т., ван Гервен, М.А.Дж.: Линейная реконструкция воспринимаемых изображений на основе деятельности человеческого мозга. НейроИзображение 83 , 951–961 (2013)
Google ученый
Schoenmakers, S., Güçlü, U., van Gerven, M.A.J., Heskes, T.: Смешанные модели Гаусса и семантическая селекция улучшают реконструкцию активности человеческого мозга. Фронт. вычисл. Неврологи. 8 , 1–10 (2015)
Google ученый
Seeliger, K., et al.: Кодирование и декодирование визуального распознавания объектов в пространстве и времени на основе сверточных нейронных сетей. НейроИзображение 180 (А), 253–266 (2017)
Google ученый
«>Силигер, К., Амбродиони, Л., Гючлютюрк, Ю., Гючлю, У., Гервен, М.А.Дж.: Идентификация нейронной системы с потоком нейронной информации. биоРксив (2019)
Google ученый
Сенден, М., Эммерлинг, Т.С., ван Хоф, Р., Фрост, М.А., Гебель, Р.: Реконструкция воображаемых букв из ранней зрительной коры обнаруживает тесное топографическое соответствие между визуальными мысленными образами и восприятием. Структура мозга. Функц. 224 (3), 1167–1183 (2019)
Google ученый
Серр, Т., Вольф, Л., Билески, С. , Ризенхубер, М., Поджио, Т.: Надежное распознавание объектов с помощью корковоподобных механизмов. IEEE транс. Анальный узор. Мах. Интел. 29 (3), 411–426 (2007)
Google ученый
Шен Г., Хорикава Т., Мадзима К., Камитани Ю.: Реконструкция глубокого изображения активности человеческого мозга. PLoS-компьютер. биол. 15 (1), 1–23 (2019)
Google ученый
Симонян К., Зиссерман А.: Очень глубокие сверточные сети для крупномасштабного распознавания изображений. Препринт arXiv arXiv: 1409.1556 (2014)
Стэнли, Г.Б., Ли, Ф.Ф., Дэн, Ю.: Реконструкция естественных сцен на основе ответов ансамбля в латеральном ядре коленчатого тела. Дж. Нейроски. 19 (18), 8036–8042 (1999)
Google ученый
Thirion, B. , et al.: Обратная ретинотопия: вывод визуального содержания изображений из моделей активации мозга. НейроИзображение 33 (4), 1104–1116 (2006)
Google ученый
Ван Руллен, Р., Редди, Л.: Реконструкция лиц по шаблонам фМРТ с использованием глубоких генеративных нейронных сетей. Препринт arXiv arXiv: 1810.03856 (2018)
Виктор, Дж. Д., Пурпура, К., Кац, Э., Мао, Б.: Популяционное кодирование пространственной частоты, ориентации и цвета макаки V1. Дж. Нейрофизиол. 72 (5), 2151–2166 (1994)
Google ученый
Видаурре, Д., ван Гервен, М.А.Дж., Бьелза, К., Ларраньяга, П., Хескес, Т.: Байесовские разреженные частичные наименьшие квадраты. Нейронные вычисления. 25 (12), 3318–3339 (2013)
MathSciNet
МАТЕМАТИКАGoogle ученый
Коуэн, А.С., Чун, М.М., Куль, Б.А.: Нейронные портреты восприятия: реконструкция изображений лица по вызванной активности мозга. НейроИзображение 94 , 12–22 (2014)
Google ученый
Дийкстра, Н., Бош, С.Э., ван Гервен, М.А.Дж.: Яркость визуальных образов зависит от нейронного перекрытия с восприятием в зрительных областях. Дж. Нейроски. 37 (5), 1367–1373 (2017)
Google ученый
Хасти, Т., Тибширани, Р.Дж., Фридман, Дж.Х.: Элементы статистического обучения: интеллектуальный анализ данных, вывод и прогнозирование, 2-е изд. Спрингер, Нью-Йорк (2008). https://doi.org/10.1007/978-0-387-84858-7
CrossRef
МАТЕМАТИКА
Google ученый
Пэсли Б.Н. и др.: Реконструкция речи по слуховой коре человека. PLoS биол. 10 (1), e1001251 (2012)
Google ученый
Силигер, К., Гючлю, У., Амбродиони, Л., Гючлютюрк, Ю., ван Гервен, М.А.Дж.: Генеративные состязательные сети для реконструкции естественных изображений из мозговой активности. НейроИзображение 181 , 775–785 (2018)
Google ученый