Please use this identifier to cite or link to this item: http://openarchive.nure.ua/handle/document/3210
Title: Самонавчанні спайк-нейронні мережі в задачах інтелектуального аналізу даних
Authors: Долотов, А. І.
Keywords: самонавчанні спайк-нейронні мережі
гібридні системи
нечітке кластерування даних
нечіткий рецепторний нейрон
метод самонавчання
аналого-цифрова архітектура
self-learning spiking neural networks
hybrid systems
fuzzy data clustering
fuzzy receptive neuron
self-learning method
analog-digital architecture
Issue Date: 2011
Publisher: Харк. нац. ун-т радіоелектроніки
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.
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.
URI: http://openarchive.nure.ua/handle/document/3210
Appears in Collections:Автореферати

Files in This Item:
File Description SizeFormat 
DolotovAI.pdf532.95 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.