Класифікація і алгоритми навчання штучних нейронних мереж.
Abstract
З кожним роком зростає зацікавленість вирішення більш складних задач розпізнавання об’єктів, що обумовлена автоматизацією, необхідністю образних процесів комунікації в інтелектуальних системах. Тому удосконалення реалізації розпізнавання комп’ютерними системами образів є актуальною. Один з перспективних напрямків вирішення даної проблеми ґрунтується на застосуванні штучних нейронних мереж і нейрокомп'ютерів, як найбільш прогресивних по відношенню проблем класифікації задач розпізнавання образів. У наш час запропоновано велику кількість архітектур нейромереж для застосування у розпізнаванні об’єктів. Аналіз запропонованих рішень показує, що й досі не існує такої моделі, яка б була кращою серед усіх результуючих показників роботи.References
Хайкин С. Нейронные сети, полный курс. 2-е изд., перед. М. : Вильямс, 2008. 1103 с. ISBN 5-8459-0890-6
Whitely D., Starkweather T., Bogart C. Genetic Algorithms and Neural Networks: Optimizing Connections and Connectivity. Parallel Computing. 1990. Vol. 14.
Tang C., He Y., Yuan L. A Fault Diagnosis Method of Switch Current Based on Genetic Algorithm to Optimize the BP Neural Network : International Conference on Electric and Electronics. 2011. Vol. 99.
Jinru L., Yibing L., Keguo Y. Fault diagnosis of piston compressor based on Wavelet Neural Network and Genetic Algorithm : Proceedings of the 7th World Congress on Intelligent Control and Automation. 2008.
Wu W., Guozhi W., Yuanmin Z., Hongling W.Genetic Algorithm Optimizing Neural Network for Short-Term Load Forecasting : International Forum on Information Technology and Applications. 2009.
