Повнотекстовий пошук
Пошуковий запит: (<.>A=Рябова Н$<.>) |
Загальна кількість знайдених документів : 6
Представлено документи з 1 до 6
|
1. |
Рябова Н. В. Управління системою фінансових ризиків у сучасних умовах [Електронний ресурс] / Н. В. Рябова // Економіка харчової промисловості. - 2013. - № 2. - С. 28-31. - Режим доступу: http://nbuv.gov.ua/UJRN/echp_2013_2_8
| 2. |
Рябова Н. В. Обобщенная модель семантического аннотирования текстовых документов в системах управления знаниями [Електронний ресурс] / Н. В. Рябова, О. В. Шубкина // Системи обробки інформації. - 2010. - Вип. 9. - С. 165-168. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2010_9_49 Рассмотрены вопросы интеллектуального анализа документов в системах управления знаниями. Проведен анализ основных особенностей семантического аннотирования текстовых документов, введены его формальное представление и основные характеристики.
| 3. |
Якимчук Д. М. Использование метода проблемного обучения при профессиональной подготовке специалистов технологии и дизайна тканей [Електронний ресурс] / Д. М. Якимчук, Н. А. Рябова // Вісник Чернівецького торговельно-економічного інституту. Економічні науки. - 2013. - Вип. 4. - С. 381-385. - Режим доступу: http://nbuv.gov.ua/UJRN/Vchtei_2013_4_66
| 4. |
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.
| 5. |
Бодянский Е. В. Об одном подходе к сопоставлению машинного обучения [Електронний ресурс] / Е. В. Бодянский, Н. А. Волошина, Н. В. Рябова // Восточно-Европейский журнал передовых технологий. - 2011. - № 5(2). - С. 15-18. - Режим доступу: http://nbuv.gov.ua/UJRN/Vejpte_2011_5(2)__5 Рассмотрена задача устранения разнородности онтологий. Дана общая характеристика основных подходов к сопоставлению онтологий. Представлен оптимальный по быстродействию алгоритм автоматического согласования онтологий, основанный на принципах обучения искусственной нейронной сети.
| 6. |
Рябова Н. О. Особливості використання знаку в системі графічного проектування фірмового стилю медичних закладів України [Електронний ресурс] / Н. О. Рябова, А. П. Дубрівна. // Технології та дизайн. - 2019. - № 3. - Режим доступу: http://nbuv.gov.ua/UJRN/td_2019_3_4
|
|
|