Тарелина А.В., Хорев П.Б.

Save this PDF as:
 WORD  PNG  TXT  JPG

Размер: px
Начинать показ со страницы:

Download "Тарелина А.В., Хорев П.Б."

Транскрипт

1 Тарелина А.В., Хорев П.Б. УДК (075.8) МЕТОД ФИЛЬТРАЦИИ СПАМА НА ОСНОВЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ SOM И LVQ Аннотация. Исследуются возможности нейросетевых алгоритмов SOM и LVQ для задач фильтрации сообщений электронной почты с нежелательным содержимым. Ключевые слова: спам, фильтрация спама, нейронные сети, SOM, LVQ, самоорганизующиеся карты, нежелательное содержимое. Tarelina A.V., Khorev P.B. Method of spam filtering based on neural network algorithms of SOM and LVQ Abstract. There examined the capabilities of neural network algorithms of SOM and LVQ for spam filtering of messages with undesired content. Keywords: spam, spam filtering, neural network, SOM, LVQ, self-organizing map, undesired content. Развитие сети Интернет и средств связи привело к революции не только в сфере коммуникаций, но и в сфере рекламы и коммерции, что, в свою очередь, породило проблему рассылки нежелательной рекламы и сообщений спама. Первые рассылки спама появились в 90-х годах прошлого века, однако лишь к началу XXI века стали активно развиваться методы и средства борьбы со спамом после того, как число пользователей Интернета увеличилось, а экономические потери из-за нагрузки на коммуникации и потери времени достигли миллионов долларов США. С этого момента началось развитие способов рассылки спама, напрямую зависящее от эволюции методов и средств защиты от спама. Как только появляется эффективное средство фильтрации спама, злоумышленникам приходится менять технологию рассылки спама. При этом спам-технологии усложняются, вследствие чего активно разрабатываются новые способы противодействия им. Современный уровень технологий позволяет создавать

2 спам-сообщения и способы рассылки с использованием методов, используемых в системах искусственного интеллекта. Соответственно, для эффективного противодействия спаму средства защиты от него должны быть основаны на аналогичных технологиях. На сегодняшний день нейросетевые и нейрокомпьютерные технологии являются одними из наиболее быстро развивающихся и перспективных направлений искусственного интеллекта. В [1] был представлен метод фильтрации спама, основным элементом которого является искусственная нейронная сеть, построенная по принципу многослойного персептрона. Автором данной статьи была разработана программная модель фильтрации спама с реализацией предложенного метода фильтрации спама. В [2] была дана оценка эффективности представленного метода и подтверждена целесообразность использования методов систем искусственного интеллекта, в частности, искусственной нейронной сети для решения задачи фильтрации спама. В данной статье рассматривается технология фильтрации спама на основе искусственной нейронной сети другой топологии самоорганизующейся карты Кохонена (SOM self-organizing map) и алгоритма обучающегося векторного квантования (LVQ learning vector quantization) [3]. В отличие от технологии, рассмотренной в [1, 2], которая давала лишь количественную оценку «спамности» сообщения, данный метод, применительно к задаче фильтрации спама, позволяет классифицировать входящие сообщения на основе предварительно выделенных признаков (вектора значений) и принимать решение о его принадлежности к определенному классу, причем количество классов может быть задано. Также стоит отметить, что искусственная нейронная сеть данной архитектуры способна самостоятельно формировать кластеры и классы на основе анализа набора входящих сообщений, что облегчает процедуру обучения данной сети и увеличивает точность определения спама в сообщении.

3 Рассмотрим особенности алгоритма SOM. В своем основном варианте SOM создает граф подобия входных данных, т.е. преобразует нелинейные статистические соотношения между многомерными данными в простые геометрические связи между изображающими их точками на устройстве отображения низкой размерности, обычно в виде регулярной двумерной сетки узлов, создавая, таким образом, абстракции (обобщения) некоторого вида, проводя кластеризацию всех входных векторов. Применительно к задаче фильтрации спама SOM будет использована для того, чтобы распределять все множество входящих сообщений на основе выбранных признаков по кластерам. Каждый кластер будет комплексной характеристикой сообщения, при этом отличие одного кластера от другого выражается скорее качественно, нежели количественно. При этом одни кластеры будут содержать в основном только спам-сообщения, другие новостные рассылки, третьи личные сообщения, не относящиеся к спаму («белые» сообщения), а остальные будут содержать сообщения, которые могут потенциально относиться к спаму. На рис. 1 представлена схема, изображающая прямоугольную карту SOM и расположение кластеров на ней. Рис.1. Кластеризация входных векторов-признаков сообщений. Будем считать, что кластеры, расположенные ближе к правому верхнему углу, реагируют, главным образом, на спам-сообщения. Кластеры,

4 расположенные ближе к нижнему левому углу, реагируют на «белые» сообщения. Кластеры, расположенные в левом верхнем углу, реагируют на сообщения, содержащие новостные рассылки. Кластеры, расположенные в противоположном углу, реагируют на рекламные сообщения, не относящиеся к спаму (добровольные рекламные подписки). Соответственно, кластеры, находящиеся по центру и на сторонах прямоугольной решетки, составляют «серую» зону, куда попадают сообщения, относительно которых нельзя точно сказать, являются они спамом или нет. Для оценки таких сообщений можно использовать вероятностный подход: чем ближе кластер «серой» зоны к кластеру спам-сообщений, тем выше вероятность того, что принятое сообщение является спамом. Для вычисления расстояния между кластерами можно использовать взвешенное евклидово расстояние между центральными узлами нейронной решетки кластеров: ρ ве (X i, X j ) = w l (x il x jl ) 2 (1), где X i, X j координаты i-го и j-го объектов в k-мерном пространстве признаков, (x il - x jl ) - величина l-той компоненты у i-го (j-го) объекта (l=1,2,,k; i,j=1,2,...,n), w l - весовой коэффициент l-го признака. Таким образом, в программном средстве фильтрации спама SOM решает задачу кластеризации сообщений на основе выделенных признаков, однако для принятия решений и классификации в дополнение к SOM следует использовать алгоритм LVQ. Поскольку алгоритм LVQ ориентируется исключительно на решение задач статистической классификации или распознавания, данный метод хорошо подходит и для задачи фильтрации спама. С этой целью в каждую из областей, соответствующую определенному классу, помещается подмножество сходным образом помеченных кодирующих векторов. В отличие от традиционного подхода (рис.2(а)) в практическом статистическом распознавании (в рамках байесовой теории вероятностей) данный метод позволяет сильно уменьшить ошибки классификации, поскольку используется не для аппроксимации функции плотности классов образцов, а

5 для того, чтобы непосредственно определять границы классов в соответствие с правилом ближайшего соседа (рис.2(б)). Более подробно алгоритм изложен в [3]. Рис.2. Сравнение распределения классов образцов по алгоритму байесовой классификации δ(x) (а) и распределения классов образцов по алгоритму LVQ f(x) На рис.2 показано распределение трех классов S 1, S 2, S 3 на оси значений x. В первом случае (рис.2(а)) наблюдается перекрытие всех трех множеств друг другом, а байесовы границы слабо отличаются от максимумов распределения классов S 1 и S 3, что приводит к ошибкам классификации. Во втором случае алгоритм LVQ изменяет отображение всех трех множеств в виде горбов, а точки в области байесовых границ обращают функцию распределения f(x) в ноль, создавая четкие границы между классами образцов. Алгоритм LVQ может улучшить свою точность и ускорить обучение нейронной сети при применении его в связке с вышеописанными самоорганизующимися картами (SOM). Подробнее о преимуществах и возможностях такого сочетания алгоритмов говорится в [3]. Таким образом, вышеописанный алгоритм фильтрации спама на основе SOM можно дополнить шагами алгоритма LVQ. После того как нейронная сеть произвела кластеризацию входных векторов-признаков из обучающей

6 выборки почтовых сообщений, LVQ позволит объединить полученные кластеры в строго заданное число классов (например, два класса: спам и разрешенные сообщения или четыре класса: спам, новостные рассылки, добровольные рекламные подписки и обычные сообщения). В этом случае удастся избежать неоднозначных ситуаций, когда ряд сообщений формирует «серые» кластеры, которые возникают в SOM. К тому же число самих кластеров в SOM напрямую задать довольно сложно, требуется аккуратная подборка инициирующих значений, коэффициентов, использующихся в алгоритме обучения SOM. После подстройки исходной нейронной сети на основе SOM с помощью алгоритма LVQ все признаки, выделенные из входящих сообщений электронной почты и представленные в виде векторов, позволят однозначно классифицировать сообщение и принять решение о помещении сообщения в спам или входящую корреспонденцию. Список литературы 1. Тарелина А.В. Метод фильтрации спама на основе нейросетевой технологии. // «Современные проблемы информационной безопасности и программной инженерии», 2013, 1, с Тарелина А.В. Оценка эффективности метода фильтрации спама на основе нейросетевой технологии. // «Современные проблемы информационной безопасности и программной инженерии», 2014, 1 3. Самоорганизующиеся карты / Т. Кохонен; пер. 3-го англ. изд. М.: БИНОМ. Лаборатория знаний, с.: ил. (Адаптивные и интеллектуальные системы). ДАННЫЕ ОБ АВТОРАХ Тарелина Анна Владимировна, ассистент. Российский государственный социальный университет ул. Вильгельма Пика, д.4 стр.1, Москва, , Россия. Электронная почта: Хорев Павел Борисович, доцент кафедры ИБиПИ, к.т.н, доцент. Российский государственный социальный университет ул. Вильгельма Пика, д.4 стр.1, Москва, , Россия. Электронная почта:

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

Самоорганизующиеся карты

Самоорганизующиеся карты АДАПТИВНЫЕ И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ Т. Кохонен Самоорганизующиеся карты Перевод 3-го английского издания В. Н. Агеева под редакцией Ю. В. Тюменцева Москва БИНОМ. Лаборатория знаний 2008 УДК 517.11+519.92

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

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

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

АЛГОРИТМ КОНТЕНТНОЙ ФИЛЬТРАЦИИ СПАМА НА БАЗЕ СОВМЕЩЕНИЯ МЕТОДА ОПОРНЫХ ВЕКТОРОВ И НЕЙРОННЫХ СЕТЕЙ

АЛГОРИТМ КОНТЕНТНОЙ ФИЛЬТРАЦИИ СПАМА НА БАЗЕ СОВМЕЩЕНИЯ МЕТОДА ОПОРНЫХ ВЕКТОРОВ И НЕЙРОННЫХ СЕТЕЙ На правах рукописи МИРОНЕНКО АНТОН НИКОЛАЕВИЧ АЛГОРИТМ КОНТЕНТНОЙ ФИЛЬТРАЦИИ СПАМА НА БАЗЕ СОВМЕЩЕНИЯ МЕТОДА ОПОРНЫХ ВЕКТОРОВ И НЕЙРОННЫХ СЕТЕЙ Специальность: 05.13.19 Методы и системы защиты информации,

Подробнее

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

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

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

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

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

w 22 x w 2n Рис. 1. Структура сети Кохонена

w 22 x w 2n Рис. 1. Структура сети Кохонена СЕТИ И КАРТЫ КОХОНЕНА. Сети Кохонена Сети Кохонена (Kohoe T.) [ 3] относятся к самоорганизующимся нейронным сетям. Самоорганизующаяся сеть позволяет выявлять кластеры (группы) входных векторов обладающих

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

Лабораторная работа. Самоорганизующиеся карты Кохонена. Цель работы изучение самоорганизующихся карт Кохонена. Содержание:

Лабораторная работа. Самоорганизующиеся карты Кохонена. Цель работы изучение самоорганизующихся карт Кохонена. Содержание: Лабораторная работа Самоорганизующиеся карты Кохонена Цель работы изучение самоорганизующихся карт Кохонена. Содержание: 1.Изучить структуру сети Кохонена. 2. Изучить топологию самоорганизующихся карт

Подробнее

ANFIS. Adaptive-Network-based Fuzzy Inference System

ANFIS. Adaptive-Network-based Fuzzy Inference System ANFIS Adaptive-Network-based Fuzzy Inference System Введение ANFIS адаптивная сеть, функционально эквивалентная системе нечёткого вывода. ANFIS использует гибридный алгоритм обучения. Алгоритм предложен

Подробнее

ХНУРЭ, г. Харьков, Украина, 2, 3. ХНУРЭ, г. Харьков, Украина,

ХНУРЭ, г. Харьков, Украина, 2, 3. ХНУРЭ, г. Харьков, Украина, БИОНИКА ИНТЕЛЛЕКТА. 008. 1 (68). С. 153 157 хнурэ УДК 519.6 ИСКУССТВЕННЫЕ нейронные сети как метод интеллектуального анализа данных в финансовых системах Г.Г. Четвериков 1, Т.В. Лесовец, О.В. Касала 3

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

А.В. Шицелов, В.В. Бурлуцкий, В.В. Славский ЮГУ, г. Ханты-Мансийск

А.В. Шицелов, В.В. Бурлуцкий, В.В. Славский ЮГУ, г. Ханты-Мансийск 136 имеет большое количество различных функций упрощающих процесс разработки программ и др. Еще одной технологией, которая применяется для разработки, стала Microsoft Azure [2], которая облегчит хранение

Подробнее

Введение в анализ данных: Классификация текста. Юля Киселёва Школа анализа данных

Введение в анализ данных: Классификация текста. Юля Киселёва Школа анализа данных Введение в анализ данных: Классификация текста Юля Киселёва juliakiseleva@yandex-team.ru Школа анализа данных План на сегодня Постановка задачи, подходы и применения Построение и обучение классификатора

Подробнее

Постулат ISSN УДК Нейросетевой кластерный анализ в среде NeuroXL Clusterizer

Постулат ISSN УДК Нейросетевой кластерный анализ в среде NeuroXL Clusterizer УДК 004.9 Нейросетевой кластерный анализ в среде NeuroXL Clusterizer Осипов Геннадий Сергеевич Сахалинский государственный университет д.т.н., заведующий кафедрой Информатики Вашакидзе Нателла Семеновна

Подробнее

Сеть Кохонена, самоорганизующаяся нейронная сеть

Сеть Кохонена, самоорганизующаяся нейронная сеть НС курс 0-0 Лабораторная работа Сеть Кохонена, самоорганизующаяся нейронная сеть Цель работы: изучить функционирование и процедуру обучения сети Кохонена с помощью функции newc I Краткие теоретические

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

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

1 / 22

1 / 22 Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики Юрий Лифшиц yura@logic.pdmi.ras.ru ИТМО Осень 2005 1 / 22 План лекции 1 Постановка задачи, подходы и применения Постановка

Подробнее

МОДЕЛИ ПОИСКА СТРУКТУР ДАННЫХ НА ОСНОВЕ КОНКУРЕНЦИИ И КООПЕРАЦИИ

МОДЕЛИ ПОИСКА СТРУКТУР ДАННЫХ НА ОСНОВЕ КОНКУРЕНЦИИ И КООПЕРАЦИИ Системный анализ УДК 681.322 ББК 32.818:22.172 МОДЕЛИ ПОИСКА СТРУКТУР ДАННЫХ НА ОСНОВЕ КОНКУРЕНЦИИ И КООПЕРАЦИИ Виноградов Г. П. 1, Мальков А. А. 2 (Тверской государственный технический университет, Тверь)

Подробнее

План лекции. Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики. Акценты лекции. План лекции

План лекции. Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики. Акценты лекции. План лекции План лекции Классификация текстов Лекция N 6 курса Современные задачи теоретической информатики Юрий Лифшиц yura@logic.pdmi.ras.ru ИТМО Осень 2005 1, подходы и применения 1 / 22 2 / 22 План лекции Акценты

Подробнее

Двумерное распознавание сигнала на основе метода k ближайших соседей

Двумерное распознавание сигнала на основе метода k ближайших соседей УДК 621.391 Двумерное распознавание сигнала на основе метода k ближайших соседей Якубов Р.Ж., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационная безопасность» Научный руководитель:

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

Алгоритмы определения положения в локальных беспроводных сетях. Студент, кафедра «Информационные системы и телекоммуникации»: В.В.

Алгоритмы определения положения в локальных беспроводных сетях. Студент, кафедра «Информационные системы и телекоммуникации»: В.В. УДК 004.021 Алгоритмы определения положения в локальных беспроводных сетях Студент кафедра «Информационные системы и телекоммуникации»: В.В. Дудник Научный руководитель: А.Н. Алфимцев к. т. н. доцент кафедры

Подробнее

УДК : Баталов А.С. КОНСТРУКТИВНЫЙ МЕТОД ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ КОХОНЕНА Пермский государственный педагогический университет

УДК : Баталов А.С. КОНСТРУКТИВНЫЙ МЕТОД ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ КОХОНЕНА Пермский государственный педагогический университет УДК 004.032.26: 519.237.8 Баталов А.С. КОНСТРУКТИВНЫЙ МЕТОД ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ КОХОНЕНА Пермский государственный педагогический университет В данной статье рассматривается конструктивный метод обучения

Подробнее

Кафедра предпринимательства и внешнеэкономической деятельности МГТУ им. Н.Э. Баумана

Кафедра предпринимательства и внешнеэкономической деятельности МГТУ им. Н.Э. Баумана Кафедра предпринимательства и внешнеэкономической деятельности МГТУ им. Н.Э. Баумана НЕЙРОН Квалиметрия Научно-исследовательский задел по созданию аналитических инструментов Дроговоз Павел Анатольевич

Подробнее

КЛАСТЕРИЗАЦИЯ ВРЕМЕННЫХ РЯДОВ С ПРИМЕНЕНИЕМ КАРТ САМООРГАНИЗАЦИИ

КЛАСТЕРИЗАЦИЯ ВРЕМЕННЫХ РЯДОВ С ПРИМЕНЕНИЕМ КАРТ САМООРГАНИЗАЦИИ КЛАСТЕРИЗАЦИЯ ВРЕМЕННЫХ РЯДОВ С ПРИМЕНЕНИЕМ КАРТ САМООРГАНИЗАЦИИ Mg.sc.ing., ассистент Паршутин Сергей Валентинович Рижский Технический университет, Институт Информационных технологий, Кафедра моделирования

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

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

ТЕХНИЧЕСКАЯ ДИАГНОСТИКА ЭЛЕКТРОРАДИОИЗДЕЛИЙ

ТЕХНИЧЕСКАЯ ДИАГНОСТИКА ЭЛЕКТРОРАДИОИЗДЕЛИЙ 7676 УДК 62-50 ТЕХНИЧЕСКАЯ ДИАГНОСТИКА ЭЛЕКТРОРАДИОИЗДЕЛИЙ Е.А. Чжан Сибирский федеральный университет Россия, 660041, Красноярск, пр. Свободный, 79 E-al: ekach@lt.ru В.И. Орлов Открытое акционерное общество

Подробнее

Алексеев Юрий Геннадьевич ИНТЕЛЛЕКТУАЛЬНЫЙ ФИЛЬТР ЭЛЕКТРОННЫХ СООБЩЕНИЙ

Алексеев Юрий Геннадьевич ИНТЕЛЛЕКТУАЛЬНЫЙ ФИЛЬТР ЭЛЕКТРОННЫХ СООБЩЕНИЙ Министерство образования Республики Беларусь Учреждение образования Белорусский государственный университет информатики и радиоэлектроники УДК 004.021 Алексеев Юрий Геннадьевич ИНТЕЛЛЕКТУАЛЬНЫЙ ФИЛЬТР

Подробнее

Введение в нейронные сети [M.160]

Введение в нейронные сети [M.160] Введение в нейронные сети [M.160] Ранее отмечалось, что такие популярные инструменты Data Mining, как регрессия и деревья решений, широко используемые для решения задач классификации и прогнозирования,

Подробнее

Юрий Лифшиц. Осень 2006

Юрий Лифшиц. Осень 2006 Автоматическая классификация текстов Лекция N 6 курса Алгоритмы для Интернета Юрий Лифшиц ПОМИ РАН - СПбГУ ИТМО Осень 2006 1 / 30 ... классификация осуществляется на добровольной основе Владимир Стржалковский

Подробнее

MODIFICATION OF CONCEPTUAL CLUSTERING ALGORITHM COBWEB FOR NUMERICAL DATA USING FUZZY MEMBERSHIP FUNCTION

MODIFICATION OF CONCEPTUAL CLUSTERING ALGORITHM COBWEB FOR NUMERICAL DATA USING FUZZY MEMBERSHIP FUNCTION УДК 4.93 Коробейников А.В., к.т.н., директор, ООО «ИжТелеМед», г. Ижевск; Исламгалиев И.И., инженер-программист, ОАО «Сарапульский электрогенераторный завод» МОДИФИКАЦИЯ АЛГОРИТМА КОНЦЕПТУАЛЬНОЙ КЛАСТЕРИ-

Подробнее

Автоматическая классификация текстовых документов с помощью онтологий

Автоматическая классификация текстовых документов с помощью онтологий УДК 005 Автоматическая классификация текстовых документов с помощью онтологий # 09, сентябрь 2012 Грушин М.А. Научный руководитель: д.т.н., профессор, Норенков И.П. МГТУ им. Н.Э.Баумана, Москва, Россия

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

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

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

ГЕЛИОГЕОФИЗИЧЕСКИЕ ИССЛЕДОВАНИЯ ВЫПУСК 7, 56 60, 2014 ТЕХНОЛОГИИ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ МАГНИТОСФЕРЫ, МАГНИТНОГО ПОЛЯ ЗЕМЛИ И СОЛНЕЧНОЙ АКТИВНОСТИ

ГЕЛИОГЕОФИЗИЧЕСКИЕ ИССЛЕДОВАНИЯ ВЫПУСК 7, 56 60, 2014 ТЕХНОЛОГИИ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ МАГНИТОСФЕРЫ, МАГНИТНОГО ПОЛЯ ЗЕМЛИ И СОЛНЕЧНОЙ АКТИВНОСТИ ГЕЛИОГЕОФИЗИЧЕСКИЕ ИССЛЕДОВАНИЯ ВЫПУСК 7, 56 60, 2014 ТЕХНОЛОГИИ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ МАГНИТОСФЕРЫ, МАГНИТНОГО ПОЛЯ ЗЕМЛИ И СОЛНЕЧНОЙ АКТИВНОСТИ УДК 550.510.537 ВЫБОР ОПТИМАЛЬНЫХ ПАРАМЕТРОВ ОБУЧАЮЩЕЙ

Подробнее

464 Секция 8. Математическое и программное обеспечение интеллектуальных систем

464 Секция 8. Математическое и программное обеспечение интеллектуальных систем 464 Секция 8. Математическое и программное обеспечение интеллектуальных систем УДК 004.93.11 А.П. Семенова, Е.В. Волченко Донецкий национальный технический университет, г. Донецк кафедра программного обеспечения

Подробнее

Распознавание образов

Распознавание образов Статистический анализ характеристик метода распознавания при распознавании заданной модификации обучающего множества Б.М.Гавриков, М.Б.Гавриков, Н.В.Пестрякова Аннотация. Описываются результаты статистического

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

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

Разработка и реализация алгоритмов run-time оптимизации исполнения фрагментированных программ

Разработка и реализация алгоритмов run-time оптимизации исполнения фрагментированных программ Разработка и реализация алгоритмов run-time оптимизации исполнения фрагментированных программ Дуплищев И. К. 4 курс ФИТ НГУ Научный руководитель: Перепёлкин В. А. м.н.с., ИВМиМГ СО РАН Проблема При реализации

Подробнее

РУБРИКА: ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ РАСПОЗНАВАНИЕ ОБРАЗОВ МЕТОДОМ ПОТЕНЦИАЛЬНЫХ ФУНКЦИЙ

РУБРИКА: ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ РАСПОЗНАВАНИЕ ОБРАЗОВ МЕТОДОМ ПОТЕНЦИАЛЬНЫХ ФУНКЦИЙ Босый Я.А. Распознавание образов методом потенциальных функций // Академия педагогических идей «Новация». Серия: Студенческий научный вестник. 2017. 11 (ноябрь). АРТ 440-эл. 0,2 п.л. - URL: http: //akademnova.ru/page/875550

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

Использование ковариационной матрицы для вычисления весовых коэффициентов классификаторов в задаче многоклассового распознавания

Использование ковариационной матрицы для вычисления весовых коэффициентов классификаторов в задаче многоклассового распознавания Использование ковариационной матрицы для вычисления весовых коэффициентов классификаторов в задаче многоклассового распознавания Using covariation matrix for calculating classifiers weight coefficients

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

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

Рисунок 1 Структура профессиональной компетентности

Рисунок 1 Структура профессиональной компетентности УДК 378.046.4 Шастина Александра Евгеньевна ассистент кафедры социологии и управления Московского автомобильно-дорожного государственного технического университета РАЗВИТИЕ ОРГАНИЗАЦИОННО- УПРАВЛЕНЧЕСКИХ

Подробнее

МЕТОД РАСПОЗНАВАНИЯ РУКОПИСНЫХ ЗНАКОВ

МЕТОД РАСПОЗНАВАНИЯ РУКОПИСНЫХ ЗНАКОВ УДК 681.2 (075) АСАУ 5(25) 2002 Ю.П. Юрченко, В.О. Брага МЕТОД РАСПОЗНАВАНИЯ РУКОПИСНЫХ ЗНАКОВ Задача распознавания текста широко исследуемая область искусственного интеллекта. По этой теме выпущено достаточное

Подробнее

ИССЛЕДОВАНИЕ АЛГОРИТМОВ И МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ. Драган Д.Д.

ИССЛЕДОВАНИЕ АЛГОРИТМОВ И МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ. Драган Д.Д. ИССЛЕДОВАНИЕ АЛГОРИТМОВ И МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ Драган Д.Д. Содержание Интеллектуалная cистема поддержки принятия решений Кластеризация Self-Organizing Map Результаты моделирования

Подробнее

SKYNET БОЛЬШОЙ БРАТ СЛЕДИТ ЗА ТОБОЙ 2 НОЯБРЯ 2016 ЕВГЕНИЙ ВЛАСОВ

SKYNET БОЛЬШОЙ БРАТ СЛЕДИТ ЗА ТОБОЙ 2 НОЯБРЯ 2016 ЕВГЕНИЙ ВЛАСОВ SKYNET БОЛЬШОЙ БРАТ СЛЕДИТ ЗА ТОБОЙ 2 НОЯБРЯ 2016 ЕВГЕНИЙ ВЛАСОВ SKYNET ЧТО ЭТО? 1 И 2 ЧАСТЬ: СУПЕРКОМПЬЮТЕР 3 ЧАСТЬ: ПРОГРАММНАЯ НЕЙРОННАЯ СЕТЬ 4 МАШИННОЕ ОБУЧЕНИЕ ПРОГРАММА САМА УЧИТСЯ РЕШАТЬ ЗАДАЧУ

Подробнее

МЕТОД МОНТЕ-КАРЛО ДЛЯ РЕШЕНИЯ УРАВНЕНИЯ ФОККЕРА ПЛАНКА КОЛМОГОРОВА *

МЕТОД МОНТЕ-КАРЛО ДЛЯ РЕШЕНИЯ УРАВНЕНИЯ ФОККЕРА ПЛАНКА КОЛМОГОРОВА * СБОРНИК НАУЧНЫХ ТРУДОВ НГТУ 007 3(49) 41 46 УДК 51916 МЕТОД МОНТЕ-КАРЛО ДЛЯ РЕШЕНИЯ УРАВНЕНИЯ ФОККЕРА ПЛАНКА КОЛМОГОРОВА * КС КИРЯКИН Рассмотрен метод Монте-Карло для решения уравнения Фоккера Планка Колмогорова

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

ПОДХОД К РЕШЕНИЮ ЗАДАЧ ОПТИМИЗАЦИИ С ПРЕЦЕДЕНТНОЙ НАЧАЛЬНОЙ ИНФОРМАЦИЕЙ c А. С. Анафиев

ПОДХОД К РЕШЕНИЮ ЗАДАЧ ОПТИМИЗАЦИИ С ПРЕЦЕДЕНТНОЙ НАЧАЛЬНОЙ ИНФОРМАЦИЕЙ c А. С. Анафиев УДК 519.7 ПОДХОД К РЕШЕНИЮ ЗАДАЧ ОПТИМИЗАЦИИ С ПРЕЦЕДЕНТНОЙ НАЧАЛЬНОЙ ИНФОРМАЦИЕЙ c А. С. Анафиев Таврический национальный университет им. В.И. Вернадского факультет математики и информатики пр-т Вернадского,

Подробнее

Лекция 6. Нейросетевые методы, перцептрон Розенблатта, многослойный перцептрон. Лектор Сенько Олег Валентинович

Лекция 6. Нейросетевые методы, перцептрон Розенблатта, многослойный перцептрон. Лектор Сенько Олег Валентинович Лекция 6 Нейросетевые методы, перцептрон Розенблатта, многослойный перцептрон Лектор Сенько Олег Валентинович Курс «Математические основы теории прогнозирования» 4-й курс, III поток Сенько Олег Валентинович

Подробнее

Алгоритм и программный комплекс редукции баз знаний мягких экспертных систем

Алгоритм и программный комплекс редукции баз знаний мягких экспертных систем Электронный журнал «Труды МАИ». Выпуск 75 УДК 681.3 www.mai.ru/science/trudy/ Алгоритм и программный комплекс редукции баз знаний мягких экспертных систем Абдулхаков А. Р. Казанский национальный исследовательский

Подробнее

В. А. Гороховатский m m 1 m 2. Описание объекта. компоненты на множестве h ( Z) компоненты на Z. описание Z

В. А. Гороховатский m m 1 m 2. Описание объекта. компоненты на множестве h ( Z) компоненты на Z. описание Z Технічні засоби отримання і обробки даних УДК 004.93.:004.93' В. А. Гороховатский Харьковский национальный университет радиоэлектроники проспект Ленина, 4, 666 Харьков, Украина Иерархии признаков в структурных

Подробнее

1. ИСКУСТВЕННЫЕ НЕЙРОННЫЕ СЕТИ. ОБУЧЕНИЕ, ПРОЦЕССЫ ОБУЧЕНИЯ, АЛГОРИТМЫ ОБУЧЕНИЯ. ЗАДАЧИ ОБУЧЕНИЯ

1. ИСКУСТВЕННЫЕ НЕЙРОННЫЕ СЕТИ. ОБУЧЕНИЕ, ПРОЦЕССЫ ОБУЧЕНИЯ, АЛГОРИТМЫ ОБУЧЕНИЯ. ЗАДАЧИ ОБУЧЕНИЯ 1. ИСКУСТВЕННЫЕ НЕЙРОННЫЕ СЕТИ. ОБУЧЕНИЕ, ПРОЦЕССЫ ОБУЧЕНИЯ, АЛГОРИТМЫ ОБУЧЕНИЯ. ЗАДАЧИ ОБУЧЕНИЯ Искусcтвенные нейронные сети математические модели, а также их программные или аппаратные реализации, построенные

Подробнее

Распознавание голосовых команд с помощью самоорганизующейся нейронной сети Кохонена

Распознавание голосовых команд с помощью самоорганизующейся нейронной сети Кохонена Распознавание голосовых команд с помощью самоорганизующейся нейронной сети Кохонена Кладов Станислав Александрович, ИУ7-83. МГТУ им. Н.Э. Баумана stas@kladov.ru Широкое развитие роботов-манипуляторов и

Подробнее

ISSN Интеллектуальные системы в производстве (13)

ISSN Интеллектуальные системы в производстве (13) 106 УДК 519.68: 681.513.7 С. А. Пучинин, аспирант кафедры «Прикладная математика и информатика» Ижевский государственный технический университет 1 ОБЗОР МАТЕМАТИЧЕСКИХ МЕТОДОВ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ

Подробнее

АЛГОРИТМЫ АВТОМАТИЧЕСКОЙ НЕЙРОСЕТЕВОЙ КЛАСТЕРИЗАЦИИ В ПРОГНОЗИРОВАНИИ ЗАГРУЗКИ CALL-ЦЕНТРА

АЛГОРИТМЫ АВТОМАТИЧЕСКОЙ НЕЙРОСЕТЕВОЙ КЛАСТЕРИЗАЦИИ В ПРОГНОЗИРОВАНИИ ЗАГРУЗКИ CALL-ЦЕНТРА УДК 004.8 + 005 ББК 78.34 АЛГОРИТМЫ АВТОМАТИЧЕСКОЙ НЕЙРОСЕТЕВОЙ КЛАСТЕРИЗАЦИИ В ПРОГНОЗИРОВАНИИ ЗАГРУЗКИ CALL-ЦЕНТРА Сараев П.В. 1, Сеньковская И.С. 2 (Липецкий государственный технический университет,

Подробнее

Графическая вероятностная модель со скрытыми состояниями на основе главных многообразий

Графическая вероятностная модель со скрытыми состояниями на основе главных многообразий Международная конференция ИОИ-10 Графическая вероятностная модель со скрытыми состояниями на основе главных многообразий Юлин Сергей Сергеевич Рыбинский государственный авиационный технический университет

Подробнее

УДК ОПТИМАЛЬНАЯ КЛАСТЕРИЗАЦИЯ МНОГОМЕРНЫХ ВЕКТОРОВ. Краснов А.Е., Яньков В.Ю., Красников С.А., Чернов Е.А.

УДК ОПТИМАЛЬНАЯ КЛАСТЕРИЗАЦИЯ МНОГОМЕРНЫХ ВЕКТОРОВ. Краснов А.Е., Яньков В.Ю., Красников С.А., Чернов Е.А. УДК 519684 ОПТИМАЛЬНАЯ КЛАСТЕРИЗАЦИЯ МНОГОМЕРНЫХ ВЕКТОРОВ Краснов АЕ Яньков ВЮ Красников СА Чернов ЕА Московский государственный университет технологий и управления имени КГ Разумовского Аннотация Статья

Подробнее

ТЕХНОЛОГИИ ПЕРЕВОДА ТЕХНИЧЕСКОЙ ДОКУМЕНТАЦИИ С БУМАЖНЫХ НОСИТЕЛЕЙ В ЭЛЕКТРОННЫЙ ВИД

ТЕХНОЛОГИИ ПЕРЕВОДА ТЕХНИЧЕСКОЙ ДОКУМЕНТАЦИИ С БУМАЖНЫХ НОСИТЕЛЕЙ В ЭЛЕКТРОННЫЙ ВИД УДК 004.896 А. А. Матушев, Ф. Н. Лобанов Петербургский государственный университет путей сообщения Императора Александра I ТЕХНОЛОГИИ ПЕРЕВОДА ТЕХНИЧЕСКОЙ ДОКУМЕНТАЦИИ С БУМАЖНЫХ НОСИТЕЛЕЙ В ЭЛЕКТРОННЫЙ

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

Министерство образования Республики Беларусь Учреждение образования БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИНФОРМАТИКИ И РАДИОЭЛЕКТРОНИКИ

Министерство образования Республики Беларусь Учреждение образования БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИНФОРМАТИКИ И РАДИОЭЛЕКТРОНИКИ Министерство образования Республики Беларусь Учреждение образования БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИНФОРМАТИКИ И РАДИОЭЛЕКТРОНИКИ УДК Сироткин Александр Владимирович Натуральный текстовый анализатор

Подробнее

ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ МЕТОДОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ

ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ МЕТОДОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ УДК 004.85 ОБУЧЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ МЕТОДОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ Попова Ю.Б., Яцынович С.В. БНТУ, г. Минск, Беларусь, julia_popova@mail.ru БНТУ, г. Минск, Беларусь, hawkrai@yandex.ru

Подробнее

ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ ОБЪЕКТОВ С ПРИМЕНЕНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ ОБЪЕКТОВ С ПРИМЕНЕНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ УДК 621.31:004 ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ ОБЪЕКТОВ С ПРИМЕНЕНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ А.С. Гордеев, А.В. Чувилкин ФГОУ ВПО «Мичуринский государственный аграрный университет», г. Мичуринск

Подробнее

Исследование моделей векторного

Исследование моделей векторного Исследование моделей векторного представления слов на основе нейронных сетей Москва, 2015 Автор: группа 327 Архипенко Константин Владимирович Научный руководитель: канд. физ.-мат. наук Турдаков Денис Юрьевич

Подробнее

ФОРУМ МОЛОДЫХ УЧЕНЫХ 2(6)

ФОРУМ МОЛОДЫХ УЧЕНЫХ 2(6) УДК 004.932 Головачева М.И. студент магистратуры 2 курс, Институт энергетики и автоматизированных систем Магнитогорского государственного технического университета им. Г.И. Носова Российская Федерация,

Подробнее

присущими [4] многослойному персептрону или радиальной сети. Очень хорошие результаты удается получить при объединении самоорганизующегося слоя и

присущими [4] многослойному персептрону или радиальной сети. Очень хорошие результаты удается получить при объединении самоорганизующегося слоя и Применение гибридных самоорганизующихся нейронных сетей и быстрого дискретного вейвлет-преобразования для построения систем классификации сигналов С.В. Болдырев СГУ г. Ставрополь На сегодняшний день одним

Подробнее

ИНТЕЛЛЕКТУАЛЬНЫЙ ФИЛЬТР ЭЛЕКТРОННЫХ СООБЩЕНИЙ INTELLIGENT FILTER FOR THE ELECTRONIC MESSAGES

ИНТЕЛЛЕКТУАЛЬНЫЙ ФИЛЬТР ЭЛЕКТРОННЫХ СООБЩЕНИЙ INTELLIGENT FILTER FOR THE ELECTRONIC MESSAGES УДК 004.021 Технические науки Алексеев Юрий Геннадьевич студент Белорусский Государственный университет информатики и радиоэлектроники Alksyv Y.G. studnt Blarusian Stat Univrsity of Informatics and Radiolctronics

Подробнее

РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ТЕХНОЛОГИИ TENSORFLOW

РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ТЕХНОЛОГИИ TENSORFLOW РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ТЕХНОЛОГИИ TENSORFLOW Графов В.И., Воронов В.И. Московский Технический Университет Связи и Информатики Москва, Россия IMAGE RECOGNITION TECHNOLOGY BASED TENSORFLOW Grafov

Подробнее

НЕЙРОСЕТЕВОЙ МЕТОД ОЦЕНИВАНИЯ ПАРАМЕТРОВ СОСТОЯНИЯ ЛЕТАТЕЛЬНОГО АППАРАТА ПО РЕЗУЛЬТАТАМ ИЗМЕРЕНИЙ

НЕЙРОСЕТЕВОЙ МЕТОД ОЦЕНИВАНИЯ ПАРАМЕТРОВ СОСТОЯНИЯ ЛЕТАТЕЛЬНОГО АППАРАТА ПО РЕЗУЛЬТАТАМ ИЗМЕРЕНИЙ УДК 004.032.26(063) НЕЙРОСЕТЕВОЙ МЕТОД ОЦЕНИВАНИЯ ПАРАМЕТРОВ СОСТОЯНИЯ ЛЕТАТЕЛЬНОГО АППАРАТА ПО РЕЗУЛЬТАТАМ ИЗМЕРЕНИЙ Е. М. Будкина Представлен теоретический анализ применения нейронных сетей для прогнозирования

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

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

Солкин А. СПОСОБЫ АВТОМАТИЗАЦИИ СОЗДАНИЯ УПРАВЛЯЮЩИХ ПРОГРАММ ДЛЯ МЕТАЛЛОРЕЖУЩЕГО ОБОРУДОВАНИЯ С ЧПУ

Солкин А. СПОСОБЫ АВТОМАТИЗАЦИИ СОЗДАНИЯ УПРАВЛЯЮЩИХ ПРОГРАММ ДЛЯ МЕТАЛЛОРЕЖУЩЕГО ОБОРУДОВАНИЯ С ЧПУ УДК 004 ББК 32.97 Солкин А. СПОСОБЫ АВТОМАТИЗАЦИИ СОЗДАНИЯ УПРАВЛЯЮЩИХ ПРОГРАММ ДЛЯ МЕТАЛЛОРЕЖУЩЕГО ОБОРУДОВАНИЯ С ЧПУ Solkin A. METHODS OF AUTOMATING THE CREATION OF CONTROL PROGRAMS FOR CUTTING EQUIPMENT

Подробнее

Технологии искусственного интеллекта

Технологии искусственного интеллекта Технологии искусственного интеллекта Вопросы 1. Понятие искусственного интеллекта 2. Экспертные системы и системы поддержки принятия решений 3. Основы нечеткой логики 4. Основы нейронных сетей 5. Основы

Подробнее

Выявление ботов. Илья Козлов. 6 декабря 2016 г.

Выявление ботов. Илья Козлов. 6 декабря 2016 г. 6 декабря 2016 г. Содержание 1 Общие определения 2 Функции ботов 3 Признаки для определения ботов и методы борьбы с ними 4 Особенности социального графа у ботов 5 Способ извлечения признаков из графа Боты

Подробнее

ПРОВЕДЕНИЕ КЛАСТЕРНОГО АНАЛИЗА В ПАКЕТЕ STATGRAPHICS PLUS С ЦЕЛЬЮ ИССЛЕДОВАНИЯ СВОЙСТВ ЛИЧНОСТЕЙ И ИХ ВЗАИМОСВЯЗЕЙ Дядова А.В. НИ ТПУ Томск, Россия

ПРОВЕДЕНИЕ КЛАСТЕРНОГО АНАЛИЗА В ПАКЕТЕ STATGRAPHICS PLUS С ЦЕЛЬЮ ИССЛЕДОВАНИЯ СВОЙСТВ ЛИЧНОСТЕЙ И ИХ ВЗАИМОСВЯЗЕЙ Дядова А.В. НИ ТПУ Томск, Россия ПРОВЕДЕНИЕ КЛАСТЕРНОГО АНАЛИЗА В ПАКЕТЕ STATGRAPHICS PLUS С ЦЕЛЬЮ ИССЛЕДОВАНИЯ СВОЙСТВ ЛИЧНОСТЕЙ И ИХ ВЗАИМОСВЯЗЕЙ Дядова А.В. НИ ТПУ Томск, Россия CONDUCT OF CLUSTER ANALYSIS USING PACKAGE STATGRAPHICS

Подробнее

Нестандартные нейросетевые архитектуры

Нестандартные нейросетевые архитектуры Нестандартные нейросетевые архитектуры Автор: Александр Вежневец _vezhnick@mtu.ru Редактор: Владимир Вежневец vvp@graphics.cs.msu.ru Нейронные сети применяются для решения задач классификации или кластеризации

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

Параллельная обработка и кластеризация изображений на основе самоорганизующихся карт Кохонена с использованием кластерных и графических вычислителей

Параллельная обработка и кластеризация изображений на основе самоорганизующихся карт Кохонена с использованием кластерных и графических вычислителей НАУКОЁМКИЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. Переславль-Залесский, 2012 А. А. Кондратьев Параллельная обработка и кластеризация изображений на основе самоорганизующихся карт Кохонена с использованием кластерных

Подробнее

ПОСТРОЕНИЕ И АНАЛИЗ СИГНАТУР ОБЪЕКТОВ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ Ф. А. Сиверский, Л. В. Калацкая Белорусский государственный университет, Минск,

ПОСТРОЕНИЕ И АНАЛИЗ СИГНАТУР ОБЪЕКТОВ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ Ф. А. Сиверский, Л. В. Калацкая Белорусский государственный университет, Минск, ПОСТРОЕНИЕ И АНАЛИЗ СИГНАТУР ОБЪЕКТОВ БИОМЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ Ф. А. Сиверский, Л. В. Калацкая Белорусский государственный университет, Минск, Беларусь Искусственные нейронные сети позволяют создавать

Подробнее

линейная регрессия Сергей Николенко СПбГУ Санкт-Петербург 08 сентября 2017 г.

линейная регрессия Сергей Николенко СПбГУ Санкт-Петербург 08 сентября 2017 г. линейная регрессия Сергей Николенко СПбГУ Санкт-Петербург 08 сентября 2017 г. Random facts: 8 сентября --- Международный день грамотности, установленный ООН, а также День финансиста России 8 сентября 1636

Подробнее

Уменьшение размерности: представление

Уменьшение размерности: представление Уменьшение размерности: представление И. Куралёнок, Н. Поваров Яндекс СПб, 2016 И. Кураленок, Н. Поваров, Яндекс Санкт-Петербург, 2016 Стр. 1 из 21 SOM Самоорганизующиеся сети Кохоненна Идея: отобразить

Подробнее

ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ УДК 004.896 КЛАССИФИКАЦИЯ И ПРОГНОЗИРОВАНИЕ СТРУКТУР ИНТЕГРИРОВАННЫХ СИСТЕМ БЕЗОПАСНОСТИ НА ОСНОВЕ НЕЙРОННОГО МОДЕЛИРОВАНИЯ В. А. Дурденко*, А. А. Рогожин** *Воронежский государственный

Подробнее

ГЛАВА 1. Проективная геометрия

ГЛАВА 1. Проективная геометрия ГЛАВА 1. Проективная геометрия 1.1. Проективное пространство Пусть дано (n + 1)-мерное векторное пространство V ( 6.1, часть I) и непустое множество P произвольной природы. Говорят, что множество P наделено

Подробнее

СИСТЕМА ОЦЕНКИ ПРОИЗВОДИТЕЛЬНОСТИ КОМПЬЮТЕРНЫХ СЕТЕЙ КОРПОРАТИВНОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ С НЕЧЕТКОЙ ЛОГИКОЙ

СИСТЕМА ОЦЕНКИ ПРОИЗВОДИТЕЛЬНОСТИ КОМПЬЮТЕРНЫХ СЕТЕЙ КОРПОРАТИВНОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ С НЕЧЕТКОЙ ЛОГИКОЙ Мозохин А.Е. Система оценки производительности компьютерных сетей корпоративной информационной системы на основе нейронной сети с нечеткой логикой [Электронный ресурс] // Информационно-экономические аспекты

Подробнее

базисы в то эти базисы называются гомотетичными. Отношение гомотетичности базисов будем обозначать

базисы в то эти базисы называются гомотетичными. Отношение гомотетичности базисов будем обозначать Лекция 2 Тема: Понятие проективного репера и проективных координат точки Построение точки по ее координатам на модели проективной прямой и плоскости Преобразование проективных координат План лекции 1 Понятие

Подробнее

НОВЫЕ СИСТЕМЫ ПОИСКА И РАСПОЗНАВАНИЯ

НОВЫЕ СИСТЕМЫ ПОИСКА И РАСПОЗНАВАНИЯ УДК 004.896 Аннотация Сазонов В.И., студент бакалавриата 2 курс, факультет «Информатика и вычислительная техника» Донской государственный технический университет Россия, г. Ростов-на-Дону Научный руководитель:

Подробнее

ПРИМЕНЕНИЕ МЕТОДОВ КЛАССИФИКАЦИИ ДЛЯ АНАЛИЗА МЕДИКО-СТАТИСТИЧЕСКИХ ДАННЫХ. Тевелев А.Д., группа АСУ-00а Руководитель: доц. Мокрый Г.

ПРИМЕНЕНИЕ МЕТОДОВ КЛАССИФИКАЦИИ ДЛЯ АНАЛИЗА МЕДИКО-СТАТИСТИЧЕСКИХ ДАННЫХ. Тевелев А.Д., группа АСУ-00а Руководитель: доц. Мокрый Г. Збірка студентських наукових праць факультету КІТА. Випуск 3 195 ПРИМЕНЕНИЕ МЕТОДОВ КЛАССИФИКАЦИИ ДЛЯ АНАЛИЗА МЕДИКО-СТАТИСТИЧЕСКИХ ДАННЫХ Тевелев А.Д., группа АСУ-00а Руководитель: доц. Мокрый Г. В За

Подробнее

СРАВНИТЕЛЬНЫЙ АНАЛИЗ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ

СРАВНИТЕЛЬНЫЙ АНАЛИЗ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ УДК 004.8 СРАВНИТЕЛЬНЫЙ АНАЛИЗ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ПОИСКА ОПТИМАЛЬНОГО РЕШЕНИЯ Л.Г. Комарцова (lkomartsova@yandex.ru) Д.С. Кадников (dskadnkov@yandex.ru) МГТУ им. Н.Э. Баумана (Калужский филиал), Калуга

Подробнее