Documents dont l'auteur est "Ragab, Ahmed"
Monter d'un niveau
Aide
Ce graphique trace les liens entre tous les collaborateurs des publications de {} figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Aide
Un nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur {}. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
A
Abuelnasr, A., Ragab, A., Amer, M., Gosselin, B., & Savaria, Y. (2024). Incremental reinforcement learning for multi-objective analog circuit design acceleration. Engineering Applications of Artificial Intelligence, 129, 107426 (18 pages). Lien externe
Amer, M., Abuelnasr, A., Hassan, A., Ragab, A., Sawan, M., & Savaria, Y. (2023). A Half-bridge Gate Driver with Self-adjusting and Tunable Dead-time Modes for Efficient Switched-mode Power Systems. IEEE Transactions on Power Electronics, 15 pages. Lien externe
Abdeldayem, O. M., Dabbish, A. M., Habashy, M. M., Mostafa, M. K., Elhefnawy, M., Amin, L., Al-Sakkari, E. G., Ragab, A., & Rene, E. R. (2022). Viral outbreaks detection and surveillance using wastewater-based epidemiology, viral air sampling, and machine learning techniques: A comprehensive review and outlook. Science of The Total Environment, 803, 24 pages. Lien externe
Abuelnasr, A., Amer, M., Ragab, A., Gosselin, B., & Savaria, Y. (mai 2021). Causal information prediction for analog circuit design using variable selection methods based on machine learning [Communication écrite]. 53rd IEEE International Symposium on Circuits and Systems (ISCAS 2021), Daegu, Korea (5 pages). Lien externe
Amer, M., Abuelnasr, A., Ragab, A., Hassan, A., Ali, M., Gosselin, B., Sawan, M., & Savaria, Y. (mai 2021). Design and analysis of combined input-voltage feedforward and PI controllers for the buck converter [Communication écrite]. 53rd IEEE International Symposium on Circuits and Systems (ISCAS 2021), Daegu, Korea (5 pages). Lien externe
Abubakr, A., Hassan, A., Ragab, A., Yacout, S., Savaria, Y., & Sawan, M. (mai 2018). High-temperature modeling of the I-V characteristics of GaN150 HEMT using machine learning techniques [Communication écrite]. IEEE International Symposium on Circuits and Systems (ISCAS 2018), Florence, Italie (5 pages). Lien externe
Alizadeh, E., Koujok, M. E., Ragab, A., & Amazouz, M. (août 2018). A Data-Driven Causality Analysis Tool for Fault Diagnosis in Industrial Processes [Communication écrite]. 10th IFAC Symposium on Fault Detection, Supervision and Safety for Technical Processes (SAFEPROCESS 2018), Warsaw, Poland. Publié dans IFAC-PapersOnLine, 51(24). Lien externe
Amer, M., Hassan, A., Ragab, A., Yacout, S., Savaria, Y., & Sawan, M. (mai 2018). High-Temperature Empirical Modeling for the I-V Characteristics of GaN150-Based HEMT [Communication écrite]. IEEE International Symposium on Circuits and Systems (ISCAS 2018), Florence, Italy. Lien externe
E
Elhefnawy, M., Ragab, A., & Ouali, M.-S. (2022). Fault classification in the process industry using polygon generation and deep learning. Journal of Intelligent Manufacturing, 33(5), 1531-1544. Lien externe
Elhefnawy, M., Ragab, A., & Ouali, M.-S. (2022). Polygon generation and video-to-video translation for time-series prediction. Journal of Intelligent Manufacturing, 34(1), 261-279. Lien externe
I
Ibrahim, E., Ragab, A., So, T. M. Y., Shokrollahi, M., Dagdougui, H., Navarri, P., Elkamel, A., & Amazouz, M. (2023). Machine learning-assisted selection of adsorption-based carbon dioxide capture materials. Journal of Environmental Chemical Engineering, 11(5), 110732 (25 pages). Lien externe
L
Lejeune, M., Lozin, V., Lozina, I., Ragab, A., & Yacout, S. (2019). Recent advances in the theory and practice of Logical Analysis of Data. European Journal of Operational Research, 275(1), 1-15. Lien externe
M
Murray, B., Coops, N. C., White, J. C., Dick, A., & Ragab, A. (2025). Tree species proportion prediction using airborne laser scanning and Sentinel-2 data within a deep learning based dual-stream data fusion approach. International Journal of Remote Sensing, 1-29. Lien externe
Murray, B. A., Coops, N. C., Winiwarter, L., White, J. C., Dick, A., Barbeito, I., & Ragab, A. (2024). Estimating tree species composition from airborne laser scanning data using point-based deep learning models. ISPRS Journal of Photogrammetry and Remote Sensing, 207, 282-297. Lien externe
N
Nadim, K., Ouali, M.-S., Ghezzaz, H., & Ragab, A. (2023). Learn-to-supervise: Causal reinforcement learning for high-level control in industrial processes. Engineering Applications of Artificial Intelligence, 126, 106853 (29 pages). Lien externe
Nadim, K., Ragab, A., & Ouali, M.-S. (2022). Data-driven dynamic causality analysis of industrial systems using interpretable machine learning and process mining. Journal of Intelligent Manufacturing, 34(1), 57-83. Lien externe
R
Ragab, A., Ghezzaz, H., & Amazouz, M. (2022). Decision fusion for reliable fault classification in energy-intensive process industries. Computers in Industry, 138, 13 pages. Lien externe
Ragab, A., Elhefnawy, M., & Ouali, M.-S. (janvier 2022). Artificial Intelligence-Based Survival Analysis For Industrial Equipment Performance Management [Communication écrite]. 68th Annual Reliability and Maintainability Symposium (RAMS 2022), Tucson, AZ, USA (7 pages). Lien externe
Ragab, A., Yacout, S., Ouali, M.-S., & Osman, H. (2019). Prognostics of multiple failure modes in rotating machinery using a pattern-based classifier and cumulative incidence functions. Journal of Intelligent Manufacturing, 30(1), 255-274. Lien externe
Ragab, A., El Koujok, M., Ghezzaz, H., Amazouz, M., Ouali, M.-S., & Yacout, S. (2019). Deep understanding in industrial processes by complementing human expertise with interpretable patterns of machine learning. Expert Systems With Applications, 122, 388-405. Lien externe
Ragab, A., El-Koujok, M., Poulin, B., Amazouz, M., & Yacout, S. (2018). Fault diagnosis in industrial chemical processes using interpretable patterns based on logical analysis of data. Expert Systems With Applications, 95, 368-383. Lien externe
Ragab, A., El-Koujok, M., Amazouz, M., & Yacout, S. (janvier 2017). Fault detection and diagnosis in the Tennessee Eastman Process using interpretable knowledge discovery [Communication écrite]. 63rd Annual Reliability and Maintainability Symposium (RAMS 2017), Orlando, FL, United states. Lien externe
Ragab, A., Yacout, S., Ouali, M.-S., & Osman, H. (2017). Pattern-based prognostic methodology for condition-based maintenance using selected and weighted survival curves. Quality and Reliability Engineering International, 33(8), 1753-1772. Lien externe
Ragab, A., de Carné de Carnavalet, X., Yacout, S., & Ouali, M.-S. (2017). Face recognition using multi-class Logical Analysis of Data. Pattern Recognition and Image Analysis, 27(2), 276-288. Lien externe
Ragab, A., Yacout, S., & Ouali, M.-S. (janvier 2016). Remaining useful life prognostics using pattern-based machine learning [Communication écrite]. Annual Reliability and Maintainability Symposium (RAMS 2016), Tucson, AZ (7 pages). Lien externe
Ragab, A., Yacout, S., Ouali, M.-S., & Osman, H. (janvier 2015). Multiple failure modes prognostics using logical analysis of data [Communication écrite]. Annual Reliability and Maintainability Symposium (RAMS 2015), Palm Harbor, FL, USA (7 pages). Lien externe
Ragab, A., Yacout, S., & Ouali, M.-S. (janvier 2015). Interpretable pattern-based machine learning for condition-based maintenance [Communication écrite]. 61st Annual Reliability and Maintainability Symposium (RAMS 2015), Palm Harbor, Florida (6 pages). Non disponible
Ragab, A., Ouali, M.-S., Yacout, S., & Osman, H. (2014). Remaining useful life prediction using prognostic methodology based on logical analysis of data and Kaplan-Meier estimation. Journal of Intelligent Manufacturing, 27(5), 943-958. Lien externe
Ragab, A., Ouali, M.-S., Yacout, S., & Osman, H. (mai 2014). Condition-based maintenance prognostics using logical analysis of data [Communication écrite]. IIE Annual Conference and Expo 2014, Montréal, Québec. Non disponible
S
Seely, H., Coops, N. C., White, J. C., Montwé, D., Winiwarter, L., & Ragab, A. (2023). Modelling tree biomass using direct and additive methods with point cloud deep learning in a temperate mixed forest. Science of Remote Sensing, 8, 100110 (17 pages). Disponible
Soualhi, M., El Koujok, M., Nguyen, K. T. P., Medjaher, K., Ragab, A., Ghezzaz, H., Amazouz, M., & Ouali, M.-S. (2021). Adaptive prognostics in a controlled energy conversion process based on long- and short-term predictors. Applied Energy, 283, 116049 (14 pages). Lien externe
Z
Zhang, M., Carné de Carnavalet, X., Wang, L., & Ragab, A. (2019). Large-Scale Empirical Study of Important Features Indicative of Discovered Vulnerabilities to Assess Application Security. IEEE Transactions on Information Forensics and Security, 14(9), 2315-2330. Lien externe