За технічних причин Електронний архів Харківського національного університету радіоелектроніки «ElAr КhNURE» працює тільки на перегляд. Про відновлення роботи у повному обсязі буде своєчасно повідомлено.
 

Публікація:
Гібридні еволюційні нейронні мережі та їх навчання

dc.contributor.authorВікторов, Є. О.
dc.date.accessioned2016-06-21T13:34:50Z
dc.date.available2016-06-21T13:34:50Z
dc.date.issued2011
dc.description.abstractДисертація присвячена дослідженню гібридних еволюційних нейронних мереж, котрі мають можливість в процесі навчання налаштовувати не тільки свої параметри, але й структуру, для вирішення таких задач інтелектуального аналізу даних, як прогнозування, ідентифікація або класифікація в умовах апріорної і поточної структурної та параметричної невизначеності. При цьому в ролі вхідних даних розглядалися часові ряди або масиви числових даних, представлені у вигляді таблиць «об'єкт-властивість». Основною метою дисертаційної роботи є розробка методів, що дозволили б подолати недолікі сучасних нейро-фаззі систем – відсутність ефективних механізмів структурної оптимізації і нездатність функціонувати в режимі реального часу. Поставлена мета була повністю вирішена завдяки введеній у рамках дисертаційної роботи багатовимірній каскадній нео-фаззі нейронній мережі і набору методів для налаштовування її синаптичних вагових коефіцієнтів і кількості каскадів. Крім того, в дисертаційній роботі пропонуються інші гібридні нейронні мережі, що є модифікацією каскадно-кореляційної архітектури, запропонованої Фальманом і Лєб’єром, кожна з яких має свої недоліки і переваги, серед яких можна відзначити можливість лінгвістичної інтерпретації отриманих результатів, підвищену чисельну стійкість методів навчання, простоту реалізації нейро- архітектури на платах. Як один з варіантів структурної адаптації нейро-фаззі мереж в роботі розглянуто механізм самоорганізації на основі методу групового урахування аргументів, який був застосований до так званої нео-фаззі нейронної мережі. Thesis is devoted to hybrid evolving neural networks which have ability to adjust not only their parameters, but also a structure to deal with such intelligent data analysis problems as forecasting, identification or classification under a priori and current structural and parametric uncertainty. Mentioned above hybrid systems are expected to process input data given as time series or arrays of numerical data in form of “object-property” tables.The main purpose of the thesis is to overcome the shortcomings of modern neurofuzzy systems – the lack of effective mechanisms for structural optimization and impossibility to process data in on-line mode. The problem was completely solved by the so called multivariate cascade neo-fuzzy neural network and a set of procedures for its synaptic weights and structure adjustment. Also the thesis offered other hybrid neural networks, which are modifications of the Cascade-Correlation Learning Architecture proposed by Fahlman and Lebiere, each of which has its disadvantages and advantages, among which the following could be marked out: linguistic interpretation of the obtained results, increased numerical stability of learning algorithms, convenient and easy on-board implementation capability. In this thesis the procedure for the synaptic weights adjustment of cascade neural networks in sequential data processing mode is introduced for the first time. Also in the thesis for the first time introduced a set of neural elements and architectures that use orthogonal polynomials systems as an activation functions. Proposed architectures have increased learning rate, and more numerically stable procedures for synaptic weights adjustment in comparison with conventional neural networks. As a variant of structural adaptation of the neuro-fuzzy networks in the thesis a mechanism of self-organization based on group method of data handling is considered. This technique was applied to the so called neo-fuzzy neural network.uk_UA
dc.identifier.citationВікторов Є. О. Гібридні еволюційні нейронні мережі та їх навчання : автореф. дис. ... канд. техн. наук : 05.13.23 - "Системи та засоби штучного інтелекту" / Є. О. Вікторов ; Харк. нац. ун-т радіоелектроніки. – Х., 2011. – 23 с.uk_UA
dc.identifier.urihttp://openarchive.nure.ua/handle/document/1082
dc.language.isoukuk_UA
dc.subjectкласичні системи ортогональних поліномівuk_UA
dc.subjectорто-синапсuk_UA
dc.subjectорто-нейронuk_UA
dc.subjectподвійний орто-нейронuk_UA
dc.subjectкаскадна ортогональна нейронна мережаuk_UA
dc.subjectквадратичний нейронuk_UA
dc.subjectнео-фаззі нейронuk_UA
dc.subjectМГУАuk_UA
dc.subjectбагатовимірна каскадна нео-фаззі нейронна мережаuk_UA
dc.subjectclassical orthogonal polynomials systemsuk_UA
dc.subjectortho-synapseuk_UA
dc.subjectortho-neuronuk_UA
dc.subjectdouble ortho-neuronuk_UA
dc.subjectcascade orthogonal neural networkuk_UA
dc.subjectquadratic neuronuk_UA
dc.subjectthe neo-fuzzy neuronuk_UA
dc.subjectGMDHuk_UA
dc.subjectmultivariate cascade neo-fuzzy neural networkuk_UA
dc.titleГібридні еволюційні нейронні мережі та їх навчанняuk_UA
dc.typeOtheruk_UA
dspace.entity.typePublication

Файли

Оригінальний пакет
Зараз показано 1 - 1 з 1
Завантаження...
Зображення мініатюри
Назва:
ViktorovEO.pdf
Розмір:
211.78 KB
Формат:
Adobe Portable Document Format
Ліцензійний пакет
Зараз показано 1 - 1 з 1
Немає доступних мініатюр
Назва:
license.txt
Розмір:
9.42 KB
Формат:
Item-specific license agreed upon to submission
Опис:

Колекції