Самонавчанні спайк-нейронні мережі в задачах інтелектуального аналізу даних

Долотов, А. І.

Публікація:
Самонавчанні спайк-нейронні мережі в задачах інтелектуального аналізу даних

dc.contributor.author	Долотов, А. І.
dc.date.accessioned	2016-10-06T07:04:13Z
dc.date.available	2016-10-06T07:04:13Z
dc.date.issued	2011
dc.description.abstract	Дисертацію присвячено дослідженню та побудові самонавчанних спайк - нейронних мереж для розв’язування задач інтелектуального аналізу даних. У дисертації створено нові методи нечіткого кластерування даних на основі гібридних самонавчанних спайк-нейронних мереж, які дозволяють ефективно обробляти дані за умов попередньої та поточної невизначеності – коли кластери оброблюваних даних перетинаються, мають складну форму або їхня кількість змінюється в часі. Запропоновано нечіткий рецепторний нейрон та на його базі зсинтезовано архітектуру шару фазифікування вхідних даних, який дозволяє враховувати на рівні архітектури мережі попередні знання про розв’язувану задачу. Для запропонованих гібридних спайк-нейронних мереж удосконалено метод самонавчання на основі правила «переможцеві дістається більше», що забазпечило підвищення швидкості обробляння даних. Також зсинтезовано аналого-цифрову архітектуру спайк-нейронної мережі в термінах Лапласового перетворювання. Проведено експерименти з розв’язування низки практичних задач, на основі яких показано ефективність застосування запропонованих спайк-нейронних мереж. The thesis is devoted to a research and development of self-learning spiking neural networks for solving data mining tasks. New hybrid self-learning spiking neural networks based methods of fuzzy data clustering that allow of efficient data processing under a priori and current uncertainty, when classes of data being processed overlap, are of complex form, or their number varies with time, are created. Fuzzy receptive neuron is proposed. Input data fuzzification layer architecture is designed by the use of it. The layer enables one to take into account a priori knowledge about task being solved on the network architecture level. Self-learning method for the proposed hybrid spiking neural networks is improved on the base of “winner takes more” rule. That made it possible to increase data processing speed. Also analog-digital architecture of spiking neural network is designed in terms of the Laplace transform. Experiments of range of real-world problems solving are carried out. Efficacy of the proposed spiking neural networks application is shown on their basis.	uk_UA
dc.identifier.citation	Долотов А. І. Самонавчанні спайк-нейронні мережі в задачах інтелектуального аналізу даних : автореф. дис. ... канд. техн. наук : 05.13.23 – "Системи та засоби штучного інтелекту." / А. І. Долотов ; Харк. нац. ун-т радіоелектроніки. – Х., 2011. – 23 с.	uk_UA
dc.identifier.uri	http://openarchive.nure.ua/handle/document/3210
dc.language.iso	uk	uk_UA
dc.subject	самонавчанні спайк-нейронні мережі	uk_UA
dc.subject	гібридні системи	uk_UA
dc.subject	нечітке кластерування даних	uk_UA
dc.subject	нечіткий рецепторний нейрон	uk_UA
dc.subject	метод самонавчання	uk_UA
dc.subject	аналого-цифрова архітектура	uk_UA
dc.subject	self-learning spiking neural networks	uk_UA
dc.subject	hybrid systems	uk_UA
dc.subject	fuzzy data clustering	uk_UA
dc.subject	fuzzy receptive neuron	uk_UA
dc.subject	self-learning method	uk_UA
dc.subject	analog-digital architecture	uk_UA
dc.title	Самонавчанні спайк-нейронні мережі в задачах інтелектуального аналізу даних	uk_UA
dc.type	Other	uk_UA
dspace.entity.type	Publication