Комп'ютерні науки та інформаційні технології. – 2012. – №744

Permanent URI for this collectionhttps://ena.lpnu.ua/handle/ntb/19179

Вісник Національного університету "Львівська політехніка"

У віснику публікуються статті за результатами досліджень з актуальних питань комп’ютерних наук та інформаційних технологій, виконаних професорсько-викладацьким складом Національного університету “Львівська політехніка” та провідними вченими України в галузі проектування архітектури і компонентів комп’ютерних систем, моделювання складних об’єктів, процесів і систем та розробки і використання новітніх інформаційних технологій. Для науковців, викладачів вищих навчальних закладів, інженерів, що спеціалізуються у сфері новітніх обчислювальних систем, мереж, комп’ютеризованих засобів розв’язання задач цифрового опрацювання сигналів і зображень, автоматизованого проектування та керування, а також докторантів, аспірантів та студентів старших курсів відповідних спеціальностей.

Вісник Національного університету «Львівська політехніка» : [збірник наукових праць] / Міністерство освіти і науки України, Національний університет «Львівська політехніка» – Львів : Видавництво Львівської політехніки, 2012 . – № 744: Комп’ютерні науки та інформаційні технології / відповідальний редактор Ю. М. Рашкевич. – 323 с. : іл.

Browse

Search Results

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Прогнозування багатовимірних нестаціонарних часових рядів на основі адаптивної нео-фаззі-моделі
    (Видавництво Львівської політехніки, 2012) Бодянський, Є.; Тищенко, О.; Копаліані, Д.
    Введено структуру адаптивного нео-фаззі предиктора та багатовимірного нео-фаззі-нейрона, а також метод навчання останнього. Запропонований алгоритм навчання має підвищену швидкість збіжності та забезпечує фільтруючі властивості. Завдяки введеній нейромережевій архітектурі, вузлами якої є нео-фаззі-нейрони, можна розв’язувати задачі короткострокового прогнозування у реальному часі за умов короткої навчальної вибірки. The architectures of the adaptive neo-fuzzy predictor and a multidimensional neo-fuzzyneuron are introduced. The proposed learning algorithm increases convergence rate and provides improved filter properties. The short-term prediction tasks may be fulfilled in an online mode with the help of proposed neuro-fuzzy architectures when a data set is short.