Browsing by Author "Винокурова, О."

Now showing 1 - 4 of 4

Адаптивна матрична нейро-фаззі самоорганізовна мережа для кластеризації багатовимірних потоків даних
(Видавництво Львівської політехніки, 2017-03-28) Бодянський, Є.; Винокурова, О.; Кобилін, І.; Мулеса, П.; Харківський національний університет радіоелектроніки
Запропоновано адаптивну матричну нейро-фаззі самооргазізовну мережу для кластеризації багатовимірних потоків даних (біомедичні масиви спостережень, сигнали цифрового відео, що формують дискретні двовимірні поля тощо). Ця мережа характеризується простотою обчислювальної реалізації, високими апроксимувальними властивостями, швидкодією процесу навчання і призначена для розв’язання широкого класу задач інтелектуального аналізу потоків даних. Результати низки експериментів як на тестових, так і на реальних даних підтверджують ефективність запропонованого підходу.
Адаптивний w-нейрон та його навчання в задачах прогнозування і виявлення розладнань
(Видавництво Львівської політехніки, 2012) Бодянський, Є.; Винокурова, О.
Розглянуто структуру адаптивного W-нейрона та його метод навчання. Запропонований алгоритм навчання має підвищену швидкість збіжності та забезпечує покращені апроксимуючі властивості за рахунок настроювання усіх параметрів вейвлет- функцій. Введена підсистема виявлення розладнань для W-нейрона, що дає змогу розв’язувати задачі діагностування в on-line режимі стохастичних процесів. Adaptive W-neuron and its learning algorithm are considered. Proposed learning algorithm has increased convergence rate and provides improved approximative properties because of the all wavelet parameters tuning. The fault detection subsystem for W-neuron that allows to solve a stochastic process diagnosing problems in on-line mode. Key words: W-neuron, learning algorithm, prediction, fault detection.
Адаптивний вейвлет-фаззі-нейрон типу-2
(Видавництво Львівської політехніки, 2011) Бодянський, Є.; Винокурова, О.; Харченко, О.
Запропоновано архітектуру вейвлет-фаззі-нейрона типу-2 та алгоритм навчання усіх його параметрів. Також запропоновано метод редукції моделі, що дає змогу проводити інтелектуальну обробку даних в on-line режимі при високій швидкості надходження даних. Проведено низку комп’ютерних експериментів на реальних даних, що підтверджують доцільність підходу, що розвивається. In the paper the architecture of type-2 wavelet-fuzzy neuron and learning algorithm its of all-parameters are proposed. The type-reduction model method which allows data mining in on-line mode under high speed feeding of data is proposed too. The computational experiments confirm to effectiveness of developed approach.
До питання про прискорений вибір значення коефіцієнта Кросинговера в задачах передискретизації зображень
(Видавництво Львівської політехніки, 2017-03-28) Пелешко, Д.; Винокурова, О.; Рак, Т.; Ізонін, І.; Пелешко, М.; Михайлюк, С.; Національний університет “Львівська політехніка”; Харківський національний університет радіоелектроніки; Львівський державний університет безпеки життєдіяльності
Розроблено новий метод прискореного автоматичного визначення значення коефіцієнта операції кросинговера у задачах попереднього опрацювання зображень з використанням матричних операторів дивергенції. Експериментальні дослідження показують високу стійкість методу до обробки зображень із флуктуаційною функцією інтенсивності. Порівняння результатів роботи за розробленим методом з результатами за існуючим показало прискорення автоматичного вибору коефіцієнта кросинговеру, що значно зменшує кількість необхідних обчислювальних ресурсів для його роботи. Це зумовлює можливість його ефективного застосування під час обробки великорозмірних зображень.