Методи аналізу ефективності навчання модифікованих штучних нейронних мереж

Синяокий, А. О.

Публікація:
Методи аналізу ефективності навчання модифікованих штучних нейронних мереж

dc.contributor.author	Синяокий, А. О.
dc.date.accessioned	2023-08-24T16:18:51Z
dc.date.available	2023-08-24T16:18:51Z
dc.date.issued	2023
dc.description.abstract	Метою кваліфікаційної роботи є аналіз методів ефективності навчання модифікованих штучних нейронних мереж. У ході виконання кваліфікаційної роботи проведено аналіз методів ефективності навчання модифікованих штучних нейронних мереж типу карт Кохонена. Виконано аналіз існуючих засобів кластеризації, в тому числі розподілених даних, який показує те, що основні вимоги для розподілених систем моніторингу відповідають алгоритмам кластеризації, що використовують нейронні мережі Кохонена. Розроблена формальна модель декомпозиції алгоритмів кластеризації, використовують нейронні мережі Кохонена для горизонтально і вертикально розподілених даних. Розроблено метод об'єднання проміжних результатів отриманих при аналізі розподілених даних з урахуванням типу їх розподілу для алгоритмів кластеризації, що використовують нейронні мережі Кохонена. Виконана програмна реалізація алгоритму кластеризації, що використовує модифіковані нейронні мережі Кохонена для обробки розподілених даних з урахуванням методу об'єднання отриманих результатів.
dc.identifier.citation	Синяокий А. О. Методи аналізу ефективності навчання модифікованих штучних нейронних мереж : пояснювальна записка до кваліфікаційної роботи здобувача вищої освіти на другому (магістерському) рівні, спеціальність 123 Комп'ютерна інженерія / А. О. Синяокий ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2023. – 77 с.
dc.identifier.uri	https://openarchive.nure.ua/handle/document/23969
dc.language.iso	uk
dc.subject	штучна нейронна мережа
dc.subject	карта Кохонена
dc.subject	паралельний алгоритм
dc.title	Методи аналізу ефективності навчання модифікованих штучних нейронних мереж
dc.title.alternative	Methods for Analysing Learning Efficiency of Modified Artificial Neural Networks
dc.type	Other
dspace.entity.type	Publication