Национальный цифровой ресурс Руконт - межотраслевая электронная библиотека (ЭБС) на базе технологии Контекстум (всего произведений: 519728)
Консорциум Контекстум Информационная технология сбора цифрового контента
Уважаемые СТУДЕНТЫ и СОТРУДНИКИ ВУЗов, использующие нашу ЭБС. Рекомендуем использовать новую версию сайта.
  Расширенный поиск
Результаты поиска

Нашлось результатов: 143448 (1,10 сек)

Свободный доступ
Ограниченный доступ
Уточняется продление лицензии
1

ФОРМИРОВАНИЕ ОБУЧАЮЩЕГО МНОЖЕСТВА ВЕКТОРОВ ПРИЗНАКОВ ДЛЯ АЛГОРИТМА АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ И ЛОКАЛИЗАЦИИ НАЗЕМНЫХ ОБЪЕКТОВ В ОПТИКО-ЭЛЕКТРОННОЙ ВИЗИРНОЙ СИСТЕМЕ ЛЕТАТЕЛЬНОГО АППАРАТА [Электронный ресурс] / Себряков [и др.] // Вестник компьютерных и информационных технологий .— 2011 .— №10 .— С. 10-14 .— Режим доступа: https://rucont.ru/efd/569015

Автор: Себряков

Рассмотрена задача формирования обучающего множества векторов признаков (ОМВП) для алгоритма автоматического обнаружения и локализации изображений элементов группы наземных объектов. Представлено решение актуальной задачи минимизации ОМВП, позволяющее минимизировать затраты времени на предварительную стадию алгоритма обнаружения, включающую в себя формирование ОМВП, а также обучение набора бинарных классификаторов на его основе. Предложены алгоритмы сокращения размерности обучающего множества оптико-электронных изображений и ОМВП при практическом сохранении репрезентативности получающихся выборок

Предложены алгоритмы сокращения размерности обучающего множества оптико-электронных изображений и ОМВП <...> Ключевые слова: обучающее множество; сокращение размерности; наблюдаемый кадр; кластеризация; медоид. <...> Одна из них используется для подготовки ОМВП (называется обучающим множеством кадров (ОМК)), другая – <...> Обучающее множество векторов признаков используется при обучении алгоритма обнаружения и локализации <...> Мера репрезентативности обучающих множеств указана в постановке задачи.

2

Современные проблемы математики и информатики. Вып. 12 сб. науч. трудов молодых ученых, аспирантов и студентов

ЯрГУ

В сборнике представлены работы молодых ученых, аспирантов и студентов. В статьях рассматриваются различные проблемы математического анализа, динамических систем и информационных технологий.

на модификации обучающего множества. <...> Методы модификации обучающего множества); 2) применение метода обучения к обновленной обучающей выборке <...> Тестовое множество состояло из 750 проектов. Обучающее множество — из 3144 проектов. 3.2. <...> Модификация обучающего множества Модификация обучающего множества производилась методами на основе SoftSL <...> Стратегию добавления множества PC в обучающую выборку обозначим «add+».

Предпросмотр: Современные проблемы математики и информатики. Вып. 12 сборник научных трудов молодых ученых, аспирантов и студентов.pdf (0,2 Мб)
3

АЛГОРИТМ АВТОМАТИЧЕСКОЙ КЛАССИФИКАЦИИ ЭЛЕМЕНТОВ ОПТИКО-ЭЛЕКТРОННЫХ ИЗОБРАЖЕНИЙ НЕОДНОРОДНОЙ ГРУППЫ НАЗЕМНЫХ ОБЪЕКТОВ [Электронный ресурс] / Себряков [и др.] // Вестник компьютерных и информационных технологий .— 2011 .— №9 .— С. 15-20 .— Режим доступа: https://rucont.ru/efd/569043

Автор: Себряков

Представлен алгоритм автоматической классификации элементов оптико-электронных изображений неоднородной группы наземных объектов на основе метода опорных векторов. Использовано вейвлет-разложение исходного поля яркости изображения для уменьшения зависимости показателей качества от условий наблюдения при ограничении размера обучающего множества изображений. Проведены анализ характеристик изображений на входе алгоритма и обоснование применяемых математических методов обработки изображений. Рассмотрены структура и описание алгоритма автоматической классификации. Представлены оценки показателя качества процесса классификации при использовании синтезированных видеокадров, полученных с помощью имитационной модели процесса формирования изображений дневной оптико-электронной визирной системой

Ключевые слова: классификация; метод опорных векторов; вейвлет-разложение; обучающее множество. <...> Задача классификации решается при наличии обучающего множества, состоящего из изображений объектов, для <...> Обучающее множество При решении задачи классификации трехмерных объектов по их двухмерным изображениям <...> Примеры изображений обучающего множества класса «грузовой автомобиль» представлены на рис. 3. 1. <...> Для оценки эффективности алгоритма использовались обучающее и тестовое множества с числом классов N =

4

ВЫЧИСЛЕНИЕ ИНТЕРВАЛЬНЫХ ЧИСЕЛ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ ПРЯМОГО РАСПРОСТРАНЕНИЯ [Электронный ресурс] / Пархоменко, Леденёва // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии .— 2015 .— №2 .— С. 121-129 .— Режим доступа: https://rucont.ru/efd/511521

Автор: Пархоменко

в статье предложен алгоритм обработки многомерных зашумлённых данных для аппроксимации функциональной зависимости с помощью нейронных сетей прямого распространения, предоставляющей на выходе интервальные числа

В общем случае при наличии обучающего множества (выборки) ( ){ } 1,, ,i i i N=x y где n i R∈x – входной <...> множество, т. е. сеть должна обеспечивать обобщение примеров обучающего множества [1]. <...> Идея кросс-валидации заключается в разбиений исходного множества D на два подмножества: обучающего и <...> множество ;D ( ), iP D w H – вероятность того, что НСПР с вектором весов w «породит» обучающее множество <...> множестве; ( ) 221 1 ; 2 2W i ii E w H w w= =∑ β –мера предполагаемого шума в обучающем множестве ,D

5

ПРИМЕНЕНИЕ МОДИФИЦИРОВАННОГО АЛГОРИТМА ГЕНЕТИЧЕСКОГО ПРОГРАММИРОВАНИЯ ДЛЯ ИДЕНТИФИКАЦИИ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ПУТЁМ РАСШИРЕНИЯ ОБУЧАЮЩЕГО МНОЖЕСТВА ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТЬЮ [Электронный ресурс] / Звезинцев, Квятковская // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика .— 2013 .— №2 .— С. 59-66 .— Режим доступа: https://rucont.ru/efd/504680

Автор: Звезинцев

Рассмотрено понятие математической идентификации, область её применения и этапы проведения. Проанализированы методы идентификации математических моделей: регрессионный анализ, гармонический анализ, метод группового учёта аргументов, генетическое программирование. Рассмотрено ограничение использования метода генетического программирования для идентификации математической модели неизученного процесса при наличии шумовой составляющей в экспериментальных данных. Предлагается модификация метода генетического программирования способом предварительной аппроксимации и расширения обучающего множества искусственной нейронной сетью. Приведены интерфейсы разработанного программного продукта и результаты тестирования предлагаемого метода

множества для генетического программирования с помощью предварительной аппроксимации обучающего множества <...> Использование в качестве обучающего множества для генетического программирования расширенного множества <...> Генерация набора входных и выходных данных обучающего множества. 3. <...> Степень расширения обучающего множества для генетического программирования Исходный набор 0,202 – 1 <...> Степень расширения обучающего множества для генетического программирования Исходный набор 4 0,147 –

6

№5 [Известия высших учебных заведений. Электроника, 2018]

На страницах журнала освещаются результаты научно-исследовательских работ, выполненных в вузах и НИИ, методические аспекты преподавания с учетом современных требований и форм обучения, дается информация о научных конференциях. Формируются специальные выпуски по тематическому признаку.

множества; id – ожидаемый отклик нейронной сети на i-й пример обучающего множества; n – количество элементов <...> в обучающем множестве. <...> множества Z; tti  }{ – множество выборочных констант Липшица, вычисленных для элементов обучающего <...> ошибка обучающего множества. <...> Множество }{ itt  назовем множеством выборочных констант Липшица обучающего множества.

Предпросмотр: Известия высших учебных заведений. Электроника №5 2018.pdf (1,3 Мб)
7

№3 [Вестник Южно-Уральского государственного университета. Серия "Компьютерные технологии, управление, радиоэлектроника", 2016]

Публикуются статьи по направлениям: управление; математическое, программное и аппаратурное обеспечение компьютерных технологий; измерительные системы, приборостроение, радиоэлектроника и связь.

Обучающее множество. <...> Совокупность пар XL = ( , ) называется обучающим множеством. <...> Возможные проблемы при формировании обучающего множества Для оценки качества обучающего множества обычно <...> способов улучшить качество обучающего множества. <...> данных в обучающее множество.

Предпросмотр: Вестник Южно-Уральского государственного университета. Серия Компьютерные технологии, управление, радиоэлектроника №3 2016.pdf (0,9 Мб)
8

Реализация нейронной сети для распознавания изображений с помощью технологии NVDIA CUDA [Электронный ресурс] / Ферцев // Прикладная информатика / Journal of Applied Informatics .— 2011 .— №6 .— С. 102-110 .— Режим доступа: https://rucont.ru/efd/453315

Автор: Ферцев

В данной работе предложен улучшенный алгоритм обучения нейронной сети прямого распространения на основе метода Левенберга-Марквардта. Алгоритм реализован в специальном программном комплексе на базе современной технологии параллельных вычислений

Совокупность характеристик объектов, для которых известны их образы, образует обучающее множество (набор <...> Основная задача распознавания заключается в том, чтобы, исходя из обучающего множества, определить образ <...> Влияние такого подхода особенно заметно при небольшом обучающем множестве. <...> множество разбивается на два: собственно обучающее множество, используемое для обучения, и тестовое <...> множество, используемое для тестирования обучаемой сети.

9

ВЫБОР ПАРАМЕТРОВ ДЛЯ ВЫДЕЛЕНИЯ СИНТАКСИЧЕСКИХ ОТНОШЕНИЙ В ПРЕДЛОЖЕНИЯХ РУССКОГО ЯЗЫКА [Электронный ресурс] / Сбоев, Рыбка, Иванов // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии .— 2014 .— №2 .— С. 116-122 .— Режим доступа: https://rucont.ru/efd/511961

Автор: Сбоев

В статье предлагается оригинальный подход к формированию на основе Национального Корпуса Русского Языка набора параметров, позволяющих снизить неопределенность установления синтаксических отношений между словами в предложении с использованием самоорганизационных и классификационных нейронных сетей. Представлена оценка неопределенности при установлении синтаксических отношений и при построении на их основе деревьев синтаксического разбора.

Обучающие множества составляются на основе списков пар слов, составленных для первого набора параметров <...> Для этого формируется обучающее множество для рассматриваемого синтаксического отношения, с использованием <...> Обучающее множество включало порядка 582 тысяч объектов, описанных 265 признаками. <...> С применением нейронной сети MLP точность распознавания равнялась 2,5 % для всего обучающего множества <...> Общая средняя ошибка расчета для всего множества объектов равняется 1,35 %. 2) При создании 11 обучающих

10

Развитие метода сигнальной идентификации буримости горных пород в реальном времени [Электронный ресурс] / Семенцов, Сабат, Гутак // Автоматизация, телемеханизация и связь в нефтяной промышленности .— 2014 .— №2 .— С. 32-37 .— Режим доступа: https://rucont.ru/efd/349481

Автор: Семенцов

При бурении одним долотом нового поколения разбуривается несколько разнородных пачек пород, буримость которых необходимо знать для уточнения параметров математической модели и определения оптимальных управляющих воздействий для следующего интервала бурения. Известные методы контроля буримости горных пород не соответствуют современному уровню автоматизации процесса бурения. Проведены исследования взаимосвязей механической скорости бурения с износом долота и начальной механической скорости бурения с управляющими воздействиями. Предложена методика сигнальной идентификации и автоматизированного бесконтактного контроля буримости горных пород в процессе углубления скважин на основе L-критерия и рекуррентного алгоритма кумулятивных сумм. Установлено, что начальная механическая скорость бурения, как показатель буримости, зависит от параметров режима бурения, диаметра долота и мощности на долоте. Получена обобщенная математическая модель. Для сигнальной идентификации буримости горных пород в реальном времени рекомендуется выбирать ту механическую скорость, которая определяется в начале бурения алмазным или незатупленным шарошечным долотом при бурении с оптимальными управляющими воздействиями. Это дает возможность определять связи показателей буримости с глубиной скважины, которые являются базой для текущей оптимизации процесса бурения. Разбиение горной породы на классы по буримости осуществляется с помощью нейронной сети.

износа долота и зависящий от абразивных свойств породы; т – целое положительное число, принадлежащее множеству <...> Из множества внешних воздействий, действующих на объект контроля, выбраны только те, которые существенно <...> Сеть обучалась на объеме выборки, равной 250. <...> Как "обучающее множество" нейронной сети использованы экспериментальные данные.

11

Интеллектуальные системы учебник

Автор: Ясницкий Л. Н.
М.: Лаборатория знаний

В учебнике приведена история становления научной области «искусственный интеллект». Освещены основные направления ее развития и сферы применения, выполнено сопоставление трех основных стратегических подходов к созданию интеллектуальных систем: технологии экспертных систем, технологии нейронных сетей и технологии эволюционного моделирования. Изложены теоретические основы и даны примеры разработки интеллектуальных систем, а также примеры их применения для интеллектуального анализа данных в промышленности, экономике, бизнесе, психологии, социологии и других областях. Книга является исчерпывающим руководством по освоению технологий создания интеллектуальных нейросетевых систем и их применению для решения широкого круга проблем, встречающихся во многих областях деятельности современного человека.

Нейросеть обучается на множестве L2, а на множестве T2 вычисляется ошибка тестирования εT2 . <...> слое; Q — количество примеров в обучающем множестве. <...> Помимо обучающего множества L и тестирующего множества T , формируется еще и подтверждающее множество <...> y и εi, рассчитанные по всему множеству обучающих примеров. <...> Скрытый нейрон-кандидат обучается с использованием обучающего множества примеров.

Предпросмотр: Интеллектуальные системы учебник — Эл. изд..pdf (0,2 Мб)
12

ПРИМЕНЕНИЕ НЕЙРОСЕТЕВОГО ПОДХОДА ПРИ ИНТЕРПРЕТАЦИИ КАРОТАЖНЫХ ДАННЫХ [Электронный ресурс] / Родина, Силкин // Вестник Воронежского государственного университета. Серия: Геология .— 2007 .— №2 .— С. 183-187 .— Режим доступа: https://rucont.ru/efd/515564

Автор: Родина

В статье приводятся результаты применения искусственных нейронных сетей (ИНС) для интерпретации данных геофизических исследований скважин (ГИС). Даются основные положения теории ИНС и сведения об опыте применения искусственного интеллекта в области ГИС. Производится описание используемых каротажных данных и методики их подготовки для работы с ИНС. Описывается методика обучения и применения сети

множестве. <...> множества. <...> Сплошной линией показана ошибка по обучающему множеству — это доминантная ошибка, пунктирной — ошибка <...> Ошибки по обучающему множеству, по контроль0 20 40 60 80 100 120 140 КС Веневитиново 0 5 10 15 20 Г К <...> Процесс обучения нейронной сети: 1 — цель обучения, 2 — ошибка по обучающему множеству, 3 — ошибка по

13

ОБНАРУЖЕНИЕ СЕТЕВЫХ АТАК НА ОСНОВЕ КОМПЛЕКСИРОВАНИЯ НЕЙРОННЫХ, ИММУННЫХ И НЕЙРОНЕЧЕТКИХ КЛАССИФИКАТОРОВ [Электронный ресурс] / А. А. Браницкий, И. В. Котенко // Информационно-управляющие системы .— 2015 .— №4 .— С. 69-77 .— Режим доступа: https://rucont.ru/efd/326437

Постановка проблемы: несовершенство существующих методов обнаружения вторжений, а также изменяющийся характер вредоносных действий со стороны атакующего приводят компьютерные системы в небезопасное состояние, поэтому важно идентифицировать новые типы атак и своевременно реагировать на них. Цель: разработка гибридной схемы обнаружения и классификации сетевых атак на основе комбинирования адаптивных классификаторов. Резуль- таты: предложена обобщенная схема комбинирования классификаторов для обнаружения сетевых атак. На ее основе разработано программное средство, которое позволяет анализировать сетевой трафик на наличие аномальной сете- вой активности. Для уменьшения числа используемых признаков предлагается применять метод главных компонент. Основными особенностями предлагаемого подхода является многоуровневый анализ сетевого трафика, а также ис- пользование различных адаптивных модулей в процессе обнаружения атак. Проведены вычислительные эксперименты на двух открытых наборах данных с использованием различных способов комбинирования классификаторов. Практи- ческая значимость: разработанные модули могут быть использованы для обработки данных, полученных от сенсоров системы управления информацией и событиями безопасности.

В качестве обучающего множества для искусственных нейронных сетей могут служить Copyright ОАО «ЦКБ «БИБКОМ <...> Во многих работах, например [3–5], в качестве обучающих данных используется множество записей KDD Cup <...> выборках из обучающего множества. <...> множество. <...> Поэтому новое поколение детекторов будет использовать расширенное обучающее множество данных и охватывать

14

Нейронные сети учеб. пособие

Автор: Горожанина Е. И.
Изд-во ПГУТИ

Учебное пособие имеет целью ознакомить учащихся с компонентами интеллектуальных систем, а именно искусственные нейронные сети. Предусмотрено рассмотрение принципов построения интеллектуальных информационных систем и их «настройке». Затрагивается вопрос применения инструментальных средств поддержки проектирования и построения нейросетей.

Обучающее множество состоит лишь из входных векторов. <...> Выбрать очередную обучающую пару векторов из обучающего множества и подать входной вектор на входы сети <...> Повторять шаги с 1 0 по 4 0 для каждой пары обучающего множества до тех пор, пока ошибка на всем множестве <...> все векторы обучающего множества, прежде чем выполняется коррекция весов. <...> линия) множеств: максимальная квадратичная ошибка на обучающем и тестовом множествах (сплошная линия

Предпросмотр: Нейронные сети учебное пособие.pdf (0,6 Мб)
15

КЛАССИФИКАЦИЯ ТЕКСТОВ НА ОСНОВЕ ПРИБЛИЖЕННЫХ ОЦЕНОК ВЕРОЯТНОСТЕЙ КЛАССОВ [Электронный ресурс] / Солодухин // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии .— 2008 .— №1 .— С. 84-89 .— Режим доступа: https://rucont.ru/efd/519631

Автор: Солодухин

В данной работе предлагается метод классификации текстов на основе приближенных оценок условных распределений вероятностей классов. Суть метода заключается в представлении наборов признаков и класса текста как совокупность одновременных событий и приближенной оценки вероятностных зависимостей между признаками и классами текстов

термов, обеспечивающего достаточно эффективную классификацию, на основе обучающего множества документов <...> На основе обучающей выборки вычислим множество оценок условных вероятностей P(c i / f), где f∈T — любое <...> Пусть имеется множество весов W={weight k } и множество обучающих документов D={d j }. <...> В качестве обучающего множества были выбраны все подпапки кроме «part10», соответственно «part10» использовалась <...> При другом разделении «Ling-Spam corpus» на обучающее множество и множество для тестирования качества

16

№10 [Вестник компьютерных и информационных технологий, 2011]

Журнал публикует статьи о компьютерных и информационных технологиях в промышленности, образовании, экономике и т.д. - опыт разработки, внедрения и использования. В журнале: * Тенденции развития компьютерных и информационных технологий в технике, экономике и управлении * Информационные технологии в экономике и профессиональном образовании * Автоматизация проектирования, конструирования и технологической подготовки производства * Программное обеспечение * Информационно-управляющие комплексы подвижных объектов * Сетевые технологии. Интернет-технологии. Информационная безопасность * Аппаратное обеспечение информационных технологий * Информационная поддержка жизненного цикла технических систем * Компьютерное зрение. Виртуальная реальность. Компьютерная графика * Геоинформатика. Технологии дистанционного зондирования и мониторинга * Технологии автоматической идентификации. Биометрия * Распределенные информационно-управляющие системы. Автоматизация документооборота, формирование электронных архивов и библиотек * Нормативная база, стандартизация и сертификация информационных продуктов и систем * Выставки, семинары и конференции

Предложены алгоритмы сокращения размерности обучающего множества оптико-электронных изображений и ОМВП <...> Ключевые слова: обучающее множество; сокращение размерности; наблюдаемый кадр; кластеризация; медоид. <...> Одна из них используется для подготовки ОМВП (называется обучающим множеством кадров (ОМК)), другая – <...> Обучающее множество векторов признаков используется при обучении алгоритма обнаружения и локализации <...> Сокращение размерности обучающего множества векторов признаков Сокращение размерности всекадрового ОМВП

Предпросмотр: Вестник компьютерных и информационных технологий №10 2011.pdf (0,2 Мб)
17

ОПРЕДЕЛЕНИЕ ПОРЯДКА АВТОРЕГРЕССИОННОЙ МОДЕЛИ С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ [Электронный ресурс] / Козлов // Измерение. Мониторинг. Управление. Контроль .— 2014 .— №4 .— С. 49-52 .— Режим доступа: https://rucont.ru/efd/553032

Автор: Козлов

Рассмотрены вопросы определения порядка авторегрессионной модели. Показана возможность применения для решения поставленной задачи нейронных сетей

Множество входных векторов, при которых нейрон активен (у = 1), отделено от множества векторов, на которых <...> Структура сети PNN Предполагается, что задано обучающее множество, состоящее из Q пар векторов вход/цель <...> Весовая матрица первого слоя IW11 формируется с использованием векторов входа из обучающего множества <...> Когда подается новый вход, блок ||dist|| вычисляет близость нового вектора к векторам обучающего множества <...> Вектор обучающего множества, наиболее близкий к вектору входа, будет представлен в векторе выхода a1

18

№9 [Вестник компьютерных и информационных технологий, 2011]

Журнал публикует статьи о компьютерных и информационных технологиях в промышленности, образовании, экономике и т.д. - опыт разработки, внедрения и использования. В журнале: * Тенденции развития компьютерных и информационных технологий в технике, экономике и управлении * Информационные технологии в экономике и профессиональном образовании * Автоматизация проектирования, конструирования и технологической подготовки производства * Программное обеспечение * Информационно-управляющие комплексы подвижных объектов * Сетевые технологии. Интернет-технологии. Информационная безопасность * Аппаратное обеспечение информационных технологий * Информационная поддержка жизненного цикла технических систем * Компьютерное зрение. Виртуальная реальность. Компьютерная графика * Геоинформатика. Технологии дистанционного зондирования и мониторинга * Технологии автоматической идентификации. Биометрия * Распределенные информационно-управляющие системы. Автоматизация документооборота, формирование электронных архивов и библиотек * Нормативная база, стандартизация и сертификация информационных продуктов и систем * Выставки, семинары и конференции

Ключевые слова: классификация; метод опорных векторов; вейвлет-разложение; обучающее множество. <...> Задача классификации решается при наличии обучающего множества, состоящего из изображений объектов, для <...> Обучающее множество При решении задачи классификации трехмерных объектов по их двухмерным изображениям <...> Примеры изображений обучающего множества класса «грузовой автомобиль» представлены на рис. 3. 1. <...> Для оценки эффективности алгоритма использовались обучающее и тестовое множества с числом классов N =

Предпросмотр: Вестник компьютерных и информационных технологий №9 2011.pdf (0,2 Мб)
19

ОСОБЕННОСТИ КОНТРОЛЯ И ПОСТРОЕНИЯ ПАРАМЕТРИЧЕСКИХ МОДЕЛЕЙ СЕРИЙНОЙ ПРОДУКЦИИ (РЕЗИСТИВНЫХ КОМПОНЕНТОВ) [Электронный ресурс] / Белков, Еремеев, Малышев // Датчики и системы. Sensors & Systems .— 2012 .— №12 (163) .— С. 25-30 .— Режим доступа: https://rucont.ru/efd/599186

Автор: Белков

Рассмотрены основные факторы, оказывающие влияние на разброс частотных параметров резистивных компонентов при серийном выпуске. Исследованы принципы измерения и учета параметров технологического разброса, его влияние на выходные параметры резистивных компонентов. Выявлены зависимости волновых параметров рассеяния резисторов от свойств материалов, технологических допусков и особенностей монтажа. Рассмотрены особенности построения параметрических моделей резистивных компонентов

Сравнение измеренных данных из обучающего множества (подложка RO4003C, h = 0,203 мм) и нейросетевых моделей <...> Сравнение измеренных данных не из обучающего множества (подложка RO4003C, h = 0,508 мм) и нейросетевых <...> Сравнение построенной модели с массивом данных, входящем в обучающее множество (подложка RO4350B, h = <...> Сравнение построенной модели с массивом данных, не входящих в обучающее множество (подложка RO4003C,

20

ВОЗМОЖНОСТИ КОМПЛЕКСНОГО ПОДХОДА К МОДЕЛИРОВАНИЮ И ПРОГНОЗИРОВАНИЮ ДЛИТЕЛЬНО РАЗРАБАТЫВАЕМЫХ МЕСТОРОЖДЕНИЙ [Электронный ресурс] / Каневская, Потапова, Манджиева // Недропользование - ХХI век .— 2016 .— №4 (61) .— С. 88-95 .— Режим доступа: https://rucont.ru/efd/479953

Автор: Каневская

Авторами предложен аналитический метод оценки эффективных фазовых проницаемостей по промысловым данным для длительно разрабатываемых пластов при наличии жесткой системы заводнения, апробированный при моделировании пластов ТТНК Вятской площади Арланского месторождения.

Далее сеть обучается на определенном наборе данных – множестве аргументов и соответствующих им значений <...> Поэтому было принято решение ограничить обучающее множество скважинами, близкими к исходной по параметрам <...> Обучающее множество состояло из 12, 16 и 24 ближайших по параметрам скважин. <...> Точки разного цвета соответствуют расчетам с обучающим множеством в 20, 16 и 12 скважин. <...> Точки разного цвета также соответствуют расчетам с обучающим множеством в 24, 16 и 12 скважин.

21

Нейросетевые и гибридные системы

Автор: Каширина Ирина Леонидовна
Издательский дом ВГУ

Учебно-методическое пособие подготовлено на кафедре математических методов исследования операций факультета прикладной математики, информатики и механики Воронежского государственного университета.

Векторы обучающего множества предъявляются последовательно, вычисляются ошибки, и веса подстраиваются <...> Обучающее множество состоит лишь из входных векторов. <...> ошибка на обучающем множестве продолжает понижаться). <...> Произвести единичную нормировку всех векторов (X, Y) обучающего множества. Шаг 2. <...> Для каждого вектора XN из обучающего множества: 1) Нормализовать XN к длине 1. 2) Заменить координаты

Предпросмотр: Нейросетевые и гибридные системы .pdf (0,9 Мб)
22

Анализ многообразия архитектур и методов моделирования децентрализованных систем на основе агент-ориентированного подхода [Электронный ресурс] / Бурилина, Ахмадеев // Креативная экономика .— 2016 .— №7 .— С. 150-169 .— Режим доступа: https://rucont.ru/efd/412695

Автор: Бурилина

В статье представлена методология построения искусственного интеллекта агентов и гибридных агент-ориентированных моделей с использованием нейронных сетей, позволяющих преодолеть недостатки известных методов математической формализации поведения агентов микроуровня. Авторами разработан детальный обзор обучающихся и не обучающихся агентов, описаны математически подходы к проектированию взаимоотношений агентов в сети и предложены классификаторы искусственного интеллекта. Данная работа может быть полезна при разработке оптимизационных моделей на основе методов имитационного компьютерного моделирования, нейронных сетей, а также при построении децентрализованных агент-ориентированных моделей социальных систем. Работа выполнена при финансовой поддержке РНФ, грант № 16-18-10296 «Разработка комплекса агент-ориентированных моделей, имитирующих социально-экономическую систему Евразийского континента, и детализированных до уровня отдельных индивидуумов».

Авторами разработан детальный обзор обучающихся и не обучающихся агентов, описаны математически подходы <...> «Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются <...> множества соответствовало поведение выходного вектора. <...> Введем множество р-векторов, которое называется обучающимся множеством, где вектор задает условие задачи <...> Обучающее множество содержит в себе входные вектора, на основе которых сеть стремится выдать такие вектора

23

МЕТОДИКА НЕЙРОСЕТЕВОГО ПРОГНОЗИРОВАНИЯ КАССОВЫХ СБОРОВ КИНОФИЛЬМОВ [Электронный ресурс] / Л.Н. Ясницкий, Белобородова, Медведева // Финансовая аналитика: проблемы и решения .— 2017 .— №4 .— С. 95-109 .— Режим доступа: https://rucont.ru/efd/598072

Автор: Ясницкий Леонид Нахимович

Тема. Нейросетевое прогнозирование в кинобизнесе Цели. Статья посвящена исследованию возможностей применения метода экономико-математического моделирования для прогнозирования выручки и прибыли от проката будущих кинофильмов, а также выявлению факторов, влияющих на коммерческий успех кинобизнеса. Методология. В основе экономико-математической модели лежит нейронная сеть, обученная на известных исторических данных о прокате кинофильмов и включающая в себя 20 входных параметров. Компьютерные эксперименты выполнены методом «замораживания»: с помощью нейронной сети проводились вычисления при виртуальном изменении одного из входных параметров модели, тогда как остальные входные параметры сохранялись неизменными. Результаты. Среднеквадратичная относительная ошибка модели составила 13,8%, коэффициент детерминации – 0,86. Возможности модели продемонстрированы на кинофильмах «Код да Винчи», «Звездные войны». Выводы. Виртуальное увеличение бюджета фильмов по-разному сказывается на прогнозируемых кассовых сборах фильмов и величине прибыли. В первом случае виртуальное увеличение бюджета приводит к существенному возрастанию сборов и прибыли, тогда как во втором сборы с определенного момента перестают увеличиваться, а рост прибыли замедляется и даже наблюдается ее падение. По-разному влияют на успех кинобизнеса и другие параметры фильмов. На основании компьютерных экспериментов предложены рекомендации, которые могут способствовать повышению кассовых сборов фильмов. Значимость. Созданная экономико-математическая модель может быть использована для оптимизации финансовых затрат и выбора параметров при планировании новых фильмов. Она позволяет делать прогнозы в отношении кассовых сборов и прибыли от кинопроката, а также исследовать влияние различных параметров на коммерческий результат кинобизнеса.

В качестве обучающего множества был подобран список из 168 фильмов с кассовыми сборами в диапазоне от <...> США, 10% от которого вошли в тестовое множество. <...> Ее суть состоит в поочередном исключении примеров из обучающего множества и наблюдении за погрешностью <...> Если пример обучающего множества является выбросом и выпадает из закономерности, характерной для исследуемой <...> предметной области, то его удаление из обучающего множества приводит к падению погрешности обучения

24

О МЕТОДАХ ФОРМИРОВАНИЯ НЕЙРОСЕТЕВЫХ АНСАМБЛЕЙ В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ ФИНАНСОВЫХ ВРЕМЕННЫХ РЯДОВ [Электронный ресурс] / Каширина // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии .— 2009 .— №2 .— С. 114-117 .— Режим доступа: https://rucont.ru/efd/519747

Автор: Каширина

В статье предлагается несколько подходов к формированию нейросетевых комитетов в задачах прогнозирования финансовых временных рядов. В частности, обсуждается использование для этих целей перспективной методики бустинга

С этой целью предлагается провести предварительную кластеризацию входных образов обучающего множества <...> Первая нейронная сеть обучается на множестве из m примеров. 2. <...> множества исключительно на два класса, что снижает его применимость для решения задач прогнозирования <...> множестве, но обучающие векторы приобретают весовые коэффициенты, которые изменяются с течением времени <...> Как и в методе BOOST1, каждая из сетей комитета должна осуществлять классификацию обучающего множества

25

Конспект лекций по учебной дисциплине «Проектирование баз данных и баз знаний» по специальности: 080801 Прикладная информатика (в экономике)

Автор: Жданова Е. И.
Изд-во ПГУТИ

Дисциплина имеет целью ознакомить учащихся с некоторыми методами организации знаний, возможными компонентами интеллектуальных систем, такими как: искусственные нейронные сети, нечеткие системы, генетические алгоритмы. Предусмотрено обучение студентов принципам построения интеллектуальных информационных систем и их «настройке», анализу существующих элементов интеллектуальности и выбору оптимального. Затрагивается вопрос применения инструментальных средств поддержки проектирования и построения нейросетей, нечетких экспертных систем и систем, функционирующих на основе генетических алгоритмов.

Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются <...> Обучающее множество состоит лишь из входных векторов. <...> Выбрать очередную обучающую пару векторов из обучающего множества и подать входной вектор на входы сети <...> Повторять шаги с 1 0 по 4 0 для каждой пары обучающего множества до тех пор, пока ошибка на всем множестве <...> все векторы обучающего множества, прежде чем выполняется коррекция весов.

Предпросмотр: Проектирование баз данных и баз знаний Конспект лекций .pdf (0,4 Мб)
26

ОБУЧЕНИЕ НЕЙРОННЫХ СЕТЕЙ МЕТОДОМ ЛЕВЕНБЕРГА-МАРКВАРДТА В УСЛОВИЯХ БОЛЬШОГО КОЛИЧЕСТВА ДАННЫХ [Электронный ресурс] / Пархоменко, Леденёва // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии .— 2014 .— №2 .— С. 97-105 .— Режим доступа: https://rucont.ru/efd/511958

Автор: Пархоменко

Для достижения высокой точности обучения нейронной сети часто применяют алгоритм Левенберга-Марквардта. Однако алгоритм требует сложные вычисления, занимающей много времени. В данной статье представлено подробное описание метода и предложены способы его оптимизации и распараллеливания с целью увеличения производительности

множество для сети с n входами и m выходами, состоит из N вход-выходных значений – обучающих примеров <...> Структура обучающего множества имеет вид: ( ){ } 1,, , ,i i i NX Y x y ==    (1) где nix ∈  – входной <...> множества задаётся интегральным функционалом качества обучения [2]© Пархоменко С. <...> ограничения общности рассмотреть методы обучения лишь для случая сетей с 1.m = Для решения (6) существует множество <...> Обозначим за tΞ множество номеров строк ,J обработанных потоком .t Согласно (12), .TH J J∗ = Для экономии

27

ФОРМИРОВАНИЕ НЕЙРОСЕТЕВЫХ «ПОРТРЕТОВ» КЛАССОВ СКАТТЕРГРАММ У БОЛЬНЫХ МЕРЦАТЕЛЬНОЙ АРИТМИЕЙ [Электронный ресурс] / Хливненко, Пятакович, Васильев // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии .— 2016 .— №1 .— С. 94-100 .— Режим доступа: https://rucont.ru/efd/511795

Автор: Хливненко

В статье обсуждается методика получения обобщенных образов классов на основе преобразования знаний сети в оттенки серого цвета. Решается задача автоматической классификации скаттерграмм больных мерцательной аритмией с помощью однослойной искусственной нейронной сети прямого распространения

Искусственные нейронные сети (ИНС) обучаются на примерах. <...> алгоритм с использованием обучающего множества примеров, расклассифицированных врачом-экспертом; – выработать <...> множество было включено 50 прямоугольных изображений паттернов межпульсовых интервалов, зафиксированных <...> В обучающее множество было включено 100 скаттерграмм больных МА, сгруппированных по 20 примеров для каждого <...> классификации скаттерграмм у больных мерцательной аритмией методов математической статистики и теории нечетких множеств

28

Инженерия знаний учеб. пособие

Автор: Богданова Е. А.
Изд-во ПГУТИ

Учебное пособие содержит теоретические сведения по дисциплине Инженерия знаний. Разработано в соответствии с ФГОС ВО по направлению подготовки 09.03.01 - Информатика и вычислительная техника и предназначено для студентов 2 и 2у курсов заочной и дистанционной форм обучения.

Обучающее множество состоит лишь из входных векторов. <...> пару из обучающего множества; подать входной вектор на вход сети. 3) Вычислить выход сети. 4) Вычислить <...> Процесс обучения выделяет статистические свойства обучающего множества и группирует сходные векторы в <...> Векторы обучающего множества предъявляются последовательно, вычисляются ошибки, и веса подстраиваются <...> Если в результате обучения нейронная сеть хорошо распознает примеры из обучающего множества, но не приобретает

Предпросмотр: Инженерия знаний Учебное пособие.pdf (0,3 Мб)
29

АНАЛИЗ ЭФФЕКТИВНОСТИ МЕТОДОВ СНИЖЕНИЯ ВЫБОРОЧНОЙ КОНСТАНТЫ ЛИПШИЦА СЕТИ КАК ИНСТРУМЕНТОВ ПОВЫШЕНИЯ СКОРОСТИ ОБУЧЕНИЯ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ [Электронный ресурс] / Азарнова, Терновых // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии .— 2011 .— №1 .— С. 139-143 .— Режим доступа: https://rucont.ru/efd/519949

Автор: Азарнова

В статье рассматривается проблема обучения нейронных сетей при больших объемах обучающих выборок и проводится экспериментальный анализ по оценке степени повышения скорости обучения сети при использовании методов предобработки, базирующихся на понижении выборочной константы Липшица сети

Размер обучающей выборки может достигать тысяч и даже десятков тысяч обучающих элементов. <...> множеств. <...> отмасштабированных (среднее число итераций) Кластеры не имеют четко выраженных центров, присутствует множество <...> Для проведения исследования было сгенерировано по 500 обучающих множеств из 5–7 пересекающихся кластеров <...> Под критерием неуспешного обучения понималось хаотическое изменение ошибки сети на контрольном множестве

30

Управление деятельностью аспирантов в вузе [Электронный ресурс] / Макарычев, Попова // Известия высших учебных заведений. Поволжский регион. Технические науки .— 2011 .— №2 .— С. 67-75 .— Режим доступа: https://rucont.ru/efd/269558

Автор: Макарычев
М.: ПРОМЕДИА

Рассматривается архитектура системы контроля и управления отдела аспирантуры и докторантуры. Описывается процесс управления подготовкой специалистов высшей квалификации в университете с помощью модели управления по состояниям. Задача квалификации состояний решается с применением метода вербального анализа.

Описание обучающегося (аспирант, докторант, соискатель), включающее наряду с обычными учетными данными <...> На этом этапе используется обучающее множество, на нем происходит конструирование модели. <...> Тестовое множество, т.е. множество, на котором тестируется построенная модель, не должно зависеть от <...> обучающего множества. <...> на бюджетной основе, ко второй – аспиранты заочной формы, обучающиеся на бюджетной основе и аспиранты

31

ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ВРЕМЕННОГО РЯДА АТМОСФЕРНЫХ ТЕМПЕРАТУР НА ОСНОВЕ ИЕРАРХИЧЕСКИХ МНОГОСЛОЙНЫХ НЕЙРОННЫХ СЕТЕЙ [Электронный ресурс] / Сирота, Матвеев // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии .— 2015 .— №4 .— С. 142-148 .— Режим доступа: https://rucont.ru/efd/511781

Автор: Сирота

В настоящей работе проведен анализ возможности применения методики построения иерархической нейронной сети для прогнозирования динамики процессов изменения атмосферной температуры, а также сравнение полученных результатов с ранее полученными прогностическими моделями

Формируем представительные по объему обучающие примеры для построения модели прогнозирования на основе <...> Обучающее множество формируется следующим образом. <...> u u− − + −= s L> и требуемые им выходные целевые векторы ( ) ( ) ,i isu u= 1 ,i K=  где K – число обучающих <...> Формирование обучающего множества происходит следующим образом. <...> u− − + −=  t M> и требуемые им выходные целевые векторы ( ) ( ) ,j jtx x= 1 ,j J=  где J – число обучающих

32

ПРИМЕНЕНИЕ АППАРАТА НЕЙРОННЫХ СЕТЕЙ ДЛЯ СОЗДАНИЯ МОДЕЛЕЙ ПАССИВНЫХ ЭЛЕКТРОННЫХ КОМПОНЕНТОВ [Электронный ресурс] / Белков, Малышев, Никулин // Датчики и системы. Sensors & Systems .— 2011 .— №12 (151) .— С. 30-34 .— Режим доступа: https://rucont.ru/efd/600186

Автор: Белков

Обсуждаются способы построения параметрических моделей пассивных компонентов с помощью искусственных нейронных сетей. Рассмотрены основные типы нейронных сетей, наиболее подходящие для задач многомерной аппроксимации. Приведены способы построения параметрических моделей пассивных компонентов и результаты, демонстрирующие их эффективность

Сравнение моделей с параметрами из обучающего множества (H = 0,5 мм; LP = 1,1 мм; WP = 2,6 мм; GP = 0,5 <...> Сравнение моделей с параметрами, не вошедшими в обучающее множество (H = 0,5 мм; LP = 1,64 мм; WP = 2,75

33

ОПТИМИЗАЦИЯ ВЫЧИСЛИТЕЛЬНОГО ПРОЦЕССА ПРИ РЕАЛИЗАЦИИ ДВУХЭТАПНОГО АЛГОРИТМА АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ ГРУППЫ НАЗЕМНЫХ ОБЪЕКТОВ В ОПТИКО-ЭЛЕКТРОННОЙ ВИЗИРНОЙ СИСТЕМЕ ЛЕТАТЕЛЬНОГО АППАРАТА [Электронный ресурс] / Себряков [и др.] // Вестник компьютерных и информационных технологий .— 2011 .— №8 .— С. 7-13 .— Режим доступа: https://rucont.ru/efd/569033

Автор: Себряков

Рассмотрена задача минимизации времени реализации двухэтапного алгоритма автоматического обнаружения группы наземных объектов. С помощью процедуры профилирования выявлены компоненты алгоритма, существенно влияющие на время его реализации. Предложены изменения их структуры и параметров, обеспечивающие минимизацию времени реализации указанных компонент при сохранении значений показателей качества обнаружения, оптимизированных на этапе синтеза исходного алгоритма

: • структурная схема и значения параметров алгоритма автоматического обнаружения [2]; • тестовое и обучающее <...> множества НК; • массив значений эталонных опорных векторов, полученных для заданного обучающего множества <...> качества обнаружения (вероятности обнаружения PD и среднего числа ложных тревог на НК для тестового множества <...> Алгоритм решает бинарную задачу обнаружения: проверяет гипотезы о принадлежности элементов входного множества <...> Зависимость величины 2 t ′ от коэффициентов CNA и CNB Для рассмотренного тестового множества близким

34

МОДЕЛИРОВАНИЕ ВАРИАНТОВ ОПТИМИЗАЦИИ ДЛЯ ПРИНЯТИЯ РЕШЕНИЙ ПРИ КОНТРОЛЕ И УПРАВЛЕНИИ РАЗРАБОТКОЙ НЕФТЕГАЗОВОГО МЕСТОРОЖДЕНИЯ [Электронный ресурс] / Сагдатуллин // Нефтепромысловое дело/Oilfield Engineering .— 2014 .— №8 .— С. 33-36 .— Режим доступа: https://rucont.ru/efd/434114

Автор: Сагдатуллин

В настоящее время актуальным вопросом является разработка системы эффективного управления и мониторинга эксплуатации месторождения, для чего стали использоваться гидродинамические модели. В статье рассмотрены основные этапы создания постоянно действующей геологотехнологической модели (ПДГТМ) и проведен анализ данных, необходимых для ее построения. Исследован метод применения искусственных нейронных сетей и процедура их обучения для корректировки геолого-технологической модели. Предложен алгоритм и последовательность обучения нейронной сети для решения задачи оптимизации работы добывающих и нагнетательных скважин с минимизацией среднеквадратичной ошибки в процессе обучения. Выявлено, что рассматриваемый метод позволяет прогнозировать объемы закачиваемой жидкости, оптимизировать режимы работы нагнетательных и добывающих скважин. Также сделан вывод о важности задачи интеллектуализации месторождений на основе оснащения скважин контрольноизмерительным оборудованием и микропроцессорными средствами автоматизации, позволяющими управлять месторождениями в реальном масштабе времени.

Обучение происходит в следующей последовательности: 1) выбирается образ входа из обучающего множества <...> Каждая итерация процедуры обучения включает два "прохода": "проход" вперед, на котором получают множество <...> противном случае вес корректируется на величину рWij =   jp yip, (2) где изменение в силе связи для p-й обучающей <...> Полученная среднеквадратичная ошибка является минимальной согласно обучаемому множеству данных.

35

АЛГОРИТМ НА ОСНОВЕ МОДЕЛИ ПЕРЕДАТОЧНОЙ ФУНКЦИИ И ОДНОКЛАССОВОЙ КЛАССИФИКАЦИИ ДЛЯ ОБНАРУЖЕНИЯ АНОМАЛЬНОГО СОСТОЯНИЯ ДАМБ [Электронный ресурс] / А. П. Козионов [и др.] // Информационно-управляющие системы .— 2015 .— №6 .— doi: 10.15217/issn1684-8853.2015.6.10 .— Режим доступа: https://rucont.ru/efd/342314

Постановка проблемы: как правило, мониторинг состояния дамб с использованием датчиков, установленных в дамбу, заключается в сравнении измерений датчиков с заранее определенными пороговыми значениями, получен- ными в результате анализа или моделирования структуры дамбы. Этот способ позволяет обнаружить лишь простые случаи разрушения дамбы, например переливание гребня дамбы. Более сложные случаи, вызванные процессами внутренней эрозии, такой способ обнаружить не позволяет. Цель: разработка и апробация алгоритма обнаружения аномального состояния дамбы, вызванного процессами внутренней эрозии. Результаты: предлагаемый алгоритм об- наружения аномального состояния основан на моделировании передаточной функции между измеряемыми сигналами уровня воды и пóрового давления внутри дамбы. Одноклассовый классификатор «нейронные облака» используется для оценки нелинейной, нечеткой функции принадлежности ошибки модели к области нормального состояния. Обучение классификатора «нейронные облака» производится на исторических данных о нормальном поведении дамбы, получен- ных с датчиков, установленных в дамбе. Нечеткий выход классификатора, изменяющийся от 0 до 1, позволяет давать оценку близости текущего состояния дамбы к аномальному. Апробация алгоритма проводилась на реальных данных, полученных в ходе натурного эксперимента. Практическая значимость: результаты исследований и алгоритмические решения использованы компанией «Сименс» в компоненте искусственного интеллекта при разработке системы мони- торинга состояния дамб.

Обучается модель на исторических данных сигналов, которые в свою очередь разбиваются на два множества <...> : множество для обучения модели (training set, обычно принимается 80 % данных) и множество для проверки <...>  где  — СКО оценки; d — количество параметров модели; NTR — количество измерений, используемых в обучающем <...> множестве. <...> множество).

36

Многофакторная математическая модель в прогнозировании эффективности лечения больных с травмами вспомогательного аппарата глаз [Электронный ресурс] / Жабоедов, Петренко // Офтальмология. Восточная Европа .— 2014 .— №4 .— С. 169-173 .— Режим доступа: https://rucont.ru/efd/500597

Автор: Жабоедов

В работе определена роль многофакторной математической модели в прогнозировании эффективности лечения больных с травмами вспомогательного аппарата глаза. Математическая модель построена на большом количестве факторных признаков, включая основные анатомо-функциональные и эстетические параметры вспомогательного аппарата глаза, виды травм, факторы, влияющие на результаты реконструктивно-восстановительных операций. Чувствительность модели составила 89,7% (95% ДИ 75,5%–98,1%), специфичность – 92,2% (95% ДИ 83,0%–98,0%). Установлено, что риск неэффективности лечения статистически значимо повышается при росте на каждую единицу значения индекса симметрии слезного треугольника: ОШ=3,5 (95% ДИ 1,4–8,6; p=0,007), площади поражения кожи век: ОШ=2,0 (95% ДИ 1,1–3,6; p=0,017), показателя нарушения положения век: ОШ=4,4 (95% ДИ 1,6–12,1; p=0,004). Предложенный морфофункциональный способ лечения посттравматических дефектов вспомогательного аппарата глаза при стандартизации по всем значимым факторам риска снижает риск неэффективности лечения (p<0,001): ОШ=0,001 (95% ДИ 0,0005–0,027) по сравнению с традиционным.

порога принятия/отвержения чувствительность модели, построенной на полном наборе факторных признаков, на обучающем <...> множестве составила 100% (95% доверительный интервал (ДИ) 93,6%–100%), специфичность – 94,1% (95% ДИ <...> На подтверждающем множестве чувствительность модели составила 81,8% (95% ДИ 50,9%–98,9%), специфичность <...> После оптимизации порога принятия/отвержения модели получено: чувствительность модели на обучающем множестве <...> Чувствительность и специфичность на обучающем и тестовом множестве статистически значимо не различаются

37

Сравнительный анализ алгоритмов нейросетевого детектирования лжи [Электронный ресурс] / Ясницкий, Петров, Сичинава // Известия высших учебных заведений. Поволжский регион. Технические науки .— 2010 .— №1 .— С. 64-72 .— Режим доступа: https://rucont.ru/efd/269472

Автор: Ясницкий
М.: ПРОМЕДИА

В результате системного анализа выявлены недостатки существующих систем инструментальной детекции лжи алгоритмов нейросетевого детектирования лжи, предложены, реализованы и проанализированы алгоритмы построения нейросетевого полиграфного аппарата, выявлен наиболее перспективный алгоритм построения нейросетевого полиграфа - анкетный.

Дело в том, что для каждого обследуемого человека приходится заново формировать множество обучающих примеров <...> (порядка 70–100 вопросов-ответов), а затем обучать персептрон на каждом таком множестве. <...> При каждом тестировании 90 элементов использовались в качестве обучающего множества и 10 элементов – <...> 90 – в качестве обучающего; для второго эксперимента в качестве тестирующего множества взяты следующие <...> , были взяты в качестве обучающего множества и т.д.

38

ЧИСЛЕННОЕ МОДЕЛИРОВАНИЕ ПРОЦЕДУРЫ СИНТАКСИЧЕСКОГО РАЗБОРА С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ [Электронный ресурс] / Рыбка, Сбоев, Иванов // Вестник Воронежского государственного университета. Серия: Лингвистика и межкультурная коммуникация .— 2015 .— №3 .— С. 29-34 .— Режим доступа: https://rucont.ru/efd/508401

Автор: Рыбка

в статье предлагается модель процедуры синтаксического разбора предложения в фор мате Национального корпуса русского языка, основанная на нейросетевых алгоритмах. Представля ются результаты сравнительного анализа точностей моделей нейронных сетей с различными топо логиями для установления синтаксических отношений. Приведены результаты сравнения с другими системами разработанной модели процедуры синтаксического разбора, включающей комплекс отоб ранных нейросетевых алгоритмов в сочетании с экстрагированными на основе морфологических ха рактеристик признаками потенциальных синтаксических отношений и инкрементальную схему раз бора

Подходы к построению дерева синтаксического разбора и формирования обучающих примеров для определения <...> Обучающая выборка при этом состоит из объектов, соответствующих вышеуказанным действиям схемы разбора <...> При разбиении объектов, образующих синтаксичес­ кие отношения (650 тыс. примеров в обучающем множестве <...> ) от необразующих (10 млн примеров в обучающем множестве) рассматривались различные нейросетевые методы <...> Для определения конкретного синтаксического отношения в рамках множества объектов (650 тыс. объектов

39

№46 [Финансы и кредит, 2017]

Главная задача журнала - публикация теоретических и научно-практических статей, освещающих взаимосвязи и взаимозависимости, возникающие в процессе функционирования различных звеньев финансовой системы, финансовые потоки и кругооборот капитала, структурные элементы денежно-кредитной системы, объективные закономерности формирования системы денежно-кредитных отношений на микро- и макроуровне.

; J =J 1∪J 2 – множество наблюдений; I – множество параметров наблюдений; T – множество членов комитета <...> К примеру, для Brent верных прогнозов для J2 на обучающем множестве было лишь 20,22%, а на контрольном <...> и контрольном множестве имеет больше 50% успеха; – классификация по каждому классу на обучающем и контрольном <...> Во-вторых, с учетом того, что на обучающем множестве с более высокой прогностической способностью доходность <...> Актив Обучающее множество Контрольное множествоJ1 J2 J1 J2 CAD/USD 281 229 32 23 EUR/RUB 275 235 32

Предпросмотр: Финансы и кредит №46 2017.pdf (3,4 Мб)
40

Использование нейронных сетей для построения прогностических моделей процессов в энергетических установках и их агрегатах [Электронный ресурс] / Зароченцев [и др.] // Известия высших учебных заведений. Электроника .— 2016 .— №3 .— С. 51-57 .— Режим доступа: https://rucont.ru/efd/376650

Автор: Зароченцев

Представлен опыт внедрения информационно-измерительных технологий и имитационного моделирования в практику стендовой отработки различных изделий ракетно-космической техники. Рассмотрен пример использования нейросетевого имитационного моделирования применительно к задаче построения прогностической модели прироста давления в насосе горючего турбонасосного агрегата жидкостного ракетного двигателя в зависимости от скорости потока и концентрации полимерной присадки. Приведены этапы программной реализации соответствующей нейросетевой модели, а также описание пользовательского интерфейса. С помощью модели уточнена оптимальная концентрация полимерной присадки, позволяющая увеличить КПД насоса горючего жидкостного ракетного двигателя.

Преимущество нейросетевой имитационной модели состоит в том, что она может оптимально настраиваться (обучаться <...> Таким образом, факторное пространство есть множество YXV  . <...> При относительно малой размерности обучающей выборки, что имеет место в данном исследовании, следует <...> В работе [7] отмечается, что для хорошего обобщения достаточно, чтобы размер обучающего множества удовлетворял <...> множества; O(•) – порядок заключенной в скобки величины.

41

Методика обучения экспертной системы оценки стабильности работы сварщика [Электронный ресурс] / Лукьянов, Кузьменко // Вестник Донского государственного технического университета .— 2014 .— №4 .— С. 118-125 .— Режим доступа: https://rucont.ru/efd/376882

Автор: Лукьянов

Рассматривается схема проектирования и обучения искусственной нейронной сети. На этой методике основана экспертная система оценки стабильности моторных навыков специалиста при работе на тренажере сварщика.

Известно, что ИНС необходимо обучать на конкретных данных предметной области. <...> Нейронные сети не программируются в привычном смысле этого слова, они обучаются. <...> Чем больше количество нейронов и слоев, тем шире возможности слоев, но тем медленнее сеть обучается и <...> Выбрать очередную обучающую пару из обучающего множества; подать входной вектор на вход сети. 4. <...> Повторять шаги с 3 по 7 для каждого вектора обучающего множества до тех пор, пока ошибка на всем множестве

42

№3 [Моделирование и анализ информационных систем (МАИС), 2013]

Научный журнал Моделирование и анализ информационных систем издается Ярославским государственным университетом им. П.Г. Демидова. В журнале публикуются статьи по математике и информатике, вычислительной технике, кибернетике, механике и управлению, в которых рассматривается широкий круг вопросов, связанных с разработкой, анализом и проектированием информационных систем, а также исследованием их математических моделей. Входит в перечень ВАК.

Построить модель данных µ(α,A) по исходной выборке (или её части – обучающему множеству). 2. <...> Для этого проводится дополнительное тестирование обучающего множества при различных значениях параметра <...> Для целевого признака строится линейная регрессия по всему обучающему множеству (2). 2. <...> База данных разделена на обучающее множество (43500 объектов) и тестовое множество (13500) объектов. <...> В данной работе тестовое множество содержит 25% объектов выборки, а обучающее множество — 75%.

Предпросмотр: Моделирование и анализ информационных систем (МАИС) №3 2013.pdf (0,7 Мб)
43

№3 [Вестник Южно-Уральского государственного университета. Серия "Компьютерные технологии, управление, радиоэлектроника", 2015]

Публикуются статьи по направлениям: управление; математическое, программное и аппаратурное обеспечение компьютерных технологий; измерительные системы, приборостроение, радиоэлектроника и связь.

Поэтому сбалансированность обучающего множества при обучении деревьев очень важна. <...> Рассмотрим некоторое разбиение множества объектов = { , ⋯ , } на две выборки – обучающую Xt длины l и <...> Таким образом, на каждом следующем уровне дерева обучающее множество вершины содержит все меньше и меньше <...> А чем меньше размер обучающего множества, тем выше вероятность переобучения. <...> На практике высока вероятность того, что разбалансировка обучающего множества существует в некоторой

Предпросмотр: Вестник Южно-Уральского государственного университета. Серия Компьютерные технологии, управление, радиоэлектроника №3 2015.pdf (0,9 Мб)
44

№3 [Вестник Новосибирского государственного университета экономики и управления, 2018]

Журнал носит междисциплинарный характер и освещает проблемы национальной безопасности России и регионов, результаты теоретических и практических исследований в области финансов, управления, аудита, бухгалтерского учета и статистики.

Введем ключевые категории – обучающее множество: пусть имеется множество объектов X, множество допустимых <...> Подтверждение теоретических конструкций Обучающее множество Историческая (обучающая) выборка, основана <...> множеству определенного типа Взаимосвязь между обучающим множеством и генеральной совокупностью Обучающее <...> случае не совпадают со свойствами обучающего множества Способы формирования обучающего множества Случайно <...> формирования обучающего совокупностного множества.

Предпросмотр: Вестник Новосибирского государственного университета экономики и управления №3 2018.pdf (0,3 Мб)
45

Вестник Липецкого государственного технического университета (Вестник ЛГТУ). № 1 (27). 2016 г. научно-технический журнал

Липецкий государственный технический университет

Свидетельство о регистрации средства массовой информации ПИ № ФС77-57003. Выдано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор) 25.02.2014 г. Журнал включен в Реферативный журнал и Базы данных ВИНИТИ. Сведения о журнале ежегодно публикуются в международной справочной системе по периодическим и продолжающимся изданиям «Ulrich’sPeriodicalsDirectory».

Интегральная степень соответствия (по всем примерам) нейросетевой модели данным из обучающего множества <...> Обучающее множество в случае интервального представления данных задается таблицей «вход-выход», состоящей <...> множества. <...> При этом вклад в суммарную ошибку для каждого примера обучающего множества задается формулой: 2 iii ) <...> Для оценки качества обученной модели множество исходных данных принято разделять на три части: обучающую

Предпросмотр: Вестник Липецкого государственного технического университета (Вестник ЛГТУ). № 1 (27). 2016 г..pdf (1,3 Мб)
46

РАСПОЗНАВАНИЕ РУКОПИСНЫХ СИМВОЛОВ НА ОСНОВЕ АНАЛИЗА ДЕСКРИПТОРОВ ФУНКЦИЙ ДЛИНЫ ХОРДЫ [Электронный ресурс] / Запрягаев, Сорокин // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии .— 2009 .— №2 .— С. 47-56 .— Режим доступа: https://rucont.ru/efd/519736

Автор: Запрягаев

В работе рассматривается подход к распознаванию рукописных символов, основанный на получении признаков объектов. Описаны способы построения инвариантных дескрипторов функций длины хорды и эллиптических дескрипторов Фурье. Также в работе приведены некоторые подходы к уменьшению размерности пространства признаков на основе метода главных компонент и методов линейного дискриминантного анализа. Сформулированы алгоритмы обучения и распознавания объектов

Для успешного решения задачи распознавания объектов, необходим некоторый анализ обучающего множества <...> Если считать, что количество главных компонент не увеличится при увеличении объёма обучающего набора <...> Пусть обучающий множество объектов задано набором векторов-признаков x Ri pŒ , i n=( )1.. , предРаспознавание <...> направлением w, описывает расстояние между классами по сравнению с расстоянием внутри класса на всём множестве <...> обучающих данных.

47

Прогнозирование ближайшего (0,5 года) клинико-функционального исхода у пациентов с первым эпизодом психоза [Электронный ресурс] / Осокина, Абрамов, Гурьянов // Психиатрия, психотерапия и клиническая психология .— 2014 .— №2 .— С. 46-57 .— Режим доступа: https://rucont.ru/efd/497678

Автор: Осокина

По результатам исследования 237 пациентов с первым психотическим приступом была построена математическая модель прогнозирования клинико-функционального исхода (0,5 года) у пациентов, перенесших первый приступ психоза. Из проанализированных 107 показателей было выделено 4 факторных признака, определяющих исход (особенности лечебно-реабилитационной тактики, длительность нелеченого заболевания, уровень симптоматической нагрузки на продром психоза и уровень качества жизни), на основании которых была построена модель (чувствительность модели 84,0% (95% ДИ 72,4%–92,9%), специфичность – 86,1% (95% ДИ 79,8%–91,4%)). В соответствии с моделью прогноза определялся благоприятный или неблагоприятный исход. Риск неблагоприятного исхода в ближайшем периоде повышался при увеличении длительности нелеченого заболевания (p=0,01) и уровня симптоматической нагрузки на продром психоза (p=0,05). Использование в системе реабилитации больных системы экзистенциально-личностного восстановления снижало риск ближайшего неблагоприятного исхода (p<0,001). Для практического использования данной модели в среде табличного процессора Excel была реализована экспертная система прогнозирования, доказавшая свою эффективность.

порога принятия/отвержения чувствительность модели, построенной на полном наборе факторных признаков, на обучающем <...> множестве составила 90% (95% ДИ 80,0–96,8%), специфичность – 91,2% (95% ДИ 85,9–95,4%). <...> принятия/отвержения модели (Ycrit=0,4679) получены следующие результаты: чувствительность модели на обучающем <...> : обучающее (использовалось для расчета параметров модели и включало 187 наблюдений), контрольное (использовалось <...> БИБКОМ» & ООО «Aгентство Kнига-Cервис» 50 Следует отметить, что чувствительность и специфичность на обучающем

48

№34 [Финансы и кредит, 2017]

Главная задача журнала - публикация теоретических и научно-практических статей, освещающих взаимосвязи и взаимозависимости, возникающие в процессе функционирования различных звеньев финансовой системы, финансовые потоки и кругооборот капитала, структурные элементы денежно-кредитной системы, объективные закономерности формирования системы денежно-кредитных отношений на микро- и макроуровне.

Оценка проводится на обучающем множестве. 1.3. <...> Пусть S (t) – множество номеров данных в обучающей выборке, относящихся к узлу t. <...> Пусть задано обучающее множество {(x( j ) , y( j ))} j=1,2,. .. <...> Предполагается, что имеется алгоритм обучения, который по обучающему множеству L строит предиктор φ(x <...> Основываясь на обучающем множестве L, можно построить набор обучающих множеств {Lk}k=1,. .. , K (как

Предпросмотр: Финансы и кредит №34 2017.pdf (2,2 Мб)
49

№2 [Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии, 2014]

Журнал входит в Перечень ВАК ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученых степеней доктора и кандидата наук

множество для сети с n входами и m выходами, состоит из N вход-выходных значений – обучающих примеров <...> Обучающие множества составляются на основе списков пар слов, составленных для первого набора параметров <...> Обучающее множество включало порядка 582 тысяч объектов, описанных 265 признаками. <...> С применением нейронной сети MLP точность распознавания равнялась 2,5 % для всего обучающего множества <...> Общая средняя ошибка расчета для всего множества объектов равняется 1,35 %. 2) При создании 11 обучающих

Предпросмотр: Вестник Воронежского государственного университета. Серия Системный анализ и информационные технологии №2 2014.pdf (0,4 Мб)
50

РАСЧЕТЫ РЕЧНОГО СТОКА НА ОСНОВЕ МОДЕЛИ SWAP ДЛЯ ВОДОСБОРОВ С НЕДОСТАТОЧНЫМ ИНФОРМАЦИОННЫМ ОБЕСПЕЧЕНИЕМ. 1. ИСПОЛЬЗОВАНИЕ МЕТОДА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ [Электронный ресурс] / Айзель, Насонова // Водные ресурсы .— 2017 .— №2 .— С. 5-16 .— Режим доступа: https://rucont.ru/efd/589963

Автор: Айзель

Для водосборов, недостаточно обеспеченных информацией, для расчетов речного стока исследована возможность применения искусственных нейронных сетей (ИНС) для оценки наиболее важных модельных параметров, необходимых для расчета речного стока на основе модели SWAP. В качестве исследуемых географических объектов выбраны 323 экспериментальных водосбора из проекта MOPEX. Проанализировано качество оценки модельных параметров при использовании ИНС с различной архитектурой

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. <...> Кросс-проверка заключается в использовании во время итерационного обучения дополнительного множества <...> данных (контрольного множества). <...> В то время как обучающее множество используется для корректировки весов сети, контрольное множество служит <...> множестве бассейнов – достаточно хорошие (коэффициент корреляции >0.8 для МП и 0.7 для РБФ).

Страницы: 1 2 3 ... 2869