Запропоновано метод моделювання даних з пропусками послідовністю кривих, який є узагальненням сингулярного розкладання матриць з пропусками. Отримані залежності екстраполюються з використанням формул Карлемана. Метод інтерпретовано як конвеєр нейронів.

У роботі розглядається новий клас нейроподібних мереж, що ростуть, розроблених внаслідок синтезу наукових знань, вироблених окремими науковими дисциплінами Computer sсіеnсе.

Індекс рубрикатора НБУВ: З810.22

Рубрики:

Нейронні мережі

Шифр НБУВ: Ж16683 Пошук видання у каталогах НБУВ 

Індекс рубрикатора НБУВ: З810.22

Рубрики:

Нейронні мережі

Шифр НБУВ: Ж16683 Пошук видання у каталогах НБУВ 

Індекс рубрикатора НБУВ: З810.22

Рубрики:

Нейронні мережі

Шифр НБУВ: Ж15477 Пошук видання у каталогах НБУВ 

Індекс рубрикатора НБУВ: З810.22 + З973.6

Рубрики:

Нейронні мережі

Нейрокомп'ютери

Шифр НБУВ: Ж16683 Пошук видання у каталогах НБУВ 

Надано тримірну мережу та її застосування до аналізу образів. Це багаторівнева архітектура, яка досліджує часткові кореляції між структурними компонентами зображення. Алгоритм формалізує підхід декомпозиції зображень. Зображення перетворюються таким чином, щоб кожний піксель мав інформацію щодо просторової структури його околиці. Найбільш корельована інформація формується першою, що призводить до стійкості алгоритму щодо малих структурних змін.

Індекс рубрикатора НБУВ: З810.22

Рубрики:

Нейронні мережі

Шифр НБУВ: Ж16683 Пошук видання у каталогах НБУВ 

Розглянуто питання представлення інформації в системах штучного інтелекту. Для кожної задачі, яку традиційно відносять до проблематики штучного інтелекту (розпізнавання образів, розуміння мови) існує проблема зв'язування імені об'єкта та його опису (образу). Запропоновано підхід до розв'язання даних задач з використанням асоціативно-проективних нейронних сіток з ансамблевою організацією і нейронних класифікаторів. Як приклад наведено задачі розпізнавання текстур, форми об'єктів, а також рукописних символів і слів.

Розглянуто задачу нейромережевої апроксимації принципу динамічного програмування - метод адаптивної критики. Досліджено можливість застосування класифікатора з перетворенням вхідного простору для розв'язання задач оптимізації з використанням методу адаптивної критики.

Обсужден подход к построению алгоритмов оценки характеристик плавучего динамического объекта (ДО) в нейросетевом логическом базисе. Полученные данные используются в качестве входной информации в системе логических правил анализа и прогноза состояния ДО в экстремальной ситуации. Результаты исследования реализованы в интеллектуальной системе обеспечения безопасности мореплавания судов и плавучих технических средств освоения океана.

Рассмотрены использование, конструкцию и результаты применения обычного трехслойного персептрона в составе ему подобных на уровне компьютерных возможностей. Сформулирована задача по распознаванию изображений в детерминированных условиях. Описаны методы применения конструкции системы распознавания.

Запропоновано новий метод навчання нейронних мереж прямого розповсюдження, що базується на використанні нестохастичного аналога фільтра Калмана. Ефективність методу підтверджено результатами числового моделювання.

Розглянуто розв'язок задачі класифікації на основі нейронних мереж із латеральним гальмуванням. Висвітлено методи навчання карт ознак самоорганізації Кохонена. Розглянуто питання використання апріорної інформації про значущість ознак. Зроблено аналіз можливості застосування розглянутих моделей. Результати роботи можна використати для будування адаптивних систем діагностики.

Досліджено властивості асоціативної нейронної сітки для представлення зв'язків між об'єктами. Запропоновано три способи подання відношення синонімії в сітці. Наведено результати моделювання та експериментальні дані якості функціонування в залежності від різних параметрів.

Запропоновано підхід до розв'язання задачі прогнозування і раннього виявлення змін властивостей нестаціонарних стохастичних послідовностей, що описуються нелінійними різницевими рівняннями авторегресії - змінного середнього (NARMA-моделі). Припущено, що прогнозована послідовність є нестаціонарною в широкому розумінні, причому зміни структури, що свідчать про виниклі розлади, відбуваються у заздалегідь невідомі моменти часу. Запропоновано архітектуру штучної нейронної мережі та нові алгоритми її навчання, що дозволяють з високою точністю та швидкодією отримувати прогнози контрольованого сигналу та виявляти моменти зміни його властивостей.

Розглянуто задачу позаклітинної реєстрації імпульсів нейронів як задачу розпізнавання деяких характерних ділянок сигналу - імпульсів одного з нейронів, що з'являються у випадковий момент часу. Для індивідуального розпізнавання імпульсів різних нейронів використано моделі імпульсів у вигляді нелінійних диференціальних рівнянь зі збуренням, які дозволяють описати збурення сигналу за амплітудою та фазою. Показано, що використання таких моделей дозволяє звести задачу до розділення суміші розподілень, близьких до нормальних, у перетвореному просторі ознак. Запропоновано та реалізовано алгоритм розпізнавання імпульсів нейронів. Наведено результати обчислювального експерименту.

Наведено аналіз максимально припустимих інтервальних похибок вхідного сигналу нелінійного перетворювача стандартного нейроелемента. У якості вхідних даних прийнято інтервальну похибку вихідного сигналу нелінійного перетворювача.

Подано ієрархічну структуру похибки багатошарової нейронної мережі, що застосовується для апроксимації багатовимірних функцій.

Розглянуто синхронізоване лінійне дерево як структуру зв'язку між нейронами у семантичній нейронній мережі, що дозволяє витягати зміст із тексту в режимі реального часу. Процес добування змісту із тексту на звичайній мові є розповсюджуванням хвиль активності нейронів по нейронній мережі, а зміст - станом семантичної нейронної мережі.