Книжкові видання та компакт-диски Журнали та продовжувані видання Автореферати дисертацій Реферативна база даних Наукова періодика України Тематичний навігатор Авторитетний файл імен осіб
|
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
Пошуковий запит: (<.>A=Бодянский Е$<.>) |
Загальна кількість знайдених документів : 37
Представлено документи з 1 до 20
|
| |
1. |
Бодянский Е. В. Методы вычислительного интеллекта для анализа данных [Електронний ресурс] / Е. В. Бодянский // Радіоелектронні і комп’ютерні системи. - 2007. - № 5. - С. 66–76. - Режим доступу: http://nbuv.gov.ua/UJRN/recs_2007_5_11 Рассмотрены методы нечеткой (фаззи) кластеризации данных в условиях перекрывающихся классов на основании вероятностного и возможностного подходов. Предложены адаптивные алгоритмы, реализующие эти подходы и позволяющие обрабатывать данные по мере их поступления в реальном времени. Введены робастные процедуры кластеризации, основанные на целевых функциях, устойчивых к аномальным выбросам.
| 2. |
Бодянский Е. В. Адаптивное обучение всех параметров эволюционирующей радиально-базисной нейронной сети [Електронний ресурс] / Е. В. Бодянский, А. А. Дейнеко, М. З. Стольникова // Системи обробки інформації. - 2013. - Вип. 5. - С. 13-16. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2013_5_5 Предложены архитектура и метод обучения искусственной эволюционной радиально-базисной нейронной сети, которая настраивает не только свои веса, но и автоматически определяет количество нейронов, расположение центров радиально-базисных функций и параметров рецепторного поля в on-line режиме с высокой скоростью поступления и обработки данных.
| 3. |
Бодянский Е. В. Искусственная нейронная сеть для нелинейной декомпозиции функций [Електронний ресурс] / Е. В. Бодянский, С. В. Попов // Доповiдi Національної академії наук України. - 2009. - № 9. - С. 42-47. - Режим доступу: http://nbuv.gov.ua/UJRN/dnanu_2009_9_9 Запропоновано нову архітектуру штучної нейронної мережі для розв'язання задачі нелінійної декомпозиції функцій. Використано спадний підхід, що не потребує апріорної інформації про властивості аналізовної функції. Можливості запропонованого методу продемонстровано на синтетичних тестових функціях і підтверджено розв'язанням реальної задачі.
| 4. |
Плиско Д. А. Прогнозирование нестационарных временных рядов на основе модифицированного адаптивного нео-фаззи-предиктора [Електронний ресурс] / Д. А. Плиско, В. В. Волкова, Е. В. Бодянский // Збірник наукових праць Харківського університету Повітряних сил. - 2011. - Вип. 2. - С. 111-114. - Режим доступу: http://nbuv.gov.ua/UJRN/ZKhUPS_2011_2_27 Рассмотрена задача адаптивного прогнозирования многомерных нелинейных временных рядов, характеристики которых могут резко меняться во времени непредсказуемым образом, на основе многомерных нео-фаззи-нейронов и алгоритм обучения, сочетающий в себе высокое быстродействие и фильтрующие свойства. Предлагаемый нео-фаззи-предиктор предназначен для решения задачи краткосрочного прогнозирования в условиях короткой обучающей выборки.
| 5. |
Бодянский Е. В. Нечеткая кластеризация данных в порядковой шкале на основе совместного использования функций принадлежности и правдоподобия [Електронний ресурс] / Е. В. Бодянский, В. А. Самитова // Збірник наукових праць Харківського університету Повітряних сил. - 2010. - Вип. 3. - С. 91-95. - Режим доступу: http://nbuv.gov.ua/UJRN/ZKhUPS_2010_3_23 Рассмотрена задача кластеризации данных, заданных в порядковой шкале, в условиях перекрывающихся кластеров. Для классификации предложено использовать подход, основанный на совместном применении функций принадлежности и правдоподобия.
| 6. |
Бодянский Е. В. Нейронная сеть Т. [Електронний ресурс] / Е. В. Бодянский, В. В. Волкова, Е. В. Махиборода // Збірник наукових праць Харківського університету Повітряних сил. - 2009. - Вип. 2. - С. 74-77. - Режим доступу: http://nbuv.gov.ua/UJRN/ZKhUPS_2009_2_20
| 7. |
Бодянский Е. В. Радиально-базисная нейронная сеть с полиномиальными функциями активации [Електронний ресурс] / Е. В. Бодянский, А. П. Чапланов, Е. Б. Чапланова // Системи обробки інформації. - 2007. - Вип. 3. - С. 12-15. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2007_3_5 Рассмотрен синтез алгоритма обучения радиально-базисной нейронной сети с полиномиальными функциями активации 4-й степени для задачи прогнозирования временных рядов.
| 8. |
Бодянский Е. В. Тищенко А. K. Адаптивный нео-фаззи-предиктор многомерных нестационарных временных рядов [Електронний ресурс] / Е. В. Тищенко А. K. Бодянский // Системи обробки інформації. - 2012. - Вип. 3(2). - С. 8-12. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2012_2_3_4 Решена задача адаптивного прогнозирования многомерных нелинейных временных рядов, характеристики которых могут резко изменяться во времени непредсказуемым образом. Введены нейросетевая архитектура, узлами которой являются нео-фаззи-нейроны, и алгоритм обучения, сочетающий в себе высокое быстродействие и фильтрующие свойства. Предлагаемый нео-фаззи-предиктор предназначен для решения задачи краткосрочного прогнозирования в реальном времени в условиях короткой обучающей выборки.
| 9. |
Бодянский Е. В. Нечеткая кластеризация данных, заданных в порядковой шкале [Електронний ресурс] / Е. В. Бодянский, В. А. Опанасенко, А. Н. Слипченко // Системи обробки інформації. - 2007. - Вип. 4. - С. 5-9. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2007_4_4 Предложен алгоритм нечеткой кластеризации многомерных наблюдений, компонентами которых являются лингвистические упорядоченные переменные, заданные своими рангами.
| 10. |
Бодянский Е. В. Ортосинапс, ортонейроны и нейропредиктор на их основе [Електронний ресурс] / Е. В. Бодянский, Е. А. Викторов, А. Н. Слипченко // Системи обробки інформації. - 2007. - Вип. 4. - С. 139-143. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2007_4_39 Введена специализированная конструкция нелинейного синапса с активационными функциями в виде ортогональных полиномов и на его основе архитектуры ортонейрона и двойного ортонейрона. Предложены алгоритмы обучения на основе процедур оптимизации первого и второго порядков. Рассмотрена и решена задача прогнозирования с помощью развиваемого подхода.
| 11. |
Бодянский Е. В. Гетерогенная спайк-нейронная сеть с латеральными связями в задаче кластеризации [Електронний ресурс] / Е. В. Бодянский, А. И. Долотов // Системи обробки інформації. - 2007. - Вип. 8. - С. 10-15. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2007_8_5 Рассмотрена модель спайк-нейрона, предложена архитектура гетерогенной спайк-нейронной сети для решения задачи кластеризации. В качестве алгоритма обучения выбрано модифицированное правило Хэбба. Для преобразования входного сигнала в кортежи спайков использованы рецепторные поля. Показана эффективность решения задачи кластеризации на основе сети спайк-нейронов.
| 12. |
Бодянский Е. В. Непозиционное кодирование в задачах нейросетевого прогнозирования временных рядов [Електронний ресурс] / Е. В. Бодянский, О. С. Удовенко // Системи обробки інформації. - 2008. - Вип. 7. - С. 28-32. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2008_7_9 Рассмотрен подход к реализации модульных вычислений для задач нейросетевого прогнозирования, позволяющий получить ряд существенных преимуществ, связанных с повышением надежности работы систем на основании применения параллельной структуры нейронных сетей. Показано, что непозиционная система остаточных классов обладает способностью самокоррекции, обнаружения и исправления ошибок. Кроме того, она позволяет сократить разрядность обрабатываемых данных, представляя их в модулярном коде в виде совокупности взаимно простых модулей. В связи с этим становится возможным упростить структуру нейронной сети, используемой для прогнозирования, и избежать проблем, связанных с масштабированием входных данных.
| 13. |
Бабенко А. В. Прогнозирующе-диагностирующая рекуррентная нейро-фаззи сеть в задаче контроля потребления электроэнергии [Електронний ресурс] / А. В. Бабенко, Е. В. Бодянский, С. В. Попов, Е. В. Слипченко // Системи обробки інформації. - 2009. - Вип. 3. - С. 2-5. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2009_3_3 Рассмотрена специализированная прогнозирующе-диагностирующая нейро-фаззи сеть, являющаяся обобщением многослойного персептрона, рекуррентной сети Вильямса-Зипсера и прогнозирующей многослойной нейро-фаззи сети, а также соответствующий алгоритм обучения и диагностики. Такой гибридный подход позволяет одновременно решать задачи краткосрочного прогнозирования и контроля потребления электрической энергии.
| 14. |
Бодянский Е. В. Адаптивный фильтр-предиктор многомерных существенно нестационарных временных рядов [Електронний ресурс] / Е. В. Бодянский, О. А. Романюк, О. С. Удовенко // Системи обробки інформації. - 2009. - Вип. 4. - С. 23-28. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2009_4_8 Решена задача адаптивного прогнозирования многомерных временных рядов, характеристики которых могут резко изменяться непредсказуемым образом с течением времени. Введена нейросетевая архитектура с синапсами - динамическими фильтрами и предложен алгоритм обучения, сочетающий в себе как высокое быстродействие, так и фильтрующие свойства. Предлагаемый фильтр-предиктор предназначен для использования в задачах технического анализа, связанных с оперативным предсказанием биржевых курсов.
| 15. |
Бодянский Е. В. Составной адаптивный вейвлон и алгоритм его обучения [Електронний ресурс] / Е. В. Бодянский, Е. А. Винокурова // Управляющие системы и машины. - 2009. - № 1. - С. 47-53. - Режим доступу: http://nbuv.gov.ua/UJRN/USM_2009_1_7
| 16. |
Бодянский Е. В. Адаптивная нечеткая кластеризация данных на основе метода Густафсона–Кесселя [Електронний ресурс] / Е. В. Бодянский, Б. В. Колчигин, В. В. Волкова, И. П. Плисс // Управляющие системы и машины. - 2013. - № 2. - С. 40-46. - Режим доступу: http://nbuv.gov.ua/UJRN/USM_2013_2_7 Рассмотрены процедуры нечеткой кластеризации. Предложены адаптивные формы вероятностного и возможностного вариантов алгоритма Густафсона - Кесселя, отличающиеся численной простотой и обеспечивающие высокую эффективность при работе в условиях неопределенности, в частности при меняющемся со временем характере обрабатываемых данных и недостатке знаний о природе выборки.
| 17. |
Бодянский Е. В. Информационная технология кластеризации данных в условиях короткой обучающей выборки на основе ассоциативной вероятностной нейро-фаззи системы [Електронний ресурс] / Е. В. Бодянский, Е. А. Винокурова, Д. Д. Пелешко // Управляющие системы и машины. - 2014. - № 4. - С. 73-76. - Режим доступу: http://nbuv.gov.ua/UJRN/USM_2014_4_12 Разработана гибридная нейро-фаззи система вычислительного интеллекта, позволяющая решать задачи вероятностной и нечеткой классификации данных, описываемых короткими выборками, в условиях пересекающихся классов произвольной формы.
| 18. |
Колчигин Б. В. Адаптивная нечеткая кластеризация с переменным фаззификатором [Електронний ресурс] / Б. В. Колчигин, Е. В. Бодянский // Кибернетика и системный анализ. - 2013. - Т. 49, № 3. - С. 47-55. - Режим доступу: http://nbuv.gov.ua/UJRN/KSA_2013_49_3_6
| 19. |
Бодянский Е. В. Адаптивный метод гибридного обучения эволюционирующей нейро-фаззи системы [Електронний ресурс] / Е. В. Бодянский, Е. А. Бойко, И. П. Плисс // Кибернетика и системный анализ. - 2015. - Т. 51, № 4. - С. 13-18. - Режим доступу: http://nbuv.gov.ua/UJRN/KSA_2015_51_4_3 Предложен метод обучения нейро-фаззи систем, который включает процессы эволюции архитектуры, самообучения функций принадлежности и обучения синаптических весов. Этот подход обеспечивает высокое быстродействие и возможность обрабатывать информацию в on-line режиме, адаптируя при этом параметры и структуру системы к условиям задачи.
| 20. |
Бодянский Е. В. Многослойная адаптивная нечеткая вероятностная нейронная сеть в задачах классификации текстовых документов [Електронний ресурс] / Е. В. Бодянский, Н. В. Рябова, О. В. Золотухин // Радіоелектроніка, інформатика, управління. - 2015. - № 1. - С. 39-45. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2015_1_7 Рассмотрена задача классификации текстовых документов на основе нечеткой вероятностной нейронной сети в режиме реального времени. В массиве текстовых документов может быть выделено различное количество классов, к которым могут относиться данные документы. При этом предполагается, что данные классы могут иметь в n-мерном пространстве различную форму и взаимно перекрываться. Предложена архитектура многослойной адаптивной нечеткой вероятностной нейронной сети, которая позволяет решать задачу классификации в последовательном режиме по мере поступления новых данных. Предложен алгоритм обучения многослойной адаптивной нечеткой вероятностной нейронной сети, а также решена задача классификации на основе предложенной архитектуры в условиях пересекающихся классов, что позволяет относить один экземпляр текстового документа к разным классам с различной степенью вероятности. Архитектура классифицирующей нейронной сети отличается простотой численной реализацией и высокой скоростью обучения, и предназначена для обработки больших массивов данных, характеризующихся векторами признаков высокой размерности. Предлагаемая нейронная сеть и метод еe обучения предназначены для работы в условиях пересекающихся классов, отличающихся как формой, так и размерами.
| | |
|
|