Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План

Save this PDF as:
 WORD  PNG  TXT  JPG

Размер: px
Начинать показ со страницы:

Download "Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV. План"

Транскрипт

1 Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV План 1. Общие понятия о нейронных сетях (определение нейронной сети, шкала MOS) 2. Классификация нейронных сетей (сети прямого распространения, сети обратной связи) 3. Общее представление о нейронных сетях прямого распространения с обратным распространением ошибки (структурная схема многослойного персептрона, основные сигналы, передаваемые по сети) 4. Математическая модель работы сети прямого распространения (структурная схема нейрона сети, общее математическая модель сети прямого распространения) 5. Математическая модель алгоритма обучения обратного распространения ошибки (алгоритм обучения на основании обратного распространения, матрица весовых коэффициентов связи между нейронами) 6. Метод построения системы определения качества восприятия IPTV на основании нейронной сети (субъективное тестирование, подготовка данных для обучения, обучающий алгоритм, проверочная выборка) Контрольные вопросы: 1. Что такое нейронная сеть? 2. Какие существуют виды нейронных сетей? 3. Особенности работы нейронных сетей прямого распространения с обратным распространением ошибки. 4. Основные этапы алгоритма обучения на основании обратного распространения ошибки. 5. Основные этапы метода построения системы определения качества восприятия IPTV на основании нейронной сети Литература 1. Саймон Хайкин Нейронные сети: полный курс, 2-е издание.: Пер. с англ. М.:Издательский дом «Вильямс», с. 2. Курс «Machine Learning»

2 1. Общие понятия о нейронных сетях На данный момент не существует математической модели оценки качества восприятия, которая могла бы использоваться для решения поставленной задачи. Актуальной задачей является разработка новой или адаптация существующей математической модели, которая бы решала задачу оценки качества восприятия в системе IPTV. На сегодняшний день одним из наиболее перспективных направлений является математический аппарат нейронных сетей, который позволяет создавать самообучающуюся систему, которая в процессе обучения находит взаимосвязь между входящими и исходящими данными. Данные системы являются гибкими и масштабируемыми для большого количества входящих параметров. Нейронные сети представляют собой математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей. Поставленную в данной работе задачу определения качества восприятия системы IPTV на основании объективных параметров, влияющих на систему, можно рассматривать как задачу классификации. Это возможно за счет того, что качество восприятия в системе IPTV выражается с помощью 5-бальной шкалы MOS (Mean Opinion Score). Соответственно, задачу классификации можно сформулировать следующим образом: найти соответствие заданного набора величин влияющих на систему IPTV параметров и одного из пяти классов качества восприятия услуги IPTV. Рассмотрим возможность решения данной задачи классификации с помощью математического аппарата нейронных сетей. Нейронные сети используются как важный инструмент для задач классификации. Исследования в области классификации с помощью нейронных сетей показали, что нейронные сети - перспективная альтернатива существующим методам классификации. Преимущество нейронных сетей состоит в следующих теоретических аспектах. Прежде всего, нейронные сети являются само адаптирующимися сетями, которые управляются данными. Поэтому нейронные сети могут перестроить свою работу для соответствия данным без какой-либо информации про описываемую модель. Во-вторых, нейронные сети могут аппроксимировать любую функцию с определенной точностью. В-третьих, нейронные сети являются нелинейными моделями, что

3 позволяет им моделировать процессы окружающей среды с большей гибкостью. Наконец, нейронные сети способны вычислять апостериорную вероятность, что дает возможность устанавливать правила классификации и проводить статистический анализ. 2. Классификация нейронных сетей Основные типы нейронных сетей представлены на рис Рис Классификация нейронных сетей Нейронные сети прямого распространения предусматривают распространение сигнала только в одном направлении от входа к выходу, что показано на рис В архитектуре нейронных сетей прямого распространения отсутствуют петли, т.е. выходные значения какого-либо слоя не влияют на этот слой. Такие сети применяются для ассоциации по определенному правилу входных и выходных параметров и поэтому часто используются для распознавания образов и задач классификации. Рис Архитектура сети прямого распространения

4 Сети прямого распространения подходят для моделирования соотношения между набором входящих параметров и одним или более исходящим параметров. Это значит, что данные сети подходят для проблемы нахождения влияния набора входящих параметров на сходящий результат. Многослойные сети прямого распространения (многослойный персептрон) наиболее часто используемые нейронные сети на практике для подобных задач. При сравнении эффективности использования многослойного персептрона и сетей радиальнобазисных функций для задач классификации в было показано, что при наличии большого количества входящих данных наиболее эффективным является использование многослойного персептрона. При наличии малого количества входящих параметров наиболее эффективны сети радиально-базисных функций. Сети обратного распространения содержат сигналы, которые распространяются как в прямом направлении, так и в обратном, что показано на рис Сети обратного распространения являются мощным инструментом и могут иметь очень большую сложность. Такие сети являются динамичными, их состояние меняется непрерывно до точки равновесия. Далее они остаются в равновесии до изменения входящих данных. После этого необходим поиск нового состояния равновесия. Рис Архитектура сети обратного распространения В качестве примера сетей обратного распространения можно привести сети Хопфилда. Основной целью использования сети Хопфилда является создание сети ассоциативной памяти. Устройство ассоциативной памяти на основании входящих параметров генерирует выходное значение в виде одного из ранее сохраненных образцов, которое наиболее соответствует входящим данным. Обычно сети Хопфилда используются для задач, где входящие параметры являются «зашумленной» версией одного из образцов исходящих

5 параметров и должны быть очищены от шумов. Другим примером сетей обратного распространения являются сети Кохонена. Обучение такой сети производится без учителя. Это значит, что для заданного набора входящих данных не существует заданных исходящих данных. Во время процесса обучения сеть Кохонена производит сегментирование входящих данных по нескольким группам. Таким образом, сеть Кохонена распознает структуру входящих данных. Данный тип сетей может использоваться для анализа большого количества статистических данных для выявления взаимосвязи между заданными на входе параметрами. Таким образом, на основании описания особенностей функционирования различных типов нейронных сетей можно сделать вывод, что задачу классификации наиболее эффективно можно решить с помощью сетей прямого распространения. Особенностью задачи определения качества восприятия, которая сформулирована как задача классификации, является необходимость учета большого числа входящих параметров. Ранее было показано, что качество восприятия системы IPTV зависит от большого числа факторов различной природы. Соответственно, наиболее эффективным будет использования многослойного персептрона для моделирования системы определения качества восприятия в системе IPTV. Далее в работе при упоминании сети прямого распространения мы будем подразумевать многослойный персептрон. 3. Общее представление о нейронных сетях прямого распространения с обратным распространением ошибки. В данном разделе описаны многослойные сети прямого распространения, обучаемые по алгоритму обратного распространения ошибки. Многослойные сети прямого распространения или многослойные персептроны представляют собой совокупность входного слоя, одного или нескольких скрытых слоев и одного выходного слоя нейронов, что показано на рис Показанная на рисунке сеть является полносвязной, что является особенностью многослойного персептрона общего вида.

6 Рис Структурная схема многослойного персептрона Основные признаки многослойного персептрона: 1. Каждый нейрон имеет нелинейную гладкую функцию активации. Наиболее популярной функцией является сигмоидальная функция. 2. Сеть содержит один или несколько слоев скрытых нейронов, который позволяют сети получать наиболее важные признаки объекта из входного вектора. 3. Сеть обладает высокой степенью связности, реализуемой посредством синаптических соединений. Комбинация этих признаков обеспечивает вычислительную мощность этого персептрона, но также являются причиной неполноты современных знаний о поведении таких сетей. Появление алгоритма обратного распространения в 1986 году привело к широкому использованию многослойного персептрона как для задач распознавания, так и для задач классификации. Обучение методом обратного распространения ошибки такой нейронной сети предполагает два прохождения по всем нейронам сети прямой проход (от входного слоя к выходному для получения результирующего выходного сигнала) и обратный проход (от выходного слоя к входному для корректировки весов связей нейронной сети). Веса связи между нейронами настраиваются с целью максимального приближения выходного сигнала сети к желаемому в статистическом смысле. Таким образом, для данного вида обучения можно выделить два типа сигналов, передающихся по нейронной сети: 1) Функциональный сигнал, который передается в прямом направлении. При передаче сигнала в каждом нейроне вычисляется функция активации на основании пришедших к нему сигналов от других нейронов. В

7 результате будут получены значения сигналов для всех нейронов выходного слоя. 2) Сигнал ошибки, распространяемый в обратном направлении. Данный сигнал рассчитывается каждым нейроном с помощью функции ошибки (обычно вычисление градиента поверхности ошибки) на основании значения ошибки, пришедшей с соседнего слоя нейронов. Приведем математическую модель алгоритма прямого распространения и алгоритма обучения с обратным распространением ошибки. 4. Математическая модель работы сети прямого распространения На рис показана структурная схема нейрона сети прямого распространения, где изображены входные сигналы нейрона, весовые коэффициенты связей между нейронами, выходной сигнал нейрона, вычисленный на основании функции активации нейрона. Рис Структурная схема нейрона сети Обобщим полученное выражение для одного нейрона на всю сеть прямого распространения, которая показана на рис : ( ) ( ) ( )

8 5. Математическая модель алгоритма обучения обратного распространения ошибки Пусть задана совокупность вектора входящего и выходящего сигналов из обучающей выборки (x,y). Полученный в результате работы сети значение вектора после обучения сети должен соответствовать экспериментально полученному выходному сигналу y. Если и y, то необходимо производить обучение сети алгоритмом обратного распространения ошибки. Пусть ошибка нейрона l-го слоя, y i значение нейрона выходного сигнала из обучающей выборки. Тогда ( ) ( ) ( ) ( ) Теперь сформулируем алгоритм обучения на основании обратного распространения. 1. Пусть заданы следующие векторы обучающей выборки { ( )} Рассмотрим заданный k эксперимент ( ) 2. Определим все поправочные коэффициенты для весового коэффициента связи между i-м и j-м нейрона l-го слоя: 3. Зададим 4. Используя алгоритм прямого распространения найдем для всех слоев 5. Найдем вектор ошибки для всех слоев с использованием, где N количество слоев в нейронной сети 6. Найдем поправочный коэффициент для каждого весового коэффициента: 7. Действия пунктов 1-6 необходимо повторить для всей обучающей выборки { ( )} 8. Найдем { Данное выражение представляет собой матрицу весовых коэффициентов связей между нейронами после применения алгоритма обратного распространения ошибки. Если полученная ошибка в результате работы алгоритма прямого распространения будет неудовлетворительной, необходимо повторить выполнение алгоритма обратного распространения

9 ошибки для обучающей выборки. 6. Метод построения системы определения качества восприятия IPTV на основании нейронной сети В данном разделе представлен метод построения системы определения качества восприятия IPTVсервиса на основании нейронной сети прямого распространения с обратным распространением ошибок. Для определения параметра качества восприятия перед НС ставится задача классификации качества услуги на основании приходящих извне набора сигналов. Для получения исходных данных для построение системы определения качества восприятия на основании НС, производится субъективное тестирование существующей эксплуатируемой системы IPTV, для которой будет разработана система определения качества восприятия. Субъективное тестирование производится согласно методу MOS. Тестовая выборка для обучения системы должна включать в себя соответствие наборов входящих параметров значению MOS(Mean Opinion Score) от 1 до 5. Если в результате субъективного тестирования были получены дробные значения качества восприятия, их необходимо округлить до ближайшего целого числа. Все результаты субъективного тестирования делятся на две подгруппы: обучающая выборка (80% данных тестирования) и проверочная выборка (20 % данных тестирования). Для всех данных субъективного тестирования производится нормализация параметров для приведения их значений к диапазону [0;1], что позволит упростить выбор начальных весовых коэффициентов, ускорить обучение и найти глобальный минимум функции ошибки. Далее производится разделение всех входящих параметров по группам для корректного выбора архитектуры НС. Далее производится выбор архитектуры НС для реализации системы определения качества восприятия. Согласно рекомендациям, представленным в данной работе, НС будет состоять из четырех слоев: входящий слой, два скрытых слоя, исходящий слой. Входящий слой содержит количество нейронов, соответствующее количеству входящих параметров при проведении субъективного тестирования. Исходящий слой содержит 5 нейронов, что соответствует количеству баллов шкалы MOS. Количество нейронов в каждом из скрытых слоев выбирается согласно

10 модифицированному методу выбора топологии скрытых слоев нейронной сети, представленному в данной работе, который учитывает особенность функции качества восприятия при выборе архитектуры НС. Далее производится присвоение начальных значений весовых коэффициентов НС. Весовые коэффициенты принимают случайные значения в диапазоне [0;1]. Далее производится обучение НС градиентным методом с использованием коэффициента обучения и момента. При обнаружении глобального минимума функции ошибки определения качества восприятия НС считается обученной. Далее производится контроль обучения сети с использованием проверочной выборки. Если стоимость ошибки удовлетворяет первично заданное значение допустимой ошибки стоимости, то принимается решение о внедрении НС в систему IPTV для определения качества восприятия. На рис показана блок-схема, описывающая предложенный метод построения системы определения качества восприятия IPTV на основании нейронной сети прямого распространения с обратным распространением ошибок.

11 Рис Блок-схема метода построения системы определения качества восприятия IPTV

Рис Вид функции Гаусса.

Рис Вид функции Гаусса. Лекция Радиальные нейронные сети Особое семейство составляют нейронные сети с радиальной активационной функцией Radal Base Futo, радиально меняющиеся вокруг некоторого центра, и принимающие отличные от

Подробнее

Нейронные сети. Краткий курс

Нейронные сети. Краткий курс Нейронные сети. Краткий курс Лекция 2 Алгоритм обратного распространения ошибок Многослойные персептроны применяются для решения разнообразного круга задач. Обучение такой нейронной сети часто выполняется

Подробнее

ЛАБОРАТОРНАЯ РАБОТА 3 ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ АЛГОРИТМОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ ДЛЯ ЗАДАННОЙ ВЫБОРКИ. 1. Теоретические сведения

ЛАБОРАТОРНАЯ РАБОТА 3 ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ АЛГОРИТМОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ ДЛЯ ЗАДАННОЙ ВЫБОРКИ. 1. Теоретические сведения 3 тетраместр ЛАБОРАТОРНАЯ РАБОТА 3 ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ АЛГОРИТМОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ ДЛЯ ЗАДАННОЙ ВЫБОРКИ Цель научиться самостоятельно проектировать и настраивать нейронную сеть алгоритмом

Подробнее

Искусственные нейронные сети

Искусственные нейронные сети Искусственные нейронные сети Искусственный нейрон Искусственный нейрон имитирует свойства биологического нейрона. x 1 x 2 w 1 u w Σ f(u) 2 y x n 1 w n w 0 блок суммирования входные сигналы веса функция

Подробнее

Лекция 5. Проблемы практического использования нейросетей

Лекция 5. Проблемы практического использования нейросетей «Интеллектуальные компьютерные технологии обработки социологической информации» Лекция 5. Проблемы практического использования нейросетей Учебные вопросы: 1. Основы функционирования биологических нейронных

Подробнее

Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени

Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени Какими средствами наиболее удобно пользоваться при прогнозировании страховых взносов В.В. Колмыков Мордовский государственный университет имени Н.П.Огарева e-mal: v.v_@b.ru В данной статье мне бы хотелось

Подробнее

Сравнительный анализ алгоритмов обучения искусственной нейронной сети Е.В. Пучков

Сравнительный анализ алгоритмов обучения искусственной нейронной сети Е.В. Пучков Сравнительный анализ алгоритмов обучения искусственной нейронной сети Е.В. Пучков Методы обучения искусственных нейронных сетей (ИНС) разделяют на четыре категории: нулевого порядка, первого порядка, второго

Подробнее

Искусственные нейронные сети: Другие виды активационных функций: - Радиально-базисные ИНС - Стохастическая модель нейрона

Искусственные нейронные сети: Другие виды активационных функций: - Радиально-базисные ИНС - Стохастическая модель нейрона Интеллектуальные информационные системы Д.А. Назаров (ред. Ноябрь 2013) Искусственные нейронные сети: Другие виды активационных функций: - Радиально-базисные ИНС - Стохастическая модель нейрона Осовский

Подробнее

к.т.н. доцент Запорожец О. В., аспирант Овчарова Т. А. Харьковский национальный университет радиоэлектроники E-al: oleg_zaporozhets@rabler.ru ИССЛЕДОВАНИЕ ПОГРЕШНОСТЕЙ НЕЙРОСЕТЕВОЙ МОДЕЛИ НЕЛИНЕЙНОГО ИЗМЕРИТЕЛЬНОГО

Подробнее

Исследование влияния количества слоев нейронов и их количества на поведение ошибки скорость обучения сети

Исследование влияния количества слоев нейронов и их количества на поведение ошибки скорость обучения сети УДК 004.424.4 Исследование влияния количества слоев и их количества на поведение ошибки скорость обучения сети Живых C.Ю., студент кафедра «Система обработки информации и управление» Россия, 105005, г.

Подробнее

Постановка и возможные пути решения задачи обучения нейронных сетей

Постановка и возможные пути решения задачи обучения нейронных сетей Лекция 5 Постановка и возможные пути решения задачи обучения нейронных сетей Частичная задача обучения Пусть у нас есть некоторая нейросеть N. В процессе функционирования эта нейронная сеть формирует выходной

Подробнее

Искусственные нейронные сети

Искусственные нейронные сети Искусственные нейронные сети Искусственный нейрон Искусственный нейрон имитирует свойства биологического нейрона. x 1 x 2 w 1 u w Σ f(u) 2 y x n 1 w n w 0 блок суммирования входные сигналы веса функция

Подробнее

Y = ( )

Y = ( ) А.В. Чижков ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ Технологический институт Южного федерального университета в г. Таганроге e-mail: 4ijkov@rambler.ru Главным свойством искусственных нейронных сетей является

Подробнее

Нейронные сети W 1 Х 1... F(S) Х N

Нейронные сети W 1 Х 1... F(S) Х N Нейронные сети Искусственная нейронная сеть математическая модель, реализуемая программно или аппаратно, построенная по подобию естественных нейронных сетей (сетей нервных клеток живого организма), представляющая

Подробнее

Обучение методом обратного распространения ошибки

Обучение методом обратного распространения ошибки Интеллектуальные информационные системы Д.А. Назаров (ред. Декабрь 2012) Одно- и многослойные нейронные сети, Обучение методом обратного распространения ошибки Осовский С. Нейронные сети для обработки

Подробнее

Библиотека БГУИР УДК 004.[932.75'1+89] Бурый Ярослав, Анатольевич

Библиотека БГУИР УДК 004.[932.75'1+89] Бурый Ярослав, Анатольевич Министерство образования Республики Беларусь Учреждение образования Белорусский государственный университет информатики и радиоэлектроники УДК 004.[932.75'1+89] Бурый Ярослав, Анатольевич Модель распознавания

Подробнее

ЛАБОРАТОРНАЯ РАБОТА 2 МНОГОСЛОЙНЫЕ СИГМОИДАЛЬНЫЕ СЕТИ

ЛАБОРАТОРНАЯ РАБОТА 2 МНОГОСЛОЙНЫЕ СИГМОИДАЛЬНЫЕ СЕТИ ЛАБОРАТОРНАЯ РАБОТА МНОГОСЛОЙНЫЕ СИГМОИДАЛЬНЫЕ СЕТИ Многослойный персептрон В многослойном персептроне нейроны расположены в несколько слоев Нейроны первого слоя получают входные сигналы преобразуют их

Подробнее

Алгоритмы обучения нейронных сетей [M.165]

Алгоритмы обучения нейронных сетей [M.165] Алгоритмы обучения нейронных сетей [M.165] Обучение нейронных сетей как задача оптимизации Процесс обучения нейронной сети заключается в подстройке весов ее нейронов. Целью обучения является поиск состояния

Подробнее

УЧЕТ ВЛИЯНИЯ РЯДА ФАКТОРОВ ПРИ ПРОГНОЗИРОВАНИИ ИНФЛЯЦИОННЫХ ПРОЦЕССОВ НА БАЗЕ НЕЙРОННЫХ СЕТЕЙ

УЧЕТ ВЛИЯНИЯ РЯДА ФАКТОРОВ ПРИ ПРОГНОЗИРОВАНИИ ИНФЛЯЦИОННЫХ ПРОЦЕССОВ НА БАЗЕ НЕЙРОННЫХ СЕТЕЙ 1 УДК 004.9 УЧЕТ ВЛИЯНИЯ РЯДА ФАКТОРОВ ПРИ ПРОГНОЗИРОВАНИИ ИНФЛЯЦИОННЫХ ПРОЦЕССОВ НА БАЗЕ НЕЙРОННЫХ СЕТЕЙ Огородов Александр Павлович ГОУВПО «Мордовский государственный университет им. Н. П. Огарева»,

Подробнее

Нейронные сети. Краткий курс.

Нейронные сети. Краткий курс. Нейронные сети. Краткий курс. Лекция 4 Сети на основе радиальных базисных функций Многослойный персептрон, рассмотренный в предыдущих лекциях выполняет аппроксимацию стохастической функции нескольких переменных

Подробнее

Применение нейронных сетей для решения задач прогнозирования

Применение нейронных сетей для решения задач прогнозирования Электронный научный журнал «ИССЛЕДОВАНО В РОССИИ» 270 http://zhurnalaperelarnru/articles/2006/36pdf Применение нейронных сетей для решения задач прогнозирования Солдатова ОП, Семенов ВВ (vlad-eraser@mailru)

Подробнее

Лекция 5. Тема 3.3 Сети с самоорганизацией на основе конкуренции. Содержание:

Лекция 5. Тема 3.3 Сети с самоорганизацией на основе конкуренции. Содержание: Лекция 5 Тема 3.3 Сети с самоорганизацией на основе конкуренции Содержание: 1. Архитектура сети Кохонена 2. Меры расстояния между векторами и нормализация векторов 1. Архитектура сети Кохонена Под термином

Подробнее

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ УДК 621.31:51 ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ МОДЕЛИРОВАНИЯ НЕЛИНЕЙНЫХ ЗАВИСИМОСТЕЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ Валь П.В., Соловьев Е.С. Научный руководитель профессор Попов

Подробнее

Седухин Д.В., НТУУ «КПИ» Кафедра СП, IV курс

Седухин Д.В., НТУУ «КПИ» Кафедра СП, IV курс Седухин Д.В., НТУУ «КПИ» Кафедра СП, IV курс Сферы применения распознавания символов: 1.Перевод печатного и рукописного текста в формат электронного документа. 2.Выделение и распознавании нечётких или

Подробнее

паратами непосредственно в процессе выполнения этих задач, в результате чего становится возможной обработка заранее не запланированных событий.

паратами непосредственно в процессе выполнения этих задач, в результате чего становится возможной обработка заранее не запланированных событий. паратами непосредственно в процессе выполнения этих задач, в результате чего становится возможной обработка заранее не запланированных событий. Литература 1. Каляев И.А. Модели и алгоритмы коллективного

Подробнее

Белорусский государственный университет

Белорусский государственный университет Белорусский государственный университет МОДЕЛИРОВАНИЕ НЕЙРОННЫХ СЕТЕЙ Учебная программа учреждения высшего образования по учебной дисциплине для специальности: 1-98 01 01 Компьютерная безопасность (по

Подробнее

ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ В МАРКЕТИНГОВЫХ ИССЛ ЕД ОВАНИЯХ Господарчук С. А.

ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ В МАРКЕТИНГОВЫХ ИССЛ ЕД ОВАНИЯХ Господарчук С. А. ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ В МАРКЕТИНГОВЫХ ИССЛ ЕД ОВАНИЯХ Господарчук С. А. Основной задачей любого маркетингового исследования является получение некоторой информации об объекте исследования. Среди

Подробнее

Нейронный сети. Кольцов С.Н

Нейронный сети. Кольцов С.Н Нейронный сети Кольцов С.Н Биологические основы нейронных сетей Мозг представляет собой огромную сеть, где каждым узлом является нервная клетка (нейрон). В мозгу человека от 5 до 20 млрд. нейронов. Передача

Подробнее

УДК РАЗРАБОТКА ОБЪЕКТНО-ОРИЕНТИРОВАННОЙ МОДЕЛИ ЭМУЛЯТОРА НЕЙРОННОЙ СЕТИ С ВРЕМЕННОЙ ЗАДЕРЖКОЙ СИГНАЛА

УДК РАЗРАБОТКА ОБЪЕКТНО-ОРИЕНТИРОВАННОЙ МОДЕЛИ ЭМУЛЯТОРА НЕЙРОННОЙ СЕТИ С ВРЕМЕННОЙ ЗАДЕРЖКОЙ СИГНАЛА УДК 004.522 РАЗРАБОТКА ОБЪЕКТНО-ОРИЕНТИРОВАННОЙ МОДЕЛИ ЭМУЛЯТОРА НЕЙРОННОЙ СЕТИ С ВРЕМЕННОЙ ЗАДЕРЖКОЙ СИГНАЛА Гусак Е.А., Бондаренко И.Ю. Донецкий национальный технический университет Кафедра прикладной

Подробнее

ИССЛЕДОВАНИЕ АЛГОРИТМА ОБУЧЕНИЯ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ В СИСТЕМЕ РАСПОЗНАВАНИЯ ЧЕЛОВЕЧЕСКИХ ЛИЦ

ИССЛЕДОВАНИЕ АЛГОРИТМА ОБУЧЕНИЯ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ В СИСТЕМЕ РАСПОЗНАВАНИЯ ЧЕЛОВЕЧЕСКИХ ЛИЦ 300 «Информатика и компьютерные технологии-2012» УДК 00.931 ИССЛЕДОВАНИЕ АЛГОРИТМА ОБУЧЕНИЯ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ В СИСТЕМЕ РАСПОЗНАВАНИЯ ЧЕЛОВЕЧЕСКИХ ЛИЦ Умяров Н.Х., Костецкая Г.Ю., Федяев О.И. Донецкий

Подробнее

Управление, вычислительная техника и информатика

Управление, вычислительная техника и информатика Управление, вычислительная техника и информатика УДК 004.032.26:612.825 ОДНОРОДНАЯ МНОГОСЛОЙНАЯ НЕЙРОННАЯ СЕТЬ ПРЯМОГО РАСПРОСТРАНЕНИЯ С ЛОКАЛЬНЫМИ СВЯЗЯМИ С УСЛОВНО-РЕФЛЕКТОРНЫМ МЕХАНИЗМОМ ОБУЧЕНИЯ НА

Подробнее

Применение нейронных сетей для кластеризации данных

Применение нейронных сетей для кластеризации данных Кукса П.П., Шмаков В.В., Панюшкин М.А. Московский Государственный Технический Университет им. Н.Э. Баумана E-mail: kouxa@online.ru WWW: http://www.geocities.com/pkouxa Применение нейронных сетей для кластеризации

Подробнее

НЕЙРОСЕТЕВАЯ ОБРАБОТКА РАДИОЛОКАЦИОННОЙ ИНФОРМАЦИИ. Татузов А.Л. 3 ЦНИИ МО

НЕЙРОСЕТЕВАЯ ОБРАБОТКА РАДИОЛОКАЦИОННОЙ ИНФОРМАЦИИ. Татузов А.Л. 3 ЦНИИ МО НЕЙРОСЕТЕВАЯ ОБРАБОТКА РАДИОЛОКАЦИОННОЙ ИНФОРМАЦИИ Татузов А.Л. 3 ЦНИИ МО Рассмотрены варианты использования нейросетевых методов для решения задач обработки радиолокационной информации, что позволяет

Подробнее

ДОКЛАДЫ БГУИР (68) АДАПТАЦИЯ ТОПОЛОГИЙ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРИМЕНЕНИЯ CUDA-ТЕХНОЛОГИИ О.С. ХИЛЬКО, С.П. КУНДАС, В.И.

ДОКЛАДЫ БГУИР (68) АДАПТАЦИЯ ТОПОЛОГИЙ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРИМЕНЕНИЯ CUDA-ТЕХНОЛОГИИ О.С. ХИЛЬКО, С.П. КУНДАС, В.И. ДОКЛАДЫ БГУИР 6 (68) УДК 4836 АДАПТАЦИЯ ТОПОЛОГИЙ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРИМЕНЕНИЯ CUDA-ТЕХНОЛОГИИ ОС ХИЛЬКО, СП КУНДАС, ВИ КОВАЛЕНКО Международный государственный экологический университет

Подробнее

АЛГОРИТМ РЕШЕНИЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ РАСХОДА ЭЛЕКТРОЭНЕРГИИ В ТРУБОПРОВОДНОМ ТРАНСПОРТЕ НЕФТИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

АЛГОРИТМ РЕШЕНИЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ РАСХОДА ЭЛЕКТРОЭНЕРГИИ В ТРУБОПРОВОДНОМ ТРАНСПОРТЕ НЕФТИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ УДК 622.692 АЛГОРИТМ РЕШЕНИЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ РАСХОДА ЭЛЕКТРОЭНЕРГИИ В ТРУБОПРОВОДНОМ ТРАНСПОРТЕ НЕФТИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ Шаммазов А.М., Козачук Б.А. Уфимский государственный нефтяной

Подробнее

Введение в нейронные сети

Введение в нейронные сети œâapple È ÌÂÁ ËÒËÏ È ÊÛappleÌ Î Ó ÚappleÂÈ ËÌ Â Ì appleûòòíóï ˇÁ Í Введение в нейронные сети œ ÂÎ œ ÌÙËÎÓ nscalp@mail.ru В прессе про нейросети говорят, как правило, общими фразами и часто в восторженных

Подробнее

ОТБОР ПОЛЕЗНЫХ ПРИЗНАКОВ В ЗАДАЧЕ КЛАСТЕРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ НА БАЗЕ КАРТЫ КОХОНЕНА

ОТБОР ПОЛЕЗНЫХ ПРИЗНАКОВ В ЗАДАЧЕ КЛАСТЕРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ НА БАЗЕ КАРТЫ КОХОНЕНА ОТБОР ПОЛЕЗНЫХ ПРИЗНАКОВ В ЗАДАЧЕ КЛАСТЕРИЗАЦИИ МНОГОМЕРНЫХ ДАННЫХ НА БАЗЕ КАРТЫ КОХОНЕНА A. Pcholkin Computer Science Department University of Latvia I9 Raina Blvd., Riga LV-1586, LATVIA Phone: +371 7228611

Подробнее

ПРЕДОБРАБОТКА ДАННЫХ ДЛЯ АНАЛИЗА РЫНКА ЦЕННЫХ БУМАГ С ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ

ПРЕДОБРАБОТКА ДАННЫХ ДЛЯ АНАЛИЗА РЫНКА ЦЕННЫХ БУМАГ С ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ ПРЕДОБРАБОТКА ДАННЫХ ДЛЯ АНАЛИЗА РЫНКА ЦЕННЫХ БУМАГ С ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ Чуклин В.В., группа ИУС-06м Руководитель доц. Телятников А.О. Введение Важным этапом в решении задачи нейросетевого прогнозирования

Подробнее

Логашенко И.Б. Современные методы обработки экспериментальных данных. Применение нейронных сетей для анализа экспериментальных данных

Логашенко И.Б. Современные методы обработки экспериментальных данных. Применение нейронных сетей для анализа экспериментальных данных Применение нейронных сетей для анализа экспериментальных данных Математическая модель нейрона Разработано несколько моделей нейронов, применяемых для конструирования сетей различного типа. Наиболее распространненой

Подробнее

ПРОГНОЗИРОВАНИЕ ВАЛЮТНОГО КУРСА EUR/USD С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ А. В. Абрамов

ПРОГНОЗИРОВАНИЕ ВАЛЮТНОГО КУРСА EUR/USD С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ А. В. Абрамов УДК 004.8 ПРОГНОЗИРОВАНИЕ ВАЛЮТНОГО КУРСА EUR/USD С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ 2012 А. В. Абрамов аспирант каф. программного обеспечения и администрирования информационных систем e-mal: Abramov.saracn@yandex.ru

Подробнее

V. S. Tormozov FEEDFORWARD NEURAL NETWORK OPTIMIZATION BY GENETIC ALGORITHM FOR THE AVERAGE DAILY AIR TEMPERATURE FORECASTING TASK

V. S. Tormozov FEEDFORWARD NEURAL NETWORK OPTIMIZATION BY GENETIC ALGORITHM FOR THE AVERAGE DAILY AIR TEMPERATURE FORECASTING TASK ISSN 2079-8490 Электронное научное издание «Ученые заметки ТОГУ» 2016, Том 7, 4, С. 87 92 Свидетельство Эл ФС 77-39676 от 05.05.2010 http://pnu.edu.ru/ru/ejournal/about/ ejournal@pnu.edu.ru УДК 684.511

Подробнее

Рекуррентные сети как ассоциативные запоминающие устройства

Рекуррентные сети как ассоциативные запоминающие устройства Интеллектуальные информационные системы Д.А. Назаров (ред. Январь 2013) Искусственные нейронные сети: Рекуррентные сети как ассоциативные запоминающие устройства Сети с самоорганизацией на основе конкуренции

Подробнее

Реализация программного модуля распознавания изображений на основе самоорганизующихся карт Кохонена средствами системы matlab

Реализация программного модуля распознавания изображений на основе самоорганизующихся карт Кохонена средствами системы matlab Реализация программного модуля распознавания изображений на основе самоорганизующихся карт Кохонена средствами системы matlab Студент Кафедра «Системы автоматического управления»: К.В. Парфентьев Научный

Подробнее

НЕЙРОСЕТЕВЫЕ И НЕПАРАМЕТРИЧЕСКИЕ СТАТИСТИЧЕСКИЕ АЛГОРИТМЫ В ЗАДАЧЕ ОБНАРУЖЕНИЯ СИГНАЛОВ

НЕЙРОСЕТЕВЫЕ И НЕПАРАМЕТРИЧЕСКИЕ СТАТИСТИЧЕСКИЕ АЛГОРИТМЫ В ЗАДАЧЕ ОБНАРУЖЕНИЯ СИГНАЛОВ НЕЙРОСЕТЕВЫЕ И НЕПАРАМЕТРИЧЕСКИЕ СТАТИСТИЧЕСКИЕ АЛГОРИТМЫ В ЗАДАЧЕ ОБНАРУЖЕНИЯ СИГНАЛОВ 2006 А. Е. Прасолова старший преподаватель кафедры программного обеспечения и администрирования информационных систем

Подробнее

НЕЙРО-НЕЧЁТКАЯ АДАПТИВНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ ИННОВАЦИОННОГО РЕШЕНИЯ

НЕЙРО-НЕЧЁТКАЯ АДАПТИВНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ ИННОВАЦИОННОГО РЕШЕНИЯ 100 Олег Викторович Рогозин, доцент кафедры «Программное обеспечение ЭВМ и информационные технологии» МГТУ им. Н.Э. Баумана, кандидат технических наук НЕЙРО-НЕЧЁТКАЯ АДАПТИВНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ

Подробнее

Алгоритм обратного распространения ошибки [M.166]

Алгоритм обратного распространения ошибки [M.166] Алгоритм обратного [M66] Алгоритм обратного (error bacpropagaton, BacProp) представляет собой градиентный алгоритм обучения многослойного персептрона, основанный на минимизации среднеквадратической ошибки

Подробнее

НЕЙРОСЕТЕВОЕ УПРАВЛЕНИЕ В ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ КОММЕРЧЕСКИХ ОРГАНИЗАЦИЙ

НЕЙРОСЕТЕВОЕ УПРАВЛЕНИЕ В ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ КОММЕРЧЕСКИХ ОРГАНИЗАЦИЙ НЕЙРОСЕТЕВОЕ УПРАВЛЕНИЕ В ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ КОММЕРЧЕСКИХ ОРГАНИЗАЦИЙ Сараев ПВ (Липецкий государственный технический университет Липецк) psaraev@lipetskru Введение Экономические системы являются

Подробнее

2 Обучение нейронных сетей. Алгоритм обратного распространения ошибки. Градиентные методы. Методы глобальной оптимизации. Генетические алгороитмы.

2 Обучение нейронных сетей. Алгоритм обратного распространения ошибки. Градиентные методы. Методы глобальной оптимизации. Генетические алгороитмы. Искусственные нейронные сети Содержание разделов дисциплины: Наименование раздела п/п дисциплины 1 Введение. Физические и математические модели нейронов. Классификация ИНС и их свойства. 2 Обучение нейронных

Подробнее

УДК ПРИМЕНЕНИЕ МНОГОСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ В ПРОГНОЗИРОВАНИИ БИЗНЕС ПРОЦЕССОВ НА ПРИМЕРЕ ОБЪЁМОВ ПРОДАЖ ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ

УДК ПРИМЕНЕНИЕ МНОГОСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ В ПРОГНОЗИРОВАНИИ БИЗНЕС ПРОЦЕССОВ НА ПРИМЕРЕ ОБЪЁМОВ ПРОДАЖ ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ 1 УДК 338.24 ПРИМЕНЕНИЕ МНОГОСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ В ПРОГНОЗИРОВАНИИ БИЗНЕС ПРОЦЕССОВ НА ПРИМЕРЕ ОБЪЁМОВ ПРОДАЖ ПРОМЫШЛЕННОГО ПРЕДПРИЯТИЯ А.А. Ильин, В.А. Цветков Костромской государственный технологический

Подробнее

НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В ЗАДАЧАХ

НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В ЗАДАЧАХ НЕЙРОСЕТЕВЫЕ ТЕХНОЛОГИИ В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ САРКИСЯН С.Г, ОВАКИМЯН А.С, ХАРАТЯН А.А. АРМЕНИЯ, ЕРЕВАНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ Аннотация. Часто при решении экономических задач по прогнозированию

Подробнее

2. Распознавание графических паттернов на основе применения нейронной сети обратного распространения

2. Распознавание графических паттернов на основе применения нейронной сети обратного распространения Transport and Telecommunication Vol.3, N 4, 22 НЕЙРОННЫЕ СЕТИ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ДЛЯ ЗАДАЧИ РАСПОЗНАВАНИЯ ПАТТЕРНОВ И.В.Терентьев, Г.Л.Гончаров Институт Транспорта и Связи Ломоносова, Рига, LV-9,

Подробнее

Экспертная система on-line на основе нейро-нечеткой парадигмы

Экспертная система on-line на основе нейро-нечеткой парадигмы УДК 68.3 НЕЙРОСЕТЕВАЯ СИСТЕМА КАК МЕТОД РЕШЕНИЯ ЗАДАЧИ ИДЕНТИФИКАЦИИ СОСТОЯНИЯ СЛОЖНОГО ТЕХНИЧЕСКОГО ОБЪЕКТА Н.Ю. Ященко Е.М. Будкина В настоящей работе обсуждаются нейро-нечеткие методы для построения

Подробнее

КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ

КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ УДК 004.8 Пальмов С.В., к.т.н., доцент кафедры ИСТ ПГУТИ Ланцов В.А., студент 4 курса ПГУТИ Российская Федерация, г. Самара КЛАССИФИКАЦИЯ И СПОСОБЫ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ Аннотация: В статье рассматриваются

Подробнее

Раздел 7. Искусственные нейронные сети

Раздел 7. Искусственные нейронные сети Раздел 7. Искусственные нейронные сети 7.. Введение Известно, что способ обработки информации человеческим мозгом в корне отличается от методов, применяемых обычными числовыми компьютерами. Мозг представляет

Подробнее

Нейронные сети. Краткий курс

Нейронные сети. Краткий курс Нейронные сети Краткий курс Лекция 7 Модели на основе теории информации Рассмотрим информационно теоретические модели, которые приводят к самоорганизации В этих моделях синаптические связи многослойной

Подробнее

Семинары по нейронным сетям

Семинары по нейронным сетям Семинары по нейронным сетям Евгений Соколов sokolov.evg@gmail.com 29 апреля 2015 г. 1 Искусственные нейронные сети Искусственная нейронная сеть это общее название для целого класса моделей. Как правило,

Подробнее

Сверточная нейронная сеть для разработки системы распознавания и классификации изображений

Сверточная нейронная сеть для разработки системы распознавания и классификации изображений # 07, июль 2017 УДК 004.032.26 Сверточная нейронная сеть для разработки системы распознавания и классификации изображений Гузий Е.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Компьютерные

Подробнее

ОБ ЭВОЛЮЦИОННОМ АЛГОРИТМЕ ФОРМИРОВАНИЯ НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПОДАВЛЕНИЯ

ОБ ЭВОЛЮЦИОННОМ АЛГОРИТМЕ ФОРМИРОВАНИЯ НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПОДАВЛЕНИЯ УДК 004.8;004.032.26 ОБ ЭВОЛЮЦИОННОМ АЛГОРИТМЕ ФОРМИРОВАНИЯ НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПОДАВЛЕНИЯ И.С. Лыткин (lytkinis@yandex.ru) Сибирский государственный аэрокосмический университет имени академика М.Ф. Решетнёва,

Подробнее

Рис 1. Схема сортировочной горки Батайск-Южный

Рис 1. Схема сортировочной горки Батайск-Южный УДК 004.94 Применение нейроэмулятора NeuroNADS для определения ступени и времени торможения при управлении горочными замедлителями Е.В. Пучков РГСУ, Ростов-на-Дону В настоящее время большую роль в управлении

Подробнее

Санкт-Петербургский государственный политехнический университет. Институт Прикладной математики и механики Кафедра Теоретической механики

Санкт-Петербургский государственный политехнический университет. Институт Прикладной математики и механики Кафедра Теоретической механики Санкт-Петербургский государственный политехнический университет Институт Прикладной математики и механики Кафедра Теоретической механики П. А. Поцелуев РЕАЛИЗАЦИЯ ИГРОВОГО ИИ ДЛЯ АЭРОХОККЕЯ С ПОМОЩЬЮ НЕЙРОННЫХ

Подробнее

Обучение нейронных сетей [M.164]

Обучение нейронных сетей [M.164] Обучение нейронных сетей [M.164] В процессе работы нейронная сеть реализует некоторое преобразование данных, которое в общем виде может быть описано функцией многих переменных Y = f ( X), где = x x,...,

Подробнее

УДК Т.В. Филатова ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АППРОКСИМАЦИИ ДАННЫХ

УДК Т.В. Филатова ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АППРОКСИМАЦИИ ДАННЫХ УДК 59.95 Т.В. Филатова ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АППРОКСИМАЦИИ ДАННЫХ Рассматривается применение искусственных нейронных сетей для решения задачи аппроксимации данных и сопоставление результатов

Подробнее

ПРОГНОЗИРОВАНИЕ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ НА ПРИМЕРЕ ВАЛОВОГО ВНУТРЕННЕГО ПРОДУКТА

ПРОГНОЗИРОВАНИЕ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ НА ПРИМЕРЕ ВАЛОВОГО ВНУТРЕННЕГО ПРОДУКТА ПРОГНОЗИРОВАНИЕ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ НА ПРИМЕРЕ ВАЛОВОГО ВНУТРЕННЕГО ПРОДУКТА Болкуневич К.В., группа ИУС-06м Руководитель доц. Светличная В.А. Важнейшей целью становления рыночных отношений в Украине,

Подробнее

Цель работы: исследовать устойчивость сети Хопфилда и её сходимость к аттракторам, применение сети Хопфилда для распознавания образов.

Цель работы: исследовать устойчивость сети Хопфилда и её сходимость к аттракторам, применение сети Хопфилда для распознавания образов. Лабораторная работа ИССЛЕДОВАНИЕ СЕТИ ХОПФИЛДА Цель работы: исследовать устойчивость сети Хопфилда и её сходимость к аттракторам, применение сети Хопфилда для распознавания образов.. Краткие теоретические

Подробнее

РЕАЛИЗАЦИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ НА БАЗЕ НЕЙРОСЕТЕВОГО ПОДХОДА ДЛЯ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ

РЕАЛИЗАЦИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ НА БАЗЕ НЕЙРОСЕТЕВОГО ПОДХОДА ДЛЯ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ Информатика и системы управления 85 УДК 004.8 П.А. Шагалова РЕАЛИЗАЦИЯ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ НА БАЗЕ НЕЙРОСЕТЕВОГО ПОДХОДА ДЛЯ АНАЛИЗА ВРЕМЕННЫХ РЯДОВ Нижегородский государственный технический

Подробнее

Московский государственный университет путей сообщения (МИИТ) Кафедра «Автоматизированные системы управления» А.В. КУТЫРКИН

Московский государственный университет путей сообщения (МИИТ) Кафедра «Автоматизированные системы управления» А.В. КУТЫРКИН Московский государственный университет путей сообщения (МИИТ) Кафедра «Автоматизированные системы управления» А.В. КУТЫРКИН РАСПОЗНАВАНИЕ ОПТИЧЕСКИХ ОБРАЗОВ (СИМВОЛОВ) С ПОМОЩЬЮ ОДНОСЛОЙНОГО ПЕРСЕПТРОНА

Подробнее

Рис.1. Модель нейронной сети

Рис.1. Модель нейронной сети РАСПОЗНАВАНИЕ РУКОПИСНЫХ БУКВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ Кулакова О.А., Воронова Л.И. Московский Технический Университет Связи и Информатики Москва, Россия HANDWRITTEN LETTERS RECOGNITION USING NEURAL NETWORK

Подробнее

Жилина Елена Викторовна Васюта Сергей Димитрович Ганжа Андрей Евгеньевич Ростовский государственный экономический университет (РИНХ) ПРИМЕНЕНИЕ

Жилина Елена Викторовна Васюта Сергей Димитрович Ганжа Андрей Евгеньевич Ростовский государственный экономический университет (РИНХ) ПРИМЕНЕНИЕ Жилина Елена Викторовна Васюта Сергей Димитрович Ганжа Андрей Евгеньевич Ростовский государственный экономический университет (РИНХ) ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В СИСТЕМАХ ОБНАРУЖЕНИЯ АТАК На сегодняшний

Подробнее

Программа учебного курса НЕЙРОКОМПЬЮТЕРЫ И РАСПОЗНАВАНИЕ ОБЪЕКТОВ

Программа учебного курса НЕЙРОКОМПЬЮТЕРЫ И РАСПОЗНАВАНИЕ ОБЪЕКТОВ Программа учебного курса НЕЙРОКОМПЬЮТЕРЫ И РАСПОЗНАВАНИЕ ОБЪЕКТОВ I. Организационно-методический раздел. Курс реализуется в рамках специальности 220400 «Программное обеспечение вычислительной техники и

Подробнее

A.V. Degtyarev, PhD O.V. Zaporozhets, PhD Т.А. Ovcharova

A.V. Degtyarev, PhD O.V. Zaporozhets, PhD Т.А. Ovcharova УДК 59.7 А.В. Дегтярев, канд. тех. наук О.В. Запорожец, канд. техн. наук Т.А. Овчарова ИДЕНТИФИКАЦИЯ НЕЛИНЕЙНОЙ ФУНКЦИИ ПРЕОБРАЗОВАНИЯ С ПОМОЩЬЮ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ Предложен метод идентификации

Подробнее

Система распознавания семиографических песнопений

Система распознавания семиографических песнопений Выломова ЕА, студентка группы ИУ5-8 Система распознавания семиографических песнопений Одной из важных и в высшей степени интересных задач в изучении музыкальной культуры древней Руси является раскрытие

Подробнее

* ** *** ****

*  **  ***  **** Электронный журнал «Труды МАИ». Выпуск 70 www.mai.ru/science/trudy/ УДК 004.89 Нейросетевая реализация автоматического управления безопасной посадкой беспилотного летательного аппарата Кузин А.В 1 *.,

Подробнее

Кафедра теоретических основ радиотехники и связи

Кафедра теоретических основ радиотехники и связи ФЕДЕРАЛЬНОЕ АГЕНТСТВО СВЯЗИ Государственное образовательное учреждение высшего профессионального образования «Поволжский Государственный Университет Телекоммуникации и Информатики» Кафедра теоретических

Подробнее

КЛАСТЕРИЗАЦИЯ И РЕЙТИНГОВАНИЕ БАНКОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ КОХОНЕНА В СРЕДЕ MS EXCEL

КЛАСТЕРИЗАЦИЯ И РЕЙТИНГОВАНИЕ БАНКОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ КОХОНЕНА В СРЕДЕ MS EXCEL КЛАСТЕРИЗАЦИЯ И РЕЙТИНГОВАНИЕ БАНКОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ КОХОНЕНА В СРЕДЕ MS EXCEL Аникин Валерий Иванович д.т.н., профессор кафедры «Информационный и электронный сервис», Поволжский Государственный

Подробнее

Формирование обучающей выборки при использовании искусственных нейронных сетей в задачах поиска ошибок баз данных В.В. Галушка, В.А.

Формирование обучающей выборки при использовании искусственных нейронных сетей в задачах поиска ошибок баз данных В.В. Галушка, В.А. Формирование обучающей выборки при использовании искусственных нейронных сетей в задачах поиска ошибок баз данных В.В. Галушка, В.А. Фатхи Неотъемлемой частью современных информационных систем являются

Подробнее

Методика весовых расчетов узлов и агрегатов самолета с применением искусственной нейронной сети

Методика весовых расчетов узлов и агрегатов самолета с применением искусственной нейронной сети Электронный журнал «Труды МАИ». Выпуск 46 www.ai.ru/science/trudy/ УДК: 629.7.022 Методика весовых расчетов узлов и агрегатов самолета с применением искусственной нейронной сети О.В. Абашев Аннотация Проведение

Подробнее

ВЫБОР МИНИМАЛЬНОЙ КОНФИГУРАЦИИ НЕЙРОННЫХ СЕТЕЙ

ВЫБОР МИНИМАЛЬНОЙ КОНФИГУРАЦИИ НЕЙРОННЫХ СЕТЕЙ Вычислительные технологии Том 6, 1, 2001 ВЫБОР МИНИМАЛЬНОЙ КОНФИГУРАЦИИ НЕЙРОННЫХ СЕТЕЙ Н.А. Игнатьев Национальный университет Узбекистана, Ташкент e-mail: tin000@tashsu.silk.org A method for the selection

Подробнее

Майнор Нейросетевые технологии Рабочая программа дисциплины Теория нейронных сетей

Майнор Нейросетевые технологии Рабочая программа дисциплины Теория нейронных сетей Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Национальный исследовательский университет "Высшая школа экономики" Факультет компьютерных наук

Подробнее

Искусственный нейрон [M.161]

Искусственный нейрон [M.161] M.6 Искусственный нейрон Искусственный нейрон [M.6] Ключевую роль в понимании принципов функционирования нейронных сетей играет знание того, как работает искусственный нейрон. В основе его действия лежат

Подробнее

Лекция 1 Тема 1.1 Классификация нейронных сетей и их свойства

Лекция 1 Тема 1.1 Классификация нейронных сетей и их свойства Лекция 1 Тема 1.1 Классификация нейронных сетей и их свойства Содержание: 1. Понятие искусственных нейронных сетей. 2. Математическая модель нейронной сети. 1. Понятие искусственных нейронных сетей. Искусственные

Подробнее

Архитектуры искусственных нейронных сетей. Курс «Нейроинтеллектуальные системы», ФНБИК МФТИ, 2013

Архитектуры искусственных нейронных сетей. Курс «Нейроинтеллектуальные системы», ФНБИК МФТИ, 2013 Архитектуры искусственных нейронных сетей Курс «Нейроинтеллектуальные системы», ФНБИК МФТИ, 2013 Содержание лекции Модели нейрона Виды активационных функций (пороговая, линейная, сигмоидальная). Линейная

Подробнее

Применение нейронных сетей для прогнозирования финансовых рядов

Применение нейронных сетей для прогнозирования финансовых рядов Применение нейронных сетей для прогнозирования финансовых рядов Розум Михаил Владимирович, студент каф. ЭМИС, ФГБОУ ТУСУР Научный руководитель: Боровской И.Г., д.ф.-м.н., профессор, зав. каф. ЭМИС Анализ

Подробнее

Оценка рисков инновационных проектов

Оценка рисков инновационных проектов Давтян Д.К., магистрант программы «Финансовый менеджмент» Оценка рисков инновационных проектов Проблемы проектного риск-менеджмента все чаще привлекают отечественных предпринимателей. Они, как и их западные

Подробнее

В.А. КРИСИЛОВ, А.В. КОНДРАТЮК Одесский национальный политехнический университет Институт компьютерных систем

В.А. КРИСИЛОВ, А.В. КОНДРАТЮК Одесский национальный политехнический университет Институт компьютерных систем В.А. КРИСИЛОВ, А.В. КОНДРАТЮК Одесский национальный политехнический университет Институт компьютерных систем victork@ol45.paco.net, alkond@ukr.net ПРЕОБРАЗОВАНИЕ ВХОДНЫХ ДАННЫХ НЕЙРОСЕТИ С ЦЕЛЬЮ УЛУЧШЕНИЯ

Подробнее

Программа дисциплины

Программа дисциплины Программа дисциплины "Нейронные сети и их приложения"; 34.6 Информационные системы и технологии; Гатауллин Р.Р., МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное автономное

Подробнее

АЛГОРИТМ ОБУЧЕНИЯ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА НА ОТРИЦАТЕЛЬНЫХ ПРИМЕРАХ

АЛГОРИТМ ОБУЧЕНИЯ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА НА ОТРИЦАТЕЛЬНЫХ ПРИМЕРАХ СБОРНИК НАУЧНЫХ ТРУДОВ НГТУ. - 2005. -. с. УДК 681.3 АЛГОРИТМ ОБУЧЕНИЯ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА НА ОТРИЦАТЕЛЬНЫХ ПРИМЕРАХ А.В.ГАВРИЛОВ, А.А. ЯКОВЕНКО В данной работе предлагается алгоритм обучения персептрона

Подробнее

По мере возрастания зависимости

По мере возрастания зависимости В. Н. Бугорский, А. Г. Сергиенко Использование нейронных сетей для моделирования прогноза котировок ценных бумаг В современных условиях становления российского рынка ценных бумаг особую значимость приобретают

Подробнее

Программа дисциплины

Программа дисциплины МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное автономное учреждение высшего профессионального образования "Казанский (Приволжский) федеральный университет" Институт

Подробнее

СОВЕРШЕНСТВОВАНИЕ УПРАВЛЕНИЯ ДВИГАТЕЛЯМИ ВНУТРЕННЕГО СГОРАНИЯ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ

СОВЕРШЕНСТВОВАНИЕ УПРАВЛЕНИЯ ДВИГАТЕЛЯМИ ВНУТРЕННЕГО СГОРАНИЯ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ СОВЕРШЕНСТВОВАНИЕ УПРАВЛЕНИЯ ДВИГАТЕЛЯМИ ВНУТРЕННЕГО СГОРАНИЯ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ НЕЧЕТКИХ НЕЙРОННЫХ СЕТЕЙ Осетров А.Д. (Старооскольский технологический институт (филиал государственного образовательного

Подробнее

ПРИНЦИП РАБОТЫ МОДУЛЯ НЕЧЕТКО-НЕЙРОННОГО УПРАВЛЕНИЯ НА ОСНОВЕ АЛГОРИТМА ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ

ПРИНЦИП РАБОТЫ МОДУЛЯ НЕЧЕТКО-НЕЙРОННОГО УПРАВЛЕНИЯ НА ОСНОВЕ АЛГОРИТМА ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ УДК 004.8.03.6 ПРИНЦИП РАБОТЫ МОДУЛЯ НЕЧЕТКО-НЕЙРОННОГО УПРАВЛЕНИЯ НА ОСНОВЕ АЛГОРИТМА ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ Жантасова Б.Т., otasha_zhan@al.ru Костанайский государственный университет им. А.Байтурсынова,

Подробнее

ИССЛЕДОВАНИЕ МЕТОДОВ ГЛОБАЛЬНОГО ПОИСКА ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ

ИССЛЕДОВАНИЕ МЕТОДОВ ГЛОБАЛЬНОГО ПОИСКА ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ УДК.8.8 АСАУ 7(7) А.И. Михалев, Д.А. Демченко ИССЛЕДОВАНИЕ МЕТОДОВ ГЛОБАЛЬНОГО ПОИСКА ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ Введение Известны стратегии и методы поиска оптимальных весовых параметров искусственных нейронных

Подробнее

Авторы: профессор кафедры алгебры и дискретной математики доктор физ.-мат. наук В.Ю. Попов

Авторы: профессор кафедры алгебры и дискретной математики доктор физ.-мат. наук В.Ю. Попов ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ Государственное образовательное учреждение высшего профессионального образования «Уральский государственный университет им. А.М. Горького» ИОНЦ «Информационная безопасность»

Подробнее

Искусственные нейронные сети

Искусственные нейронные сети Искусственные нейронные сети К. В. Воронцов vokov@forecsys.ru Этот курс доступен на странице вики-ресурса http://www.machinelearning.ru/wiki «Машинное обучение (курс лекций, К.В.Воронцов)» 6 мая 2010 Содержание

Подробнее

ПРОГНОЗИРОВАНИЕ СПОРТИВНЫХ РЕЗУЛЬТАТОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

ПРОГНОЗИРОВАНИЕ СПОРТИВНЫХ РЕЗУЛЬТАТОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ УДК 004.032.26 1 А. К. Крутиков, В. Л. Клюкин ПРОГНОЗИРОВАНИЕ СПОРТИВНЫХ РЕЗУЛЬТАТОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ В статье рассмотрены основные подходы к прогнозированию спортивных результатов с помощью нейронных

Подробнее

1.Введение в теорию нейронных сетей

1.Введение в теорию нейронных сетей ИССЛЕДОВАНИЕ МАТЕМАТИЧЕСКОГО ПОДХОДА ДЛЯ АНАЛИЗА МНОГОМЕРНЫХ ДИНАМИЧЕСКИХ ПРОЦЕССОВ Пешкова Е.А. Национальный Исследовательский Томский Политехнический Университет Томск, Россия STUDY MATHEMATICAL APPROACH

Подробнее

Нейронные сети и нейрокомпьютеры

Нейронные сети и нейрокомпьютеры Нейронные сети и нейрокомпьютеры Лекция 1 Гаврилов Андрей Владимирович, к.т.н., доц. http://www.insycom.ru http://motivnt.ru/laboratory/ http://twitter.com/hybridai/ http://facebook.com/andr.gavrilov 1

Подробнее

Искусственные нейронные сети

Искусственные нейронные сети Искусственные нейронные сети История 1943 - Warren McCulloch, Walter Pitts. A logical calculus of the ideas immanent in nervous activity. Bull. Math. Biophys. 1943. v.5. pp.115 133. 1943 - "Поведение,

Подробнее

ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ

ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ ПОДХОДЫ К РЕШЕНИЮ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ АС Рудаков, аспирант Московского государственного университета печати E-mail: shmel_ras@mailru В статье предлагается методика

Подробнее

НЕЙРОННЫЕ СЕТИ КАК НОВЫЙ ПОДХОД К УПРАВЛЕНИЮ ТЕХНОЛОГИЧЕСКИМ ОБОРУДОВАНИЕМ. А.В. Шаламов, П.Г. Мазеин e

НЕЙРОННЫЕ СЕТИ КАК НОВЫЙ ПОДХОД К УПРАВЛЕНИЮ ТЕХНОЛОГИЧЕСКИМ ОБОРУДОВАНИЕМ. А.В. Шаламов, П.Г. Мазеин e Известия Челябинского научного центра, вып. 1 (18), 2003 ПРОБЛЕМЫ МАШИНОСТРОЕНИЯ УДК 621.9 НЕЙРОННЫЕ СЕТИ КАК НОВЫЙ ПОДХОД К УПРАВЛЕНИЮ ТЕХНОЛОГИЧЕСКИМ ОБОРУДОВАНИЕМ e mail:petr@instr.susu.ac.ru Южно Уральский

Подробнее

Нейронные сети и нейро нечеткие системы фирмы SIEMENS. Для управления плохо изученными процессами фирма SIEMENS

Нейронные сети и нейро нечеткие системы фирмы SIEMENS. Для управления плохо изученными процессами фирма SIEMENS Нейронные сети и нейро нечеткие системы фирмы SIEMENS. Для управления плохо изученными процессами фирма SIEMENS предлагает программный пакет NeuroSystem. Точность перевода гарантировать не могу, а излагаю

Подробнее