Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elibrary.kdpu.edu.ua/xmlui/handle/123456789/3487
Повний запис метаданих
Поле DC | Значення | Мова |
---|---|---|
dc.contributor.author | Наготнюк, Юрій Олександрович | - |
dc.date.accessioned | 2019-12-09T23:25:23Z | - |
dc.date.available | 2019-12-09T23:25:23Z | - |
dc.date.issued | 2019-12-09 | - |
dc.identifier.citation | Наготнюк Ю. О. Методи нейромережної ідентифікації об’єктів : кваліфікаційна робота студента групи Ім-14, ступінь вищої освіти «магістр» спеціальності 014.09 Середня освіта (інформатика) / Наготнюк Юрій Олександрович ; Міністерство освіти і науки України, Криворізький державний педагогічний університет, фізико-математичний факультет, кафедра інформатики та прикладної математики. - Кривий Ріг, 2019. - 51 с. | uk_UA |
dc.identifier.uri | http://elibrary.kdpu.edu.ua/xmlui/handle/123456789/3487 | - |
dc.description.abstract | У роботі Визначено основні проблеми, що виникають при використанні методу зворотного поширення помилки (не ефективний у разі, коли значення похідних по різним вагам нейромережі суттєво відрізняються; не дозволяє отримати швидку збіжність процесу навчання; виникає висока ймовірність виникнення ефекту перенавчання тощо). На прикладі штучних нейронних мереж з різними функціями активації показано доцільність матричного подання мережі для визначення вагових коефіцієнтів її міжшарових з’єднань. Розглянуто підхід до прискорення алгоритмів навчання з використанням нової технологічної бази – нейрочіпів. Визначено основну відмінність нейрочіпів від інших процесорів – забезпечення високого паралелізму обчислень за рахунок застосування спеціалізованого нейромережевого логічного базису або конкретних архітектурних рішень. Показано, що використання можливості представлення нейромережевих алгоритмів для реалізації на нейромережевому логічному базисі є основною передумовою різкого збільшення швидкості реалізації алгоритмів навчання штучних нейронних мереж. Обґрунтовано доцільність використання апаратно-програмного комплексу CUDA в якості нейрочіпу. Розглянуто подання задачі ідентифікації об’єктів як постановку задачі нейромережевої апроксимації, показано доцільність вибору в якості архітектури штучної нейронної мережі для апроксимації будь-якої неперервної функції багатошарового перцептрону. Розроблено метод визначення коефіцієнтів зв’язку шарів мережі для штучних нейронних мереж глибинного навчання з кількістю прихованих шарів більше одного. На основі обраного векторно-матричного подання спроектовано програмне забезпечення для реалізації методу. Показано високий рівень точності ідентифікації об’єктів порівняно з алгоритмом зворотного поширення помилки. Визначено доцільність використання GPU для реалізації розробленого програмного забезпечення. | uk_UA |
dc.subject | багатошарові нейронні мережі | uk_UA |
dc.subject | глибинне навчання | uk_UA |
dc.subject | нейромережна ідентифікація | uk_UA |
dc.title | Методи нейромережної ідентифікації об’єктів | uk_UA |
dc.type | Technical Report | uk_UA |
Розташовується у зібраннях: | Кафедра інформатики та прикладної математики (магістерські) |
Файли цього матеріалу:
Файл | Опис | Розмір | Формат | |
---|---|---|---|---|
Nahotniuk_master_thesis.pdf | Магістерська робота | 2.2 MB | Adobe PDF | Переглянути/Відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.