Please use this identifier to cite or link to this item: https://er.nau.edu.ua/handle/NAU/40128
Full metadata record
DC FieldValueLanguage
dc.contributor.authorSineglazov, V. M.-
dc.contributor.authorKoniushenko, R. S.-
dc.date.accessioned2019-09-06T10:54:27Z-
dc.date.available2019-09-06T10:54:27Z-
dc.date.issued2019-06-
dc.identifier.issn1990-5548-
dc.identifier.otherDOI:10.18372/1990-5548.60.13813-
dc.identifier.urihttp://er.nau.edu.ua/handle/NAU/40128-
dc.description.abstractIt 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 representeduk_UA
dc.description.abstractВ 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 алгоритмуuk_UA
dc.description.abstractРассмотрено 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 алгоритмаuk_UA
dc.language.isoukuk_UA
dc.publisherКиїв «Освіта України»uk_UA
dc.relation.ispartofseriesElectronics and Control Systems;N2(60): 35-42-
dc.relation.ispartofseriesЕлектроніка та системи управління;N2(60): 35-42-
dc.subjectneural networkuk_UA
dc.subjectfuzzy neural networkuk_UA
dc.subjectdeep learninguk_UA
dc.subjectнейронна мережаuk_UA
dc.subjectнечітка нейронна мережаuk_UA
dc.subjectглибоке навчанняuk_UA
dc.subjectнейронная сетьuk_UA
dc.subjectнечеткая нейронная сетьuk_UA
dc.subjectглубокое обучениеuk_UA
dc.titleDeep Learning Fuzzy Classifieruk_UA
dc.title.alternativeНечіткий класифікатор глибокого навчанняuk_UA
dc.typeArticleuk_UA
dc.subject.udc004.85(045)-
dc.specialityComputer-Aided Design Systemsuk_UA
dc.specialityАвтоматизовані системи проектуванняuk_UA
Appears in Collections:Наукові публікації та матеріали кафедри АКІК

Files in This Item:
File Description SizeFormat 
7.pdfНаукова стаття616.3 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.