Нейромережна обробка багатовимірних сигналів

Островерхий, О. В.

Публікація:
Нейромережна обробка багатовимірних сигналів

dc.contributor.author	Островерхий, О. В.
dc.date.accessioned	2016-10-05T08:34:05Z
dc.date.available	2016-10-05T08:34:05Z
dc.date.issued	2010
dc.description.abstract	У роботі проведено аналіз проблеми адаптивної обробки багатовимірної інформації за допомогою штучних нейронних мереж (ШНМ). Вивчено базові архітектури та методи навчання найчастіше використовуваних статичних та динамічних ШНМ, що застосовуються для розв’язання задач апроксимації, фільтрації, ідентифікації та класифікації. Запропоновано методи модифікації архітектури ШНМ СМАС для зниження вимог до пам’яті та підвищення ефективності обробки багатовимірних даних. Зокрема, розроблено метод автоматичної побудови адаптивної схеми дискретизації вхідних сигналів у ШНМ СМАС. Запропоновано удосконалені процедури навчання динамічних КІХ-мереж методом часового зворотного поширення з метою зменшення його обчислювальних витрат шляхом зміни порядку входження членів сум навчання. Отримано співвідношення між коефіцієнтом навчання та коефіцієнтом підсилення загальної функції активації нейронів модульних рекурентних ШНМ, що значно зменшує обчислювальні витрати, необхідні для реалізації процедур навчання цих мереж. Достовірність результатів підтверджується експериментальними дослідженнями та впровадженнями. У середовищі MatLab 7 проведено імітаційне моделювання різних задач апроксимації, фільтрації та ідентифікації багатовимірних нелінійних функцій за допомогою як статичних, так і динамічних ШНМ. The thesis covers the analysis of the problem of multidimensional data adaptive processing using artificial neural networks (ANN). The most frequently used static and dynamic ANN architectures and learning algorithms are investigated for their application in solving the approximation, filtration, identification, and classification problems. Several methods of CMAC ANN architecture modification are proposed with the purpose of reducing memory usage and improving the efficiency of multidimensional data processing. Specifically, an algorithm for creating the CMAC’s input space adaptive sampling scheme is developed. In addition, a method is proposed for modification of the temporal backpropagation algorithm for training the dynamic FIR networks in order to diminish computational complexity. The relation between the learning rate and nonlinear activation function gain coefficient in the dynamic recurrent ANNs is derived, which allows the computational costs of the training algorithms for these networks to be decreased. Simulation in the MatLab 7 environment shows the high efficiency of using ANNs for solving various problems of approximation, identification, and filtration of multidimensional nonlinear functions.	uk_UA
dc.identifier.citation	Островерхий О. В. Нейромережна обробка багатовимірних сигналів : автореф. дис. ... канд. техн. наук : 05.13.23 – "Системи та засоби штучного інтелекту" / О. В. Островерхий ; Харк. нац. ун-т радіоелектроніки. – Х., 2010. – 22 с.	uk_UA
dc.identifier.uri	http://openarchive.nure.ua/handle/document/3141
dc.language.iso	uk	uk_UA
dc.subject	штучна нейронна мережа	uk_UA
dc.subject	апроксимація	uk_UA
dc.subject	метод навчання ШНМ	uk_UA
dc.subject	динамічні ШНМ	uk_UA
dc.subject	ідентифікація	uk_UA
dc.subject	фільтрація	uk_UA
dc.subject	адаптивна дискретизація	uk_UA
dc.subject	багатовимірна функція	uk_UA
dc.subject	artificial neural network	uk_UA
dc.subject	approximation	uk_UA
dc.subject	training algorithm	uk_UA
dc.subject	dynamic neural network	uk_UA
dc.subject	filtering	uk_UA
dc.subject	multidimensional function	uk_UA
dc.title	Нейромережна обробка багатовимірних сигналів	uk_UA
dc.type	Other	uk_UA
dspace.entity.type	Publication