|
|
|
|
|
|
146.5 kb |
Короткий С. Нейронные сети: обучение без учителя. () |
N3.pdf |
146.5 kb |
07.11.2009 |
460 |
В статье рассмотрены алгоритмы обучения искусственных нейронных сетей без
учителя. Приведена библиотека классов на C++ и тестовый пример. Такие сети способны обобщать схожие образы, относя их к одному классу. Рассмотрено обучение Хебба и алгоритм Кохонена, на основе которого строятся нейронные сети особого типа – так называемые самоорганизующиеся структуры (карты) – self-organizing feature maps. |
116.5 kb |
Крисилов В.А., Чумичкин К.В., Кондратюк А.В. Представление исходных данных в задачах нейросетевого прогнозирования. Одесса (2003) |
krisilov2003represent.pdf |
116.5 kb |
07.11.2009 |
434 |
В работе рассматриваются вопросы предварительных преобразований данных в задачах прогнозирования временных рядов посредством нейронных сетей. Сформулированы требования к предварительным к предварительным преобразованиям, необходимым для уменьшения ошибки прогноза. Приведены практические результаты применения предложенных соображений при прогнозировании финансовых временных рядов. |
791.3 kb |
Воронцов K. Лекции по искусственным нейронным сетям. (2005) |
NeuralNets.pdf |
791.3 kb |
07.11.2009 |
448 |
Это черновой вариант конспекта лекций. Здесь освещена история развития искусственных нейронных сетей, начиная с работ МакКаллока и Питтса, показаны теоретические аспекты существующих парадигм, а также практические рекомедации. Особое внимание уделено сетям прямого распространения, картам Кохонена, даны классические алгоритмы обучения. |
300.2 kb |
Igel C., Huesken M. Improving the Rprop Learning Algorithm. Bochum () |
igel00improving.pdf |
300.2 kb |
07.11.2009 |
447 |
Авторы модифицировали алгоритм RProp, предложенный Ридмиллером и Брауном, чем достигли повышения скорости обучения. В статье описан сам алгоритм и его четыре модификации. Алгоритм может быть реализован с «откатом» (Weight-Backtracking) коррекции весов или без него. В новой (улучшенной) схеме с откатом последний производится только в том случае, если ошибка сети на данной итерации больше, чем на предыдущей. В схеме без отката переменная, содержащая значение производной ошибки по весу, обнуляется если ее знак изменился. Сравнения выполнены на задачах диагностики диабета, рака, а также T-C-классификации. |
299.9 kb |
Riedmiller Martin, Braun Heinrich. A Direct Adaptive Method for Faster Backpropagation Learning: The RPROP Algorithm. Karlsruhe () |
riedmiller93direct.pdf |
299.9 kb |
07.11.2009 |
463 |
Ридмиллер и Браун описывают модификацию градиентного спуска - алгоритм прямой подстройки RPROP. В статье приведены сравнения с классическим backpropagation, SuperSAB, Qiuckprop на задачах шифраторов 10-5-10, 12-2-12, игре Nine Men's Morris, двух спиралях. |
955.5 kb |
Заенцев И. Нейронные сети: основные модели. Воронеж (1999) |
course.pdf |
955.5 kb |
07.11.2009 |
437 |
Учебное пособие к курсу "Нейронные сети". Читается студентам 5 курса магистратуры Воронежского Государственного университета физического факультета. Описание начинается с биологических нейронов, довольно подробно рассматриваются электрохимические процессы передачи нервного импульса, далее переход на обзор моделей искусственных нейронов с различными активационными функциями. Дается алгоритм обратного распространения ошибки для обучения многослойной сети. Рассматриваются известные проблемы и ограничения нейросетей, а также имеются примеры практического применения. |
225.5 kb |
Першин Д. Обзор некоторых видов нейронных сетей. Новосибирск (2000) |
063.pdf |
225.5 kb |
07.11.2009 |
510 |
Рассмотрены наиболее распространенные модели нейронных сетей, кратко описаны известные алгоритмы обучения. Обзор ведется в научно-популярной форме. |