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: 148834 (1,54 сек)

Свободный доступ
Ограниченный доступ
Уточняется продление лицензии
1

ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ АССОЦИАТИВНЫХ МАШИН ДЛЯ ОБНАРУЖЕНИЯ ВТОРЖЕНИЙ В ЛОКАЛЬНУЮ СЕТЬ [Электронный ресурс] / Комарцова, Лавренков // Прикладная информатика / Journal of Applied Informatics .— 2013 .— №5 .— С. 43-56 .— Режим доступа: https://rucont.ru/efd/436998

Автор: Комарцова

Предложен алгоритм объединения мнений экспертов, построенных на основе многослойного персептрона, с помощью алгоритмических композиций с динамическим механизмом оценки коэффициента доверия к каждому эксперту.

обучения препятствовать попаданию метода обратного распространения ошибки в локальный минимум и дать <...> Если полученная комбинация допустима и ошибка обучения меньше Fмакc, то перейти к шагу 3. Д. <...> Вычислить ошибку обучения Еобщ. на всей тестовой выборке для ассоциативной машины. 5.6. <...> обучения, Emin — минимальная среднеквадратическая ошибка эксперта. <...> и yi — среднеквадратическая ошибка обучения нейронной сети на данной итерации.

2

ПРИМЕНЕНИЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ КЛАССИФИКАЦИИ ТЕЛЕМЕТРИЧЕСКИХ ДАННЫХ В СИСТЕМАХ СЖАТИЯ [Электронный ресурс] / Богачев, Левенец, Ун // Информационно-управляющие системы .— 2016 .— №3 .— С. 4-9 .— Режим доступа: https://rucont.ru/efd/384671

Автор: Богачев

Постановка проблемы: адаптивные по алгоритму системы сжатия данных включают в свой состав как неотъемлемую часть некоторый классификатор, позволяющий осуществить выбор наиболее эффективного способа сжатия поступающих данных. Традиционно выбор оценочных характеристик для классификатора основывается на экспертном мнении, что может ухудшить качество классификации при обработке достаточно сложно структурированных данных. Кроме того, для таких систем следует обеспечивать параллельность процедур обучения классификатора и сжатия данных, что увеличивает вычислительные затраты и усложняет архитектуру приемо-передающих устройств. Таким образом, вопрос о разработке эффективного классификатора для систем сжатия стоит достаточно остро.

В данной работе под этим термином будет пониматься такая сеть, в процессе обучения которой ошибка обучения <...> В процессе исследования определялись ошибка обучения, получаемая на наборе обучающих данных; ошибка обобщения <...> итераций обучения, либо когда приращение ошибки обучения становилось меньше заданной величины. <...> обучения ИНС ограничивалась величиной 2,5 %, приращение ошибки обучения ИНС составляло 10–5, а максимальное <...> обобщения; 2 — ошибка подтверждения; 3 — ошибка обучения 1 2 3 1 2 3 1 2 3 5 10 15 20 25 5 10 15 20

3

Пути снижения негативного воздействия автотранспортных потоков на качество акустической среды

В статье рассматриваются основные аспекты управления качеством акустической среды в зоне влияния автомобильных дорог на основе двухуровневой автоматизированной системы экологического мониторинга.Проблема шумового загрязнения рассмотрена в системном представлении,которое позволило выделить управляемые и неуправляемые факторы,формирующие уровень негативного воздействия,определить объекты экологического мониторинга.Приведены результаты математического моделирования,осуществленного на основе аппарата искусственных нейронных сетей.

Норма отклонения модельной функции G и реальной F на обучающем множестве М0б. называется ошибкой обучения <...> Ошибка, допускаемая моделью G на новых данных, называется ошибкой обобщения модели Eq. <...> К. малая ошибка обучения гарантирует адекватность модели лишь в заранее выбранных точках. <...> В таблице 1 указаны ошибки обучения и обобщения моделей с разной Рисунок 1 Схема искусственной нейронной <...> обучения Ошибка обобщения скрытых слоях модели, Е (%) модели, EQ (%) однослойная сеть 2 0,965129 1,206043

Предпросмотр: Пути снижения негативного воздействия автотранспортных потоков на качество акустической среды .pdf (0,1 Мб)
4

МОДЕЛИРОВАНИЕ ВОЗДЕЙСТВИЯ ТЕМПЕРАТУРЫ ИНКУБАЦИИ НА УРОВЕНЬ АКТИВНОСТИ АЛЬФА-АМИЛАЗЫ СЛИЗИСТОЙ ОБОЛОЧКИ КИШЕЧНИКА СИБИРСКОГО ОСЕТРА С ПОМОЩЬЮ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ [Электронный ресурс] / Мартьянов, Бедняков, Неваленный // Вестник Астраханского государственного технического университета. Серия: Рыбное хозяйство .— 2015 .— №4 .— С. 96-102 .— Режим доступа: https://rucont.ru/efd/504596

Автор: Мартьянов

Проведено определение уровня активности альфа-амилазы слизистой оболочки кишечника сибирского осетра (Acipenser baerii) в широком диапазоне значений температуры с помощью стандартных физиолого-биохимических методов. Для аппроксимации исследуемой зависимости выбран класс искусственных нейронных сетей под названием «многослойный персептрон». Использовалась двухслойная модель с одним скрытым слоем, содержащим 7 нейронов. Среднеквадратичная ошибка обучения модели составила 0,294 для обучающей выборки, 0,317 для контрольной и 0,602 для тестовой. Температурный оптимум для исследуемого фермента, в соответствии с результатами лабораторных и вычислительных экспериментов, находится в диапазоне 25–30 °С и имеет размытый, нечеткий характер. Важной особенностью результатов моделирования является достаточно плавное изменение уровня активности фермента с повышением температуры для большей части исследуемого диапазона, обусловливающее сравнительно пологий характер кривой температурной функции изучаемого фермента. Помимо вычисления среднеквадратичной ошибки для тестовой, обучающей и контрольной выборок, качество предлагаемой компьютерной нейросетевой модели исследовалось с помощью построения гистограммы распределения ошибок моделирования, а также путем построения линейной регрессии значений для результатов моделирования относительно полученных экспериментальных данных. Анализ подтверждает достаточно хорошее качество обучения созданной искусственной нейронной сети с учетом объема выборки, используемой для обучения. Достигнутая точность моделирования позволяет сделать вывод о существенной ценности модели как средства прогноза уровня активности пищеварительного фермента при температурном воздействии. Учитывая полученные результаты, целесообразно расширить спектр применения нейроинформационных технологий для исследований в области экзотрофии. Созданную модель и результаты ее работы целесообразно в дальнейшем использовать в качестве компонента более сложных моделирующих систем.

Среднеквадратичная ошибка обучения модели составила 0,294 для обучающей выборки, 0,317 для контрольной <...> объема выборки, используемой для обучения. <...> Обучение заняло 6 циклов (эпох), ошибка обучения составила: – для обучающей выборки – 0,294; – для контрольной <...> Отображение хода обучения нейронной сети: по горизонтали – количество эпох (циклов обучения), по вертикали <...> Данный показатель свидетельствует о достаточно хорошем качестве обучения, а сопоставление значений ошибки

5

НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ. ДИССОЦИАЦИЯ УКСУСНОЙ И БЕНЗОЙНОЙ КИСЛОТ В ВОДНО-ОРГАНИЧЕСКИХ РАСТВОРИТЕЛЯХ [Электронный ресурс] / Бондарев // Журнал общей химии .— 2017 .— №2 .— С. 31-39 .— Режим доступа: https://rucont.ru/efd/591400

Автор: Бондарев

Разработаны прогностические корреляционно-регрессионные и нейросетевые модели для описания влияния свойств водно-органических растворителей на силу уксусной и бензойной кислот. Выявлены значимые дескрипторы, влияющие на равновесие диссоциации кислот. Раскрыты особенности влияния сольватации (проявляющегося в электростатических, когезионных и электроноакцепторных взаимодействиях) на силу кислот. С помощью трехслойного персептрона решена задача предсказания констант диссоциации уксусной и бензойной кислот. Показана перспективность применения нейронных сетей для прогнозирования силы органических кислот в водно-органических средах. Построен и обучен нейросетевой классификатор силы уксусной и бензойной кислот по дескрипторам водно-спиртовых растворителей

Тестовая производительность Ошибка обучения Контрольная ошибка Тестовая ошибка Метод обучения Входы <...> Ошибка обучения, контрольная ошибка, тестовая ошибкаошибки сети на соответствующих выборках. <...> Общая ошибка (среднеквадратичное отклонение) для конкретной конфигурации сети (ме-ра эффективности обучения <...> Прекращение обучения сети осуществлялось при достижении наименьшей ошибки на контрольной выборке (b – <...> Следует особо подчеркнуть, что ошибка обучения сети МП 4:4–8–2:2 на контрольной выборке (0.023) не превышает

6

Синтез систем автоматического управления биотехнологическими процессами с применением методов аппроксимирующего и нейро-нечеткого управления монография

Автор: Лубенцова Елена Валерьевна
изд-во СКФУ

В монографии содержатся методы теории и алгоритмы систем автоматического управления (САУ) сложными биотехнологическими объектами, которые позволяют найти подходящее управление в условиях неполного, нечеткого и неточного знания состояния объекта управления и характеристик внешних и внутренних воздействий, при которых функционирует этот объект. Приведены примеры синтеза САУ промышленным биотехнологическим процессом для различных режимов функционирования. Адресована научным работникам и инженерам, разрабатывающим современные системы управления биотехнологическими процессами, может оказаться полезной для студентов и аспирантов вузов.

После 3000 эпох обучения получена ошибка обучения δ=0,0025214. <...> После 37 эпох ошибка обучения составила δ=0,00093034, т.е. в 2,7 раза меньше, чем при обучении алгоритмом <...> Процесс обучения сети алгоритмом обратного распространения ошибки Рисунок 3.6. <...> Зависимость ошибки обучения НС от числа циклов обучения при различных методах: 1градиентного спуска; <...> обучения увеличивается, а с увеличением числа циклов обучения свыше 50 ошибка обучения снижается незначительно

Предпросмотр: Синтез систем автоматического управления биотехнологическими процессами с применением методов аппроксимирующего и нейро-нечеткого управления.pdf (0,7 Мб)
7

Использование нейросетевых технологий для мониторинга и прогнозирования качества акустической среды в зоне влияния автодорог

«ИД «ОРЛИК» и К»

Рассматривается проблема шумового загрязнения и основные аспекты управления качеством акустической среды в зоне влияния автомобильных дорог на основе автоматизированной системы экологического мониторинга

Для построения и обучения ИНС использовался пакет NeuroPro. <...> Для оптимизации обучения сети выбран метод сопряженных градиентов и квазиньютоновский BFGSметод. <...> Для оценки качества модели рассчитывалась средняя ошибка аппроксимации (ошибка обучения сети) и экспериментальная <...> ошибка (ошибка прогноза сети). <...> Ошибка обучения сети, А(%) 0,9 0,6 3,22 4,61 4,73 3,18 2,87 0,36 2,94 5,81 5,76 Ошибка прогноза сети,

Предпросмотр: Использование нейросетевых технологий для мониторинга и прогнозирования качества акустической среды в зоне влияния автодорог .pdf (0,1 Мб)
8

РАЗРАБОТКА И ПРИМЕНЕНИЕ КОМПЛЕКСНЫХ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ МАССОВОЙ ОЦЕНКИ И ПРОГНОЗИРОВАНИЯ СТОИМОСТИ ЖИЛЫХ ОБЪЕКТОВ НА ПРИМЕРЕ РЫНКОВ НЕДВИЖИМОСТИ ЕКАТЕРИНБУРГА И ПЕРМИ [Электронный ресурс] / Ясницкий, Ясницкий // Имущественные отношения в РФ .— 2017 .— №3 .— С. 70-86 .— Режим доступа: https://rucont.ru/efd/586331

Автор: Ясницкий

В статье рассматриваются разработанные авторами комплексные экономико-математические нейросетевые модели рынка жилой недвижимости, учитывающие как технические характеристики объектов, так и экономические параметры внешней среды. На примере рынков недвижимости Екатеринбурга и Перми проводится анализ моделей, который позволяет увидеть, как изменение ключевых ценообразующих факторов влияет на рыночную стоимость объектов. В результате проведенного исследования выявлена степень потребительского насыщения региональных рынков

Ho, применивших многослойный персептрон, обученный методом обратного распространения ошибки, для определения <...> Причем эта ошибка рассчитывалась как на обучающем, так и на тестирующем множествах. <...> Изначально ошибка обучения нейронной сети составила 11 процентов, а ошибка тестирования 12 процентов, <...> обучения (см. [10, 14]). <...> После удаления указанных примеров ошибка обучения составила 6,2 процента, а ошибка тестирования – 6,5

9

Системы управления с динамическим выбором структуры, нечеткой логикой и нейросетевыми моделями монография

Автор: Лубенцова Елена Валерьевна
изд-во СКФУ

В книге рассмотрены вопросы структурно-параметрического синтеза систем автоматического управления (САУ) интервальными объектами, математическую основу которых составляет метод гарантирующего управления и максимальная степень устойчивости, а также алгоритмы аппроксимирующего управления для широкого спектра нелинейных характеристик и алгоритмы, полученные на базе нечеткой логики и нейронных сетей. Адресована научным работникам и инженерам при проектировании САУ сложными динамическими объектами и технологическими процессами, а также аспирантам специальностей 05.13.06 – Автоматизация и управление технологическими процессами и производствами и 05.13.01 – Системный анализ, управление и обработка информации.

изменения ошибки за 200 циклов обучения (рис. 3.6). <...> Как показали эксперименты ошибка обучения для алгоритмов обучения градиентного спуска составляла 0,185 <...> Как показали эксперименты ошибка обучения для алгоритма обучения Левенберга-Марквардта составила 3,95 <...> Ошибка обучения нейро-нечеткой сети После окончания обучения данной гибридной сети по графику ошибки <...> По окончанию обучения ошибка обучения составила 0,0000018544.

Предпросмотр: Системы управления с динамическим выбором структуры, нечеткой логикой и нейросетевыми моделями .pdf (0,4 Мб)
10

№1 [Химия в интересах устойчивого развития, 2008]

В журнале публикуются оригинальные научные сообщения и обзоры по химии процессов, представляющих основу принципиально новых технологий, создаваемых в интересах устойчивого развития, или усовершенствования действующих, сохранения природной среды, экономии ресурсов, энергосбережения.

Ошибкой обучения назовём достигнутую после обучения точность решения примеров обучающей выборки, ошибкой <...> ЗАИГРАЕВА 142 Таблица 3 Оптимальные архитектуры ИНС Ошибка обучения Ошибка обобщения (ошибка прогноза <...> ошибки обучения и обобщения (прогноза), количеству циклов обучения, необходимого для достижения фиксированного <...> Таблица 4 Результаты обучения ИНС Ошибки обучения и обобщения (прогноза), % Нагрузочные потери в схеме <...> по гр еш но ст ь, % Ошибка обучения Ошибка прогноза Нагрузочные потери в схеме Нагрузочные потери в сети

Предпросмотр: Химия в интересах устойчивого развития №1 2008.pdf (0,6 Мб)
11

№1 [Научный вестник Новосибирского государственного технического университета, 2008]

В "Научном вестнике Новосибирского государственного технического университета" публикуются результаты научных исследований докторов, аспирантов и соискателей Новосибирского государственного технического университета, а также работы, представленные из других учебных заведений. Направления научных публикаций журнала: научные сообщения о новых законченных оригинальных исследованиях по основным разделам естественных и технических нау

Ошибкой обучения назовём достигнутую после обучения точность решения примеров обучающей выборки, ошибкой <...> ЗАИГРАЕВА 142 Таблица 3 Оптимальные архитектуры ИНС Ошибка обучения Ошибка обобщения (ошибка прогноза <...> ошибки обучения и обобщения (прогноза), количеству циклов обучения, необходимого для достижения фиксированного <...> Таблица 4 Результаты обучения ИНС Ошибки обучения и обобщения (прогноза), % Нагрузочные потери в схеме <...> по гр еш но ст ь, % Ошибка обучения Ошибка прогноза Нагрузочные потери в схеме Нагрузочные потери в сети

Предпросмотр: Научный вестник НГТУ №1 2008.pdf (0,6 Мб)
12

МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССА ТЕРМООБРАБОТКИ ПОЛОТЕННЫХ МАТЕРИАЛОВ В СУШИЛЬНО-ШИРИЛЬНОЙ МАШИНЕ [Электронный ресурс] / Волынский, Стороженко // Известия высших учебных заведений. Химия и химическая технология .— 2014 .— №2 .— С. 106-109 .— Режим доступа: https://rucont.ru/efd/413104

Автор: Волынский

В статье предложен новый подход, основанный на теории нечетких нейронных сетей для моделирования процесса сушки полотенных материалов, на примере хлопчатобумажных тканей. Разработана гибридная сеть, позволяющая определять конечную влажность материала на выходе из сушильно-ширильной машины.

Fuzzy neural network architecture Качество процесса обучения гибридной сети иллюстрируется графиками <...> изменения значения ошибки обучения (Error) от пройденных эпох (Epochs) обучения (рис. 2а) и сравнения <...> сети на обучающей выборке данных, т.к. рассчитанные и экспериментальные точки практически совпали, а ошибка <...> обучения составила менее 1%. <...> Максимальная ошибка составила 1,96%, что говорит о высокой точности прогноза.

13

Подход к разработке систем управления малыми космическими аппаратами в нейросетевом базисе [Электронный ресурс] / Коновалов // Инженерный журнал: наука и инновации .— 2014 .— №5 .— Режим доступа: https://rucont.ru/efd/279818

Автор: Коновалов
М.: Изд-во МГТУ им. Н.Э. Баумана

Представлен обзор основных направлений аппаратной реализации нейронных сетей и оценены их возможности для использования на борту малых космических аппаратов. Рассмотрены основные требования к бортовым системам управления и подходы к их нейросетевой реализации. Перечислены ограничения и требования к ресурсам, выдвигаемые для бортовых систем малых космических аппаратов. Показано, что возможно реализовать эффективное решение задачи в сетях небольшой сложности. Проведено моделирование отдельных узлов нейросетевой системы управления в условиях ограниченных ресурсов. Представлена нейросетевая модель аппроксимации табличной модели атмосферы. Сформированы варианты решения задачи в вещественных и дискретных форматах синаптических весов. Проведен анализ ошибок аппроксимации в сетях разной архитектуры. Показано, что даже для вариантов с дискретизированной формой входов и коротким форматом представления синаптических весов качество решения задачи является достаточным.

наименьшая ошибка обучения и обобщения (исследуемая как среднее абсолютное отклонение). <...> Таблица 2 Относительные ошибки обучения и тестирования для сетей без скрытого слоя (n = 0) Сеть Обучение <...> Ошибки обработки тестов и обучения для этого случая приведены в табл. 2. <...> Ошибки обучения и тестирования формируемой нейросетевой модели приведены в табл. 3. <...> Таблица 5 Относительные ошибки обучения и тестирования для бинарной модели входов и выходов нелинейного

14

МОДЕЛИРОВАНИЕ ВОЗДЕЙСТВИЯ ТЕМПЕРАТУРЫ ИНКУБАЦИИ НА УРОВЕНЬ АКТИВНОСТИ КАЗЕИНЛИТИЧЕСКИХ ПРОТЕИНАЗ СЛИЗИСТОЙ ОБОЛОЧКИ КИШЕЧНИКА БЕЛУГИ С ПОМОЩЬЮ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ [Электронный ресурс] / Мартьянов, Бедняков, Неваленный // Вестник Астраханского государственного технического университета. Серия: Рыбное хозяйство .— 2016 .— №2 .— С. 123-129 .— Режим доступа: https://rucont.ru/efd/504628

Автор: Мартьянов

Работа посвящена моделированию зависимости уровня активности казеинлитических протеиназ слизистой оболочки кишечника белуги (Huso huso L.) от величины температуры инкубации в широком диапазоне. Уровень активности фермента определяли с помощью стандартных физиолого-биохимических методов. Для аппроксимации исследуемой зависимости выбран класс искусственных нейронных сетей под названием «многослойный персептрон». Использовалась двухслойная модель с одним скрытым слоем, содержащим 9 нейронов. Среднеквадратичная ошибка обучения модели составила 0,336 для обучающей выборки, 0,576 для контрольной и 0,23 для тестовой. Температурный оптимум для исследуемого фермента белуги находится в области свыше 45–50 °С. При этом в области оптимума кривая температурной зависимости имеет достаточно пологий характер. Качество построенной компьютерной нейросетевой модели исследовалось дополнительно с помощью построения гистограммы распределения ошибок моделирования, а также путем построения линейной регрессии значений для результатов моделирования относительно полученных экспериментальных данных. Анализ подтверждает достаточно хорошее качество обучения созданной искусственной нейронной сети с учетом объема выборки, используемой для обучения. Достигнутая точность моделирования позволяет сделать вывод о существенной ценности модели как средства прогноза уровня активности пищеварительного фермента при температурном воздействии. Результаты исследований свидетельствуют о возможности существенного расширения применения нейросетевых моделей при исследованиях в области экологии питания рыб

Среднеквадратичная ошибка обучения модели составила 0,336 для обучающей выборки, 0,576 для контрольной <...> Обучение заняло 4 цикла, результирующее значение среднеквадратичной ошибки обучения составило: – для <...> Отображение хода обучения нейронной сети: по горизонтали – количество эпох – циклов обучения, по вертикали <...> – значения общей среднеквадратичной ошибки для обучающей (train), контрольной (validation) и тестовой <...> Данный показатель свидетельствует о достаточно хорошем качестве обучения, а сопоставление значений ошибки

15

КОМПЕНСАЦИЯ НЕЛИНЕЙНОСТИ ИЗМЕРИТЕЛЬНЫХ ПРЕОБРАЗОВАТЕЛЕЙ НА ОСНОВЕ ДИНАМИЧЕСКИХ НЕЙРОННЫХ СЕТЕЙ [Электронный ресурс] / Семенов, Хромов // Датчики и системы. Sensors & Systems .— 2007 .— №9 (100) .— С. 9-11 .— Режим доступа: https://rucont.ru/efd/601640

Автор: Семенов

Рассмотрено применение многомерной динамической нейронной двухслойной сети прямой передачи с запаздыванием линейными функциями активации в каждом слое для компенсации нелинейности измерительных преобразователей

Ошибка обучения нейронной сети 1 y x 0,8 0,6 0,4 0,2 0 –0,2 –0,4 –0,6 –0,8 –1 0 0,2 0,4 0,6 0,8 1 1,2

16

ВЛИЯНИЕ АРХИТЕКТУРЫ МНОГОСЛОЙНОЙ ПЕРСЕПТРОННОЙ НЕЙРОННОЙ СЕТИ НА РЕЗУЛЬТАТЫ ПРОГНОЗА СТАБИЛЬНОСТИ ВОДНО-БИОТОПЛИВНОЙ ЭМУЛЬСИИ [Электронный ресурс] / Левина, Левин, Нагорнов // Естественные и технические науки .— 2015 .— №4(82) .— С. 136-139 .— Режим доступа: https://rucont.ru/efd/490906

Автор: Левина

Целью настоящей работы является построение оптимальной архитектуры нейронной сети для прогнозирования стабильности к седиментации, стабильности к коалесценции в зависимости от состава эмульгированного топлива. Исследовалось влияние количества нейронов в скрытом слое на ошибку прогноза, а функцией активации нейронов была выбран гиперболический тангенс.

С использованием обученной нейронной сети с 18 нейронами в скрытом слое, показавшей наименьшую ошибку <...> Для исключения размерности при обучении и прогнозировании с использованием нейронной сети данные нормируются <...> Первая часть для обучения нейронной сети, а вторая – контролирующей выборкой, необходимой, чтобы предупредить <...> момент переобучения нейронной сети, когда среднеквадратичная ошибка обучения уменьшается, а среднеквадратичная <...> ошибка контролирующей выборки начинает возрастать [7, 8].

17

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.

Для чего нужен множитель 1/2 в формуле для квадратичной ошибки обучения персептрона? <...> Приведем описание одного из них, названного в [57] анализом ошибки обучения. <...> При этом уменьшится среднеквадратичная ошибка обучения, вычисляемая после завершения процесса обучения <...> Среднеквадратичные ошибки обучения сети здесь распределились более равномерно. <...> и не сможет обеспечить снижение ошибки обучения.

Предпросмотр: Интеллектуальные системы учебник — Эл. изд..pdf (0,2 Мб)
18

НЕЙРОНЕЧЕТКИЙ АДАПТИВНЫЙ МАРШРУТИЗАТОР ПОТОКОВ ЦИФРОВОЙ ИНФОРМАЦИИ [Электронный ресурс] / Лавренков, Комарцова // Прикладная информатика / Journal of Applied Informatics .— 2013 .— №6 .— С. 59-79 .— Режим доступа: https://rucont.ru/efd/436982

Автор: Лавренков

В статье рассмотрен комбинированный алгоритм выбора параметров радиально-базисной нейронной сети на основе нечеткого иммунного алгоритма оптимизации. Эволюционное построение антител и использование нечеткой адаптивно-резонансной нейронной сети позволяет адаптировать алгоритм обучения нейроконтроллера под решение оптимизационной задачи. Описана возможность использования такого рода нейронных сетей для построения адаптивного маршрутизатора информации в сети связи и обеспечения защищенности его структуры от целенаправленного разрушения.

Для повышения эффективности обучения РБФ в статье предложен гибридный алгоритм обучения на основе параллельного <...> В качестве аффинности в данной задаче используется значение среднеквадратичной ошибки обучения сети РБФ <...> Вычисляется ошибка обучения на фиксированном множестве примеров для каждого антитела. <...> Чем меньше ошибка обучения, т. е. чем меньше аффинность, тем лучше сформирован нейроконтроллер. <...> м ар ш ру ти за то р по то ко в ци ф ро во й ин ф ор м ац ии шение (в 4,5 раза) среднеквадратичной ошибки

19

НЕЙРОСЕТЕВАЯ МОДЕЛЬ ДИАГНОСТИКИ ИНФАРКТА МИОКАРДА [Электронный ресурс] / Загидуллин [и др.] // Российский кардиологический журнал .— 2012 .— №6 .— С. 51-54 .— Режим доступа: https://rucont.ru/efd/458884

Автор: Загидуллин

Картирование поверхности сердца (КПС) является неинвазивным и эффективным методом диагностики ИБС и инфаркта миокарда (ИМ). Большое количество систем КПС не позволяет создавать стандартные диагностические критерии.

структуры с помощью принципа постраничного обучения [7]. <...> Управление программой состоит из двух частей: в правой части с помощью клавиш “Сброс”, “Обучение” и “ <...> В данной системе приняты соответствующие показатели: ошибка обучения – 0,001, количество итераций – 100000 <...> Обучение НМ производилось по части выборки (табл. 1), а тестирование – по оставшейся. <...> Ошибки вероятности при тестировании НС равномерно распределялись среди остальных групп.

20

№5 [Прикладная информатика / Journal of Applied Informatics, 2013]

Журнал «Прикладная информатика» является преемником одноименного сборника, выпускавшегося с 1981 года издательством «Финансы и статистика». Освещает современные тенденции в развитии прикладной информатики. Большая часть материалов посвящена прикладным вопросам: применению информационных технологий в таких областях как электронный маркетинг и коммерция, подготовка IT-специалистов, информационные системы, математическое и компьютерное моделирование, информационная безопасность. Журнал с 2006 года входит в состав учредителей ряда международных и всероссийских конференций, а также оказывает оргкомитетам информационную поддержку в проведении таких мероприятий. Издание включено в Перечень ВАК Минобрнауки РФ.

обучения препятствовать попаданию метода обратного распространения ошибки в локальный минимум и дать <...> Если полученная комбинация допустима и ошибка обучения меньше Fмакc, то перейти к шагу 3. Д. <...> Вычислить ошибку обучения Еобщ. на всей тестовой выборке для ассоциативной машины. 5.6. <...> обучения, Emin — минимальная среднеквадратическая ошибка эксперта. <...> и yi — среднеквадратическая ошибка обучения нейронной сети на данной итерации.

Предпросмотр: Прикладная информатика Journal of Applied Informatics №5 2013.pdf (0,1 Мб)
21

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ МЕТОДОВ УПРАВЛЕНИЯ РАЗВИТИЕМ ПЕРСОНАЛА НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ И НЕЧЕТКИХ ЭКСПЕРТНЫХ ТЕХНОЛОГИЙ [Электронный ресурс] / Азарнова, Степин, Щепина // Вестник Воронежского государственного университета. Серия: Экономика и управление .— 2014 .— №3 .— С. 121-130 .— Режим доступа: https://rucont.ru/efd/505320

Автор: Азарнова

в статье проводится структурированный анализ сфер применения различных математических методов и моделей в задачах управления персоналом. Для исследования выделяется круг задач управления развитием персонала. В рамках решения рассматриваемых задач предложены нейросетевые модели и нечеткие лингвистические технологии, направленные на повышение эффективности используемых на практике в данных сферах процедур и технологий

не участвовали в процессе обучения. <...> Была выявлена следующая закономерность: при числе нейронов от 24 до 100 средняя ошибка падает, после <...> Более чем в половине дополнительных экспериментов ошибка на контрольном множестве меньше или равна 2 <...> В 12 случаях из 100 ошибка опускалась ниже 1,5. <...> Средняя ошибка обучения сети на контрольных множествах Повышение эффективности методов управления развитием

22

Основы нейроинформатики [учеб. пособие]

Автор: Солдатова
Издательство СГАУ

Основы нейроинформатики. Используемые программы: Adobe Acrobat. Труды сотрудников СГАУ (электрон. версия)

. • Если и ошибка обучения, и ошибка тестирования велики, следовательно, весовых коэффициентов слишком <...> классификации; г) Исследуйте, как изменение коэффициента скорости обучения на ошибку классификации. <...> Математическое ожидание ошибки обучения 0,01412 0,01543 0,01570 0,01379 Среднеквадратическое отклонение <...> ошибки обучения 0,02656 0,02817 0,03878 0,02408 Математическое ожидание ошибки тестирования 0,01639 <...> Чем меньше математическое ожидание и среднеквадратическое отклонение ошибки, тем лучше параметры обучения

Предпросмотр: Основы нейроинформатики.pdf (1,0 Мб)
23

№3 [Строительство и реконструкция, 2009]

Публикуются результаты научных исследований и передовые достижения в области строительства и реконструкций.

обучения даже при большом количестве эпох обучения. <...> обучения. <...> Следующим шагом был выбор трех нейронов, что привело к существенному уменьшению ошибки обучения. <...> Анализ критериев оптимальности: MSE – среднеквадратическая ошибка обучения (должна стремиться к 0); NMSE <...> – нормализованная ошибка обучения (должна стремиться к 0); MAE – средняя абсолютная ошибка; Min Abs

Предпросмотр: Строительство и реконструкция №3 2009.pdf (0,3 Мб)
24

№1 [Мир транспорта и технологических машин, 2009]

ОрелГТУ

Публикуются результаты научных исследований и передовые достижения в области транспорта и технологических машин.

Норма отклонения модельной функции G и реальной F на обучающем множестве Моб. называется ошибкой обучения <...> Ошибка, допускаемая моделью G на новых данных, называется ошибкой обобщения модели ЕG. <...> Основная цель при построении имитационной ММ – уменьшение именно ЕG, т. к. малая ошибка обучения гарантирует <...> В таблице 1 указаны ошибки обучения и обобщения моделей с разной архитектурой. <...> обучения модели, Е (%) Ошибка обобщения модели, ЕG (%) однослойная сеть 2 0,965129 1,206043 3 1,423623

Предпросмотр: Мир транспорта и технологических машин №1 2009.pdf (0,8 Мб)
25

№3 [Информационно-управляющие системы, 2016]

Журнал предназначен для руководителей и ведущих специалистов научно-исследовательских и опытно-конструкторских организаций и предприятий отраслей промышленности, выпускающих продукцию и предоставляющих услуги в области телекоммуникаций, защиты и обработки информации, систем управления, встраиваемых информационно-управляющих систем различного назначений. Также журнал может быть полезен научным сотрудникам, докторантам, аспирантам и студентам информационных и вычислительных специальностей вузов. Тематические разделы: обработка информации и управление, моделирование систем и процессов, программные и аппаратные средства, защита информации, кодирование и передача информации, информационные каналы и среды, информационно-измерительные системы, системный анализ, стохастическая динамика и хаос, управление в социально-экономических системах, управление в медицине и биологии, информационные технологии и образование, краткие научные сообщения, рецензии (на книги, журналы, статьи, диссертации), хроника и информация (о семинарах, конференциях, выставках, юбилеях, а также очерки по истории науки и техники).

В данной работе под этим термином будет пониматься такая сеть, в процессе обучения которой ошибка обучения <...> В процессе исследования определялись ошибка обучения, получаемая на наборе обучающих данных; ошибка обобщения <...> итераций обучения, либо когда приращение ошибки обучения становилось меньше заданной величины. <...> обучения ИНС ограничивалась величиной 2,5 %, приращение ошибки обучения ИНС составляло 10–5, а максимальное <...> обобщения; 2 — ошибка подтверждения; 3 — ошибка обучения 1 2 3 1 2 3 1 2 3 5 10 15 20 25 5 10 15 20

Предпросмотр: Информационно-управляющие системы №3 2016.pdf (0,5 Мб)
26

№2 [Известия высших учебных заведений. Лесной журнал, 2004]

АРХАНГЕЛЬСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

Журнал является комплексным печатным органом высших учебных заведений лесотехнического профиля.Публикует научные статьи по всем отраслям лесного дела, сообщения о внедрении законченных исследований в производство, о передовом опыте в лесном хозяйстве и лесной промышленности.

обобщения, поскольку малая ошибка обучения гарантирует адекватность модели лишь в заранее выбранных <...> Проводя аналогию с обучением в биологии, можно отметить, что малая ошибка обучения соответствует прямому <...> распространить ограниченный опыт обучения на новые условия. <...> Однако без этапа тестирования единственной оценкой качества модели будет лишь ошибка обучения, которая <...> , схемы ее расположения (топологии) и параметров обучения.

Предпросмотр: Известия высших учебных заведений. Лесной журнал №2 2004.pdf (0,6 Мб)
27

Моделирование процессов управления и принятия решений в условиях чрезвычайных ситуаций

Автор: Ямалов И. У.
М.: Лаборатория знаний

Приведены методологические, методические и модельные подходы к моделированию и управлению в условиях чрезвычайных ситуаций (ЧС). Рассмотрены методологии концептуального моделирования и синтеза алгоритмов управления при ликвидации ЧС, моделирования и синтеза алгоритмов управления в условиях ЧС с использованием нечетких когнитивных карт, методы и модели, предназначенные для моделирования и синтеза алгоритмов управления в условиях быстропротекающих ЧС, сценарии управления ликвидацией ЧС с использованием системного подхода, а также структуры и функциональный элементный состав региональной информационной системы, реализующей поддержку принятия решений при ликвидации ЧС.

Будем полагать, что ошибка прогнозирования (обучения) зависит от количества связей и количества входов <...> График для ошибки обучения нейронной сети во время всего цикла обучения по заданному алгоритму Back Propagation <...> Ошибка обучения сети по алгоритму Back Propagation Copyright ОАО «ЦКБ «БИБКОМ» & ООО «Aгентство Kнига-Cервис <...> Как видно из представленных графиков, для алгоритма LevenbergMarquardt минимальная ошибка обучения достигается <...> Графики ошибки обучения по четырем различным алгоритмам Copyright ОАО «ЦКБ «БИБКОМ» & ООО «Aгентство

Предпросмотр: Моделирование процессов управления и принятия решений в условиях чрезвычайных ситуаций. — 3-е изд. (эл.).pdf (0,2 Мб)
28

№3 [Известия высших учебных заведений. Поволжский регион. Естественные науки, 2017]

Издание представляет публикацию результатов фундаментальных, перспективных исследований, проводимых учеными Поволжья

Для этого служат алгоритмы обучения. <...> Все такие разности суммируются в функцию ошибок, значение которой и есть ошибка сети. <...> Таблица 2 Наилучшие сети с двумя входными параметрами Тип ИНС Производительность обучения Ошибка обучения <...> Далее осуществлялся процесс обучения, в результате которого из 50 сетей выбирались 10 наилучших. <...> Так, для модели № 2 средняя производительность составила 0,88, средняя ошибка обучения – 0,0125.

Предпросмотр: Известия высших учебных заведений. Поволжский регион. Естественные науки №3 2017.pdf (0,5 Мб)
29

Стеганографические системы. Критерии и методическое обеспечение учебно-методическое пособеие

Автор: Грибунин Владимир Геннадьевич
Российский федеральный ядерный центр - Всероссийский научно-исследовательский институт экспериментальной физики

Учебно-методическое пособие обобщает самые последние результаты исследований пропускной способности существующих каналов передачи скрываемой информации с учетом воздействия на них возмущающих факторов, даны оценки стойкости стеганографических систем с использованием теоретико-сложностного подхода.

При обучении машина модифицирует свою структуру или параметрическое описание с целью снижения ошибки <...> Функционал эмпирического риска – это ошибка обучения v(w). <...> В предположении о малости значений ошибки обучения справедливо следующее выражение: ( ) ( ) ( )204 , <...> Гарантированный риск (ограниченный ошибкой обобщения) Доверительный интервал Ошибка обучения Ошибка VC <...> Гарантированный риск (ограниченный ошибкой обобщения) Доверительный интервал Ошибка обучения Ошибка VC

Предпросмотр: Стеганографические системы. Критерии и методическое обеспечение.pdf (4,8 Мб)
30

Стеганографические системы. Цифровые водяные знаки учебно-методическое пособие

Автор: Грибунин Вадим Геннадьевич

В пособии рассмотрены вопросы идентификации изображений по источникам их формирования, а также защита изображений от подделки. Кратко описаны законченные европейские проекты в области цифровых водяных знаков, а также даны аннотации некоторых англоязычных книг по их внедрению.

При обучении машина модифицирует свою структуру или параметрическое описание, с целью снижения ошибки <...> ошибка обучения ( ).v w В предположении о малости значений ошибки обучения справедливо следующее выражение <...> Взаимосвязь между ошибкой обучения, доверительным интервалом и гарантированным риском показана на рис <...> обобщения) Доверительный интервал Ошибка обучения Ошибка VC-размерность, h Рис. 1.14. <...> Взаимосвязь между ошибкой обучения, доверительным интервалом и гарантированным риском Copyright ОАО «

Предпросмотр: Стеганографические системы. Цифровые водяные знаки.pdf (2,2 Мб)
31

№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.

нейронной сети со среднеквадратичной ошибкой обучения, близкой к минимальной. <...> Эффективность обучения – минимизация среднеквадратичной ошибки обучения нейронной сети, которая вычисляется <...> Среднеквадратичная ошибка обучения для данного случая составила 0,214. <...> (а) и с применением алгоритма SOM (б): MSE – среднеквадратичная ошибка обучения; Epoch number – текущая <...> Значение среднеквадратичной ошибки обучения составляет 0,116. Заключение.

Предпросмотр: Известия высших учебных заведений. Электроника №5 2018.pdf (1,3 Мб)
32

№2 [Информационные системы и технологии, 2018]

Журнал об информационных системах и технологиях.

, минимизируется в процессе обучения ИНС (mse); коэффициент детерминации, характеризующий долю разброса <...> Для данной модели среднеквадратичная ошибка обучения составила mse = 10-6; коэффициент детерминации R2 <...> = 99,89; средние ошибки аппроксимации на обучающей и тестовой выборках: .обА = 0,86 %, .прогА = 0,98 <...> обучения mse = 10-6, коэффициент детерминации R2 = 99,89, средние ошибки аппроксимации на обучающей <...> Метод оценивания минимальной среднеквадратической ошибки. 7.

Предпросмотр: Информационные системы и технологии №2 2018.pdf (0,5 Мб)
33

№5 [Прикладная информатика / Journal of Applied Informatics, 2017]

Журнал «Прикладная информатика» является преемником одноименного сборника, выпускавшегося с 1981 года издательством «Финансы и статистика». Освещает современные тенденции в развитии прикладной информатики. Большая часть материалов посвящена прикладным вопросам: применению информационных технологий в таких областях как электронный маркетинг и коммерция, подготовка IT-специалистов, информационные системы, математическое и компьютерное моделирование, информационная безопасность. Журнал с 2006 года входит в состав учредителей ряда международных и всероссийских конференций, а также оказывает оргкомитетам информационную поддержку в проведении таких мероприятий. Издание включено в Перечень ВАК Минобрнауки РФ.

Вычислим значение функции пригодности ( )i isφ = φ — ошибку обучения клеточной сети, которая является <...> E(∙) — ошибка обучения нейронной сети. 5. <...> Процесс продолжается до получения удовлетворительной ошибки обучения. <...> Усредненная ошибка обучения показана на рис. 9. <...> Усредненная кривая обучения Fig. 9. Averaged learning curve Рис. 10.

Предпросмотр: Прикладная информатика Journal of Applied Informatics №5 2017.pdf (0,7 Мб)
34

№8 [Экономический анализ: теория и практика, 2017]

Главная задача журнала - публикация теоретических и научно-практических статей, соответствующих тематической направленности журнала, создание на страницах журнала и поддержание на высоком научном уровне информационного поля для диалога, дискуссий, выявления новых научных точек зрения, способствующих развитию экономической науки.

Ошибка обучения Контрольная ошибка Алгоритм обучения Функция активации скрытых нейронов 1 MLP 5-8-1 <...> Ошибка обучения Контрольная ошибка Алгоритм обучения Функция активации скрытых нейронов 1 MLP 5-8-1 <...> Ошибка обучения Контрольная ошибка Алгоритм обучения Функция активации скрытых нейронов 1 MLP 5-7-1 <...> В скобках указаны стандартные ошибки коэффициентов. <...> В скобках указаны стандартные ошибки коэффициентов.

Предпросмотр: Экономический анализ теория и практика №8 2017.pdf (29,8 Мб)
35

№5 [Инженерный журнал: наука и инновации, 2014]

М.: Изд-во МГТУ им. Н.Э. Баумана

«Инженерный журнал: наука и инновации» – научно-практическое издание, в котором публикуются оригинальные (т. е. не опубликованные в других изданиях) статьи, содержащие результаты научных исследований по всем разделам, заявленным в рубрикаторе. Выбор электронной формы издания был обусловлен необходимостью оперативного введения в научный оборот результатов научных исследований, что соответствует тенденции сделать оплаченные государством результаты научного труда общественным достоянием. Это же предполагает выбор редакцией журнала свободного доступа к его контенту.

наименьшая ошибка обучения и обобщения (исследуемая как среднее абсолютное отклонение). <...> Таблица 2 Относительные ошибки обучения и тестирования для сетей без скрытого слоя (n = 0) Сеть Обучение <...> Ошибки обработки тестов и обучения для этого случая приведены в табл. 2. <...> Ошибки обучения и тестирования формируемой нейросетевой модели приведены в табл. 3. <...> Таблица 5 Относительные ошибки обучения и тестирования для бинарной модели входов и выходов нелинейного

36

№1 [Прикладная дискретная математика, 2014]

В журнале публикуются результаты фундаментальных и прикладных научных исследований отечественных и зарубежных ученых, включая студентов и аспирантов, в области дискретной математики и её приложений в криптографии, компьютерной безопасности, кибернетике, информатике, программировании, теории надежности, интеллектуальных системах. Включен в Перечень ВАК.

Обучение, определение параметров архитектуры и оценка качества работы нейронной сети Обучение многослойного <...> Для обучения можно использовать следующий критерий останова [8]: — ошибка обучения перестаёт уменьшаться <...> В результате тестов определяются параметры, когда минимальны — средняя ошибка обучения на момент останова <...> обучения; — среднее количество обучающих эпох. <...> Теория и практика кодов, контролирующих ошибки. М.: Мир, 1986. 576 с. 5.

Предпросмотр: Прикладная дискретная математика №1 2014.pdf (0,6 Мб)
37

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».

ПРОЦЕДУРА ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ Алгоритм обратного распространения ошибки (ОРО) является одним <...> Это в свою очередь увеличивает ошибку прогнозирования ИНС. <...> Для ИНС ошибка обучения на каждом примере может быть найдена по формуле [2]:           <...> Обучение ИНС. <...> Погрешность аппроксимации же зависит от адекватности модели и может оцениваться по величине ошибки обучения

Предпросмотр: Вестник Липецкого государственного технического университета (Вестник ЛГТУ). № 1 (27). 2016 г..pdf (1,3 Мб)
38

№4 [Вестник Астраханского государственного технического университета. Серия: Рыбное хозяйство, 2015]

Основные рубрики: Водные биоресурсы и их рациональное использование; Товарная аквакультура и искусственное воспроизводство рыб; Физиология и биохимия гидробионтов; Технология переработки гидробионтов

Среднеквадратичная ошибка обучения модели составила 0,294 для обучающей выборки, 0,317 для контрольной <...> объема выборки, используемой для обучения. <...> Обучение заняло 6 циклов (эпох), ошибка обучения составила: – для обучающей выборки – 0,294; – для контрольной <...> Отображение хода обучения нейронной сети: по горизонтали – количество эпох (циклов обучения), по вертикали <...> Данный показатель свидетельствует о достаточно хорошем качестве обучения, а сопоставление значений ошибки

Предпросмотр: Вестник Астраханского государственного технического университета. Серия Рыбное хозяйство №4 2015.pdf (0,6 Мб)
39

№2 [Журнал общей химии, 2017]

Основан в 1869 г. Публикуются работы, посвященные актуальным общим вопросам химии и проблемам, возникающим как на стыке различных разделов химии, так и на стыке химии и смежных с ней наук. Журнал является рецензируемым, включен в Перечень ВАК для опубликования работ соискателей ученых степеней.

Тестовая производительность Ошибка обучения Контрольная ошибка Тестовая ошибка Метод обучения Входы <...> Ошибка обучения, контрольная ошибка, тестовая ошибкаошибки сети на соответствующих выборках. <...> Общая ошибка (среднеквадратичное отклонение) для конкретной конфигурации сети (ме-ра эффективности обучения <...> Прекращение обучения сети осуществлялось при достижении наименьшей ошибки на контрольной выборке (b – <...> Следует особо подчеркнуть, что ошибка обучения сети МП 4:4–8–2:2 на контрольной выборке (0.023) не превышает

Предпросмотр: Журнал общей химии №2 2017.pdf (0,5 Мб)
40

№6 [Прикладная информатика / Journal of Applied Informatics, 2013]

Журнал «Прикладная информатика» является преемником одноименного сборника, выпускавшегося с 1981 года издательством «Финансы и статистика». Освещает современные тенденции в развитии прикладной информатики. Большая часть материалов посвящена прикладным вопросам: применению информационных технологий в таких областях как электронный маркетинг и коммерция, подготовка IT-специалистов, информационные системы, математическое и компьютерное моделирование, информационная безопасность. Журнал с 2006 года входит в состав учредителей ряда международных и всероссийских конференций, а также оказывает оргкомитетам информационную поддержку в проведении таких мероприятий. Издание включено в Перечень ВАК Минобрнауки РФ.

В качестве аффинности в данной задаче используется значение среднеквадратичной ошибки обучения сети РБФ <...> Вычисляется ошибка обучения на фиксированном множестве примеров для каждого антитела. <...> Чем меньше ошибка обучения, т. е. чем меньше аффинность, тем лучше сформирован нейроконтроллер. <...> обучения РБФ сети, конфигурация и обучение которой осуществлялись на основе нечеткого иммунного алгоритма <...> Обучение • (О) — предварительное обучение для работы с кривыми в режимах кодирования и декодирования

Предпросмотр: Прикладная информатика Journal of Applied Informatics №6 2013.pdf (0,2 Мб)
41

Фонетическая вариативность вне естественной языковой среды монография

Автор: Абрамова И. Е.
М.: ФЛИНТА

В монографии анализируются особенности проявления иностранного (русского) фонетического акцента, сформированного при обучении взрослых английскому языку в учебной аудитории.

Кроме того, в группе A были выявлены ошибки, вызванные некорректным обучением, а именно озвончение /d <...> обучения; 2) замена /t/ в интервокальной позиции на [ʔt] (данная ошибка обучения свойственна группе <...> ); 3) ошибочные реализации, спровоцированные некорректным обучением (ошибки обучения); 4) реализации, <...> обучения; 2) замена /t/ в интервокальной позиции на [ʔt] (данная ошибка обучения свойственна группе <...> ); 3) ошибочные реализации, спровоцированные некорректным обучением (ошибки обучения); 4) реализации,

Предпросмотр: Фонетическая вариативность вне естественной языковой среды.pdf (0,7 Мб)
42

№3 [Вестник Брянского государственного технического университета, 2011]

Отражены результаты исследований по технологии и оборудованию машиностроительных производств, транспортному и энергетическому машиностроению, математическому моделированию и информационным технологиям, экономике, организации и управлению производством, социально-философским аспектам науки и техники.

(1) где W общее количество свободных параметров (синаптических весов и порогов) сети; ε допустимая ошибка <...> Например, для ошибки в 10% количество примеров обучения должно в 10 раз превосходить количество свободных <...> четвертой итерации оптимизация была прекращена, так как процесс не сходится ни к какому значению, а ошибка <...> Из графика видно, что после 57 циклов обучения ошибка обучения сходится к некоторому минимальному значению <...> При обучении нейросети большим количеством примеров функция ошибки обучения очень быстро сходится к минимуму

Предпросмотр: Вестник Брянского государственного технического университета №3 2011.pdf (0,4 Мб)
43

№1 [Научно-технический вестник Брянского государственного университета, 2018]

Журнал специализируется на публикации научных статей, содержащих новые научные результаты в области теоретических и прикладных исследований и соответствующих по тематике следующим отраслям науки из Номенклатуры специальностей научных работников: • 02 – химические науки; • 05 – технические науки; • 25 – науки о Земле.

Моделирование изменений происходит за счет использования нейронной сети с обратным распространением ошибки <...> ландшафтного покрова Керченского полуострова использовалась нейронная сеть с обратным распространением ошибки <...> Результат обучения нейронной сети представлен на рис. 4. <...> Общая ошибка обучения составила 0,1 или 10%. <...> Визуализация обучения нейронной сети Моделирование изменений ландшафтного покрова Керченского полуострова

Предпросмотр: Научно-технический вестник Брянского государственного университета №1 2018.pdf (1,9 Мб)
44

№2 [Вестник Пермского университета. Серия Экономика = Perm University Herald. ECONOMY, 2016]

Тематика статей серии «Экономика» отражает результаты исследований в различных областях экономического знания. В данном сборнике отражено современное состояние теории и практики экономических проблем на макро- и микроуровне. Журнал выходит 4 раза в год, прием статей ведется круглогодично, на русском или английском языках (данные об авторах, аннотация и ключевые слова). Плата за публикацию не взимается, гонорары не выплачиваются.

Ho [33], применивших многослойный персептрон, обученный методом обратного распространения ошибки, для <...> Изначально среднеквадратичная ошибка обучения нейронной сети составила 10%, а ошибка тестирования – 12 <...> обучения. <...> После удаления обнаруженных таким способом выбросов среднеквадратичная ошибка обучения составила 5%, <...> а ошибка тестирования – 6%.

Предпросмотр: Вестник Пермского университета. Серия Экономика = Perm University Herald. ECONOMY №2 2016.pdf (0,7 Мб)
45

№3 [Вестник Московского государственного технического университета имени Н.Э. Баумана. Серия "Машиностроение", 2010]

М.: Изд-во МГТУ им. Н.Э. Баумана

Освещаются вопросы по направлениям: механика силовых конструкций различного назначения; проблемы энергетики; современные проблемы технологий; фундаментальные проблемы математики, физики, механики сплошной среды и т. д.

Относительная ошибка в определении плотности потока излучения для передней критической точки составляет <...> Ошибка обучения нейронной сети Если в сети слишком мало нейронов или слоев, то нейронная сеть не обучится <...> Цифровой сигнал ошибки εv[nT ] вычисляется в нейрорегуляторе. <...> Ошибка в измерении расхода воздуха приводит к ошибкам при расчете топливоподачи, угла опережения зажигания <...> В процессе эксперимента ошибка в измерении расхода воздуха была уменьшена с 20 до 5 %.

Предпросмотр: Вестник МГТУ им. Н.Э. Баумана. Серия Машиностроение. №3 2010.pdf (0,1 Мб)
46

№2 [ Актуальные проблемы экономики и права, 2012]

Федеральный рецензируемый журнал «Актуальные проблемы экономики и права» — научное и информационно-аналитическое издание в области экономических и юридических наук. Журнал публикует научные, информационно-аналитические статьи и материалы по актуальным вопросам экономических и юридических наук.

Для кросс-проверки используется контрольное подмножество данных: полученные в процессе обучения ошибки <...> Нейронная сеть РБФ 51:5-3-1:1 для обрабатывающего производства имеет ошибку обучения, равную 0,005607 <...> обучения. <...> Так, ошибка обучения не превышает 0,2 и составляет 0,028661, контрольная и тестовая ошибки соответственно <...> обучения Контрольная ошибка Тестовая ошибка Обучение / Элементы Добыча полезных ископаемых МП 51:5-8

Предпросмотр: Актуальные проблемы экономики и права №2 2012.pdf (0,6 Мб)
47

№9 (100) [Датчики и системы. Sensors & Systems, 2007]

В журнале публикуется разносторонняя информация о датчиках, приборах и системах измерения, контроля, управления включая: Результаты исследований и разработок отечественных и зарубежных ученых; Статьи о новых методах и принципах построения и проектирования; Сведения о новейшей продукции отечественных и зарубежных фирм; Технологические процессы производства; Метрологическое обеспечение, стандартизация и сертификация; Экономика и управление; Особенности современной организации производства и бизнес процессов; Хроника; Научно-техническая публицистика.

Ошибка обучения нейронной сети 1 y x 0,8 0,6 0,4 0,2 0 –0,2 –0,4 –0,6 –0,8 –1 0 0,2 0,4 0,6 0,8 1 1,2

Предпросмотр: Датчики и системы. Sensors & Systems №9 (100) 2007.pdf (0,2 Мб)
48

№6 [Автометрия, 2018]

Научный журнал Сибирского отделения РАН. В журнале публикуются оригинальные статьи и обзоры по следующим разделам: - суперкомпьютерные системы анализа и синтеза изображений (сигналов); - методы и средства искусственного интеллекта в научных исследованиях; - вычислительные сети и системы передачи данных; - автоматизация проектирования в микро- и оптоэлектронике; - микропроцессорные системы реального времени для научных и промышленных применений; - физика твердого тела, оптика и голография в приложениях к компьютерной и измерительной технике; - физические и физико-технические аспекты микро- и оптоэлектроники; - лазерные информационные технологии, элементы и системы. В редакционную коллегию входят признанные специалисты ведущих академических институтов России. Журнал адресован научным работникам, аспирантам, инженерам и студентам, интересующимся результатами фундаментальных и прикладных исследований в области высоких информационных технологий на базе новейших достижений физики, фотохимии, материаловедения, информатики и компьютерной техники. Круг авторов журнала широк: от ведущих научных центров и вузов России до ближнего и дальнего зарубежья. Все без исключения статьи рецензируются. В журнале публикуются оригинальные статьи и обзоры по следующим разделам: * анализ и синтез сигналов и изображений; * системы автоматизации в научных исследованиях и промышленности; * вычислительные и информационно-измерительные системы; * физико-технические основы микро- и оптоэлектроники; * оптические информационные технологии; * моделирование в физико-технических исследованиях; * нанотехнологии в оптике и электронике. Журнал практикует выпуск специализированных номеров. Журнал включен в Перечень ведущих рецензируемых научных журналов, рекомендованных для публикаций Высшей аттестационной комиссией. Журнал переводит и издает фирма “Аллертон Пресс” (США) под названием “Optoelectronics, Instrumentation and Data Processing”. Учредителями журнала являются: Сибирское отделение РАН и Институт автоматики и электрометрии СО РАН.

В сравнении с обычным обучением глубокое обучение требует гораздо больше времени, ресурсов и объёмов <...> Ошибка сети минимизируется с использованием алгоритма стохастического градиентного спуска с обратным <...> распространением ошибки [86]. <...> Графики ошибки сети при подаче зашумлённых данных и без шума изображены на рис. 3,a,b. <...> Ошибка обучения нейронной сети: a — на данных без шума; b — на зашумлённых данных a t, c20 806040 140100

Предпросмотр: Автометрия №6 2018.pdf (0,2 Мб)
49

№2 [Известия высших учебных заведений. Химия и химическая технология, 2014]

Междисциплинарное издание, охватывающее подразделы теоретической химии, процессы и аппараты химической технологии. Рассматриваются проблемы на стыке физики и химии и химического аппаратостроения. Журнал публикует обзоры, статьи, краткие сообщения и научно-методические проблемы.

При этом для нахождения параметров функций принадлежности используются известные процедуры обучения нейронных <...> Fuzzy neural network architecture Качество процесса обучения гибридной сети иллюстрируется графиками <...> изменения значения ошибки обучения (Error) от пройденных эпох (Epochs) обучения (рис. 2а) и сравнения <...> обучения составила менее 1%. <...> Максимальная ошибка составила 1,96%, что говорит о высокой точности прогноза.

Предпросмотр: Известия высших учебных заведений. Химия и химическая технология №2 2014.pdf (0,5 Мб)
50

№3 [Известия высших учебных заведений. Северо-Кавказский регион. Технические науки, 2009]

Научно-образовательный и прикладной журнал «Известия вузов. Северо-Кавказский регион. Технические науки» основан в 1972 году Юрием Андреевичем Ждановым. Журнал ориентирован на профессорско-преподавательский состав, аспирантов, докторантов и студентов вузов, научных и инженерно-технических работников научно-исследовательских и проектно-конструкторских институтов, промышленных предприятий и организаций. Журнал публикует статьи, содержащие результаты теоретических и экспериментальных исследований по следующим направлениям: - информатика, вычислительная техника и управление; - энергетика; - машиностроение и машиноведение; - химическая технология; -строительство и архитектура. Журнал «Известия вузов. Северо-Кавказский регион. Технические науки» включен в «Перечень российских рецензируемых научных журналов, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученых степеней доктора и кандидата наук», а также входит в международные реферативные базы данных CAS(pt), GeoRef, zbMATH.

Обучение нейронной сети производится по методу обратного распространения ошибки с учетом базы хранимых <...> В процессе обучения происходит подстройка весов связей между нейронами. <...> обучения 0,00013 Количество обучающих примеров 87 Количество эпох обучения 920 Коэффициент скорости <...> Внутренняя температура Температура наружного воздуха Те мп ер ат ур а, С Ошибка Время, с 500 1000 1500 <...> моменты времени необходимо выполнить большое число итераций, что приводит к накоплению вычислительной ошибки

Предпросмотр: Известия высших учебных заведений. Северо-Кавказский регион. Технические науки №3 2009.pdf (0,6 Мб)
Страницы: 1 2 3 ... 2977