|
|
|
|
|
|
![](picts/filetype/exe.gif)
1.6 Mb |
СИА - stduviewer.exe |
stduviewer.exe |
1.6 Mb |
03.02.2010 |
520 |
Программа для просмотра файлов в формате *.djvu |
![](picts/filetype/pdf.gif)
95 kb |
Riedmiller M. RPROP - Description and Implementation Details. Karlsruhe (1994) |
riedmiller94rprop.pdf |
95 kb |
07.11.2009 |
508 |
RPROP – алгоритм ускоренного обучения многослойных сетей прямого распространения, относится к алгоритмам с локальной адаптивной техникой, на ряде задач позволяет достичь сокращения времени обучения в 5-6 раз и более в сравнении с классическим backpropagation, является одним из наиболее часто применяемых на практике, реализован «в железе» на некоторых нейроплатах. |
![](picts/filetype/pdf.gif)
145.7 kb |
Короткий С. Нейронные сети: основные положения. () |
N1.pdf |
145.7 kb |
07.11.2009 |
458 |
В статье рассмотрены основы теории нейронных сетей, позволяющие в дальнейшем обратиться к конкретным структурам, алгоритмам и идеологии практического применения сетей в компьютерных приложениях. |
![](picts/filetype/pdf.gif)
219.5 kb |
Bruske Joerg, Sommer Gerald. Dinamic Cell Structures. Kiel (1995) |
1994_Dynamic_Cell_Structures.pdf |
219.5 kb |
07.11.2009 |
479 |
Динамические ячеистые структуры представляют семейство архитектуры искусственных нейронных сетей, сочетающих контролируемое и неконтролируемое обучение. |
![](picts/filetype/pdf.gif)
181.5 kb |
Короткий С. Нейронные сети: алгоритм обратного распространения. () |
N2.pdf |
181.5 kb |
07.11.2009 |
461 |
В статье рассмотрен алгоритм обучения нейронной сети с помощью процедуры обратного распространения, описана библиотека классов для С++. Алгоритм расписан пошагово в удобном для практической реализации виде. Приведен работающий код. |
![](picts/filetype/pdf.gif)
211.5 kb |
Короткий С. Нейронные сети Хопфилда и Хэмминга. () |
N4.pdf |
211.5 kb |
07.11.2009 |
534 |
Рассказывается о сетях, обладающих так называемой ассоциативной памятью. Сеть Хопфилда умеет восстанавливать образ по имеющемуся зашумленному сигналу или, если не может распознать, дает об этом заключение. Когда нет необходимости, чтобы сеть в явном виде выдавала образец, то есть достаточно, скажем, получать номер образца, ассоциативную память успешно реализует сеть Хэмминга. |
![](picts/filetype/pdf.gif)
2.2 Mb |
Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. (перевод 1992) |
NeuroTech.pdf |
2.2 Mb |
07.11.2009 |
598 |
В книге американского автора в общедоступной форме излагаются основы построения нейрокомпьютеров. Описаны структура нейронных сетей и различные алгоритмы их настройки. Отдельные главы посвящены вопросам реализации нейронных сетей. Для специалистов в области вычислительной техники, а также студентов соответствующих специальностей вузов. |
![](picts/filetype/pdf.gif)
206.1 kb |
Riedmiller M. Advanced Supervised Learning In Multi-Layer Perceptrons – From Backpropagation to Adaptive Learning Algorithms. Karlsruhe () |
riedmiller94advanced.pdf |
206.1 kb |
07.11.2009 |
447 |
Статья описывает алгоритм обучения многослойных сетей RPROP. Автор дает описание своего алгоритма и краткое описание других техник (Backpropagation, Delta-Bar-Delta, SuperSAB, Quickprop), с которыми затем идет сравнение. Сравнение производится на задачах: проблема XOR, сжатие информации кодировщиками 10-5-10 и 12-2-12, две спирали. В целом, по результатам приведенных сравнений, RProp на высоте. |
![](picts/filetype/pdf.gif)
152.2 kb |
Fahlman S. The Cascade-Correlation Learning Architecture. Pittsburgh (1991) |
fahlman91cascadecorrelation.pdf |
152.2 kb |
07.11.2009 |
450 |
Обучение многослойной сети прямого распространения в сочетании с динамическим увеличением размеров сети (наращивание слоев и добавление нейронов) дает хорошее улучшение процесса, особенно в сложных задачах, какой, к примеру, является задача о двух спиралях. На этой задаче автор и показал эффективность метода. |
![](picts/filetype/pdf.gif)
51.7 kb |
Fahlman S. An Empirical Study of Learning Speed in Back-Propagation Networks. Pittsburgh (1988) |
fahlman88empirical.pdf |
51.7 kb |
07.11.2009 |
460 |
Автор систематизирует улучшения стандартного алгоритма обратного распространения в своих исследованиях и, как результат первых шести месяцев своей работы, предлагает алгоритм ускоренного обучения Quickprop. Данный алгоритм является комплексом эвристических дополнений к исходному Backpropagation. По эффективности и популярности приближается к RProp. |