Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: https://er.nau.edu.ua/handle/NAU/40128
Назва: Deep Learning Fuzzy Classifier
Інші назви: Нечіткий класифікатор глибокого навчання
Автори: Sineglazov, V. M.
Koniushenko, R. S.
Ключові слова: neural network
fuzzy neural network
deep learning
нейронна мережа
нечітка нейронна мережа
глибоке навчання
нейронная сеть
нечеткая нейронная сеть
глубокое обучение
Дата публікації: чер-2019
Видавництво: Київ «Освіта України»
Серія/номер: Electronics and Control Systems;N2(60): 35-42
Електроніка та системи управління;N2(60): 35-42
Короткий огляд (реферат): It is considered a classification problem solution based on analysys of represented review. It’s shown that the neural networks has important advantages beside other methods, such as: classification using the nearest neighbor method, support vector classification, classification using decision trees, etc. Amoun of artifisial neural networks exists futher networks have the simplest structure, but the precission of the solution can be increased with help of deep learning approache, which is supposed the use of additional neural network for the solution of pretraining tasks(deep believe networks). It’s proposed new tophology wich consist of: Takagi-Sugeno-Kang fuzzy classifier and Limited Boltzmann Machine neural network. Despite on this thopology was proposed early in this article it’s carried out enough researches that permited to specify the learning algorithm. An example of proposed algorithm implantation is represented
В даній роботі розглянуто рішення проблеми класифікаці. Показано, що нейронні мережі мають важливі переваги поряд з іншими методами, такими як: класифікація з використанням методу найближчого сусіда, класифікація за допомогою векторів підтримки, класифікація з використанням дерев рішень, тощо. Рішення може бути розширено за допомогою глибокого підходу до навчання, що передбачає використання додаткової нейронної мережі (глибокі мережі) для вирішення задачі попереднього навчання. Запропонована нова тофологія складається з: нечітких класифікаторів Такагі-Сугено-Канга і нейронної мережі обмеженої машини Больцмана. Незважаючи на те, що ця топологія була запропонована раніше, в цій статті було проведено достатньо досліджень, які дозволили створити алгоритм навчання. Наведено приклад використання запропонованого алгоритму
Рассмотрено решение проблемы классификации на основе анализа представленного обзора. Показано, что нейронные сети обладают важными преимуществами по сравнению с другими методами, такими как: классификация с использованием метода ближайшего соседа, классификация векторов поддержки, классификация с использованием деревьев решений и т. д. Существует множество искусственных нейронных сетей, которые имеют простейшую структуру, но точность решения может быть увеличена с помощью подхода глубокого обучения, который предполагает использование дополнительной нейронной сети для решения задач предварительной подготовки (сети глубокого обучения). Предложена новая топология, которая состоит из: нечеткого классификатора Такаги–Сугено–Канга и нейронной сети ограниченной машины Больцмана. Несмотря на то, что эта топология была предложена в этой статье, было проведено достаточно исследований, которые позволили создать новый алгоритм обучения. Приведен пример использования предложенного алгоритма
URI (Уніфікований ідентифікатор ресурсу): http://er.nau.edu.ua/handle/NAU/40128
ISSN: 1990-5548
Розташовується у зібраннях:Наукові публікації та матеріали кафедри авіаційних комп'ютерно-інтегрованих комплексів (НОВА)

Файли цього матеріалу:
Файл Опис РозмірФормат 
7.pdfНаукова стаття616.3 kBAdobe PDFПереглянути/Відкрити


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.