Інформаційні системи та мережі
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/2105
Browse
4 results
Search Results
Item Побудова оптимізованої багатошарової нейронної мережі в межах нелінійної моделі узагальненої похибки(Видавництво Львівської політехніки, 2021-03-01) Пелещак, Роман; Литвин, Василь; Пелещак, Іван; Висоцька, Вікторія; Черняк, Оксана; Peleshchak, Roman; Lytvyn, Vasyl; Peleshchak, Ivan; Vysotska, Victoria; Chernyak, Oksana; Національний університет “Львівська політехніка”; Дрогобицький державний педагогічний університет імені Івана Франка; Lviv Polytechnic National University; Drohobych Ivan Franko State Pedagogical UniversityУ роботі запропоновано спосіб оптимізації структури багатошарової нейронної мережі на основі мінімізації нелінійної узагальненої похибки, яка ґрунтується на принципі мінімальної довжини опису. Відповідно до цього принципу, узагальнена похибка мережі під час роботи з новими даними визначається похибкою апроксимації даних нейронною мережею у нелінійному наближенні та похибкою опису моделі. З умови мінімуму узагальненої похибки мережі виведено вирази для обчислення оптимального розміру мережі (кількість синаптичних зв’язків та кількість нейронів у прихованих шарах). Побудовано графічні залежності узагальненої похибки мережі від кількості синаптичних зв’язків між нейронами за різних значень вхідних образів і фіксованої кількості навчальних прикладів та графічні залежності оптимальної кількості синаптичних зв’язків від кількості навчальних прикладів за різних значень вхідних образів. На основі співвідношень для оптимальної кількості синаптичних зв’язків між нейронами та оптимальної кількості нейронів у прихованих шарах оцінено ступінь складності навчання нейронної мережі.Item Розробка штучної нейронної мережі з осциляторними нейронами для розпізнавання спектральних образів(Видавництво Львівської політехніки, 2020-02-24) Пелещак, Роман; Литвин, Василь; Пелещак, Іван; Висоцька, Вікторія; Peleshchak, Roman; Lytvyn, Vasyl; Peleshchak, Ivan; Vysotska, Victoria; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityРозроблено новий тип штучної нейронної мережі з осциляторними нейронами, які мають власні частоти. За допомогою такої штучної нейронної мережі на основі інформаційного резонансу реалізовано новий метод розпізнавання мультиспектральних образів (мультиспектральних електромагнітних сигналів), що випромінюють динамічні об’єкти. Побудована нейронна мережа розпізнаватиме вхідні спектральні образи з амплітудою нестаціонарного сигналу, співвимірною з амплітудою сигналу шуму, завдяки резонансному ефекту в нелінійних осциляторних нейронах. Проведено комп’ютерний експеримент із розпізнавання мультиспектральних образів динамічною нейронною мережею на основі резонансного ефекту.Item Нейромережевий метод симетричного шифрування даних(Видавництво Львівської політехніки, 2018-02 26) Цимбал, Юрій Вікторович; Tsymbal, Yurii; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityРозглянуто метод симетричного шифрування даних на основі нейронних мереж моделі геометричних перетворень (МГП). Ключ шифрування складається зі значень на входах навчальної та тестової множин мережі. Використовується властивість мереж МГП формувати гіперплощину, що проходить через точки навчальної множини. Показано можливості застосування розробленого методу для шифрування растрових зображень.Item Послідовне ядерне нечітке кластерування великих масивів даних на основі гібридної системи обчислювального інтелекту(Видавництво Львівської політехніки, 2017-03-28) Бодянський, Є. В.; Дейнеко, А. О.; Жернова, П. Є.; Золотухін, О. В.; Хаустова, Я. В.; Харківський національний університет радіоелектронікиЗапропоновано 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 основано як на лінивому навчанні, так і на навчанні, що ґрунтується на оптимізації.