Повнотекстовий пошук
Пошуковий запит: (<.>A=Жернова П$<.>) |
Загальна кількість знайдених документів : 5
Представлено документи з 1 до 5
|
1. |
Бодянський Є. В. Онлайн модифікація методу Х-середніх на основі ансамблю самоорганізовних мап Т. Кохонена [Електронний ресурс] / Є. В. Бодянський, А. О. Дейнеко, П. Є. Жернова, В. О. Рєпін // Розвиток транспорту. - 2017. - Вип. 1. - С. 96-107. - Режим доступу: http://nbuv.gov.ua/UJRN/transdevel_2017_1_12
| 2. |
Жернова П. Є. Ядерна нечітка кластеризація потоків даних на основі ансамблю нейронних мереж [Електронний ресурс] / П. Є. Жернова, Є. В. Бодянський // Сучасний стан наукових досліджень та технологій в промисловості. - 2018. - № 4. - С. 42-49. - Режим доступу: http://nbuv.gov.ua/UJRN/dtssi_2018_4_7
| 3. |
Жернова П. Е. Класифікація технологій поліграфічного захисту з урахуванням технологічних рядів [Електронний ресурс] / П. Е. Жернова, А. В. Бизюк // Вісник Національного технічного університету "ХПІ". Серія : Нові рішення в сучасних технологіях. - 2012. - № 68. - С. 145-147. - Режим доступу: http://nbuv.gov.ua/UJRN/vcpinrct_2012_68_33
| 4. |
Жернова П. Є. Нечітка імовірнісно-можливісна послідовна кластеризація даних на основі ансамблевого підходу [Електронний ресурс] / П. Є. Жернова, Є. В. Бодянський // Прикладная радиоэлектроника. - 2019. - Т. 18, № 1-2. - С. 40-45. - Режим доступу: http://nbuv.gov.ua/UJRN/Prre_2019_18_1-2_8
| 5. |
Бодянський Є. В. Послідовне ядерне нечітке кластерування великих масивів даних на основі гібридної системи обчислювального інтелекту [Електронний ресурс] / Є. В. Бодянський, А. О. Дейнеко, П. Є. Жернова, О. В. Золотухін, Я. В. Хаустова // Вісник Національного університету "Львівська політехніка". Серія : Інформаційні системи та мережі. - 2017. - № 872. - С. 20-24. - Режим доступу: http://nbuv.gov.ua/UJRN/VNULPICM_2017_872_5 Запропоновано архітектуру та методи самонавчання гібридної нейрофаззі системи обчислювального інтелекту для кластерування даних за умов, коли кластери, що формуються, можуть мати довільну форму і взаємно перетинатися. В основу запропонованої системи покладено нечітку узагальнену регресійну нейронну мережу та нейро-фаззі кластерувальну мережу Т. Когонена, налаштування яких засновано як на лінивому навчанні, так і на навчанні, що базується на оптимізації.
|
|
|