Факторизованные алгоритмы обучения персептрона в задаче построения нелинейной модели

Бессонов, А. А.; Олейник, К. О.; Романюк, О. С.; Руденко, О. Г.; Сердюк, Н. Н.

Публікація:
Факторизованные алгоритмы обучения персептрона в задаче построения нелинейной модели

dc.contributor.author	Бессонов, А. А.
dc.contributor.author	Олейник, К. О.
dc.contributor.author	Романюк, О. С.
dc.contributor.author	Руденко, О. Г.
dc.contributor.author	Сердюк, Н. Н.
dc.date.accessioned	2024-05-23T14:02:32Z
dc.date.available	2024-05-23T14:02:32Z
dc.date.issued	2020
dc.description.abstract	С целью улучшения вычислительных свойств процедур обучения искусственных нейронных сетей (ИНС), которые, являясь универсальными аппроксиматорами, позволяют восстановить с заданной точностью любую сколь угодно сложную непрерывную нелинейную функцию, разработаны их факторизованные формы, основанные на преобразованиях Холесского, Хаусхолдера и ортогонализации Грамма-Шмидта. Проведенный анализ их свойств показал, что наиболее эффективным способом повышения устойчивости алгоритма обучения является применение преобразования Хаусхолдера.
dc.identifier.citation	Факторизованные алгоритмы обучения персептрона в задаче построения нелинейной модели / А. А. Бессонов, К. О. Олейник, О. С. Романюк, О. Г. Руденко, Н. Н. Сердюк // Бионика интеллекта. – 2020. – № 1(94). – С. 23–29.
dc.identifier.doi	https://doi.org/10.30837/ bi.2020.1(94).04
dc.identifier.uri	https://openarchive.nure.ua/handle/document/26582
dc.language.iso	uk
dc.publisher	ХНУРЭ
dc.subject	искусственная нейронная сеть
dc.subject	персептронная модель
dc.subject	критерий оценивания
dc.subject	ортогонализация
dc.subject	устойчивость алгоритма обучения
dc.subject	факторизация
dc.title	Факторизованные алгоритмы обучения персептрона в задаче построения нелинейной модели
dc.type	Article
dspace.entity.type	Publication