Нейронная сеть Т. Кохонена с нечетким выводом и алгоритм ее самообучения
Наукові видання Харківського національного університету Повітряних Сил
Переглянути архів Інформація| Поле | Співвідношення | |
| Title |
Нейронная сеть Т. Кохонена с нечетким выводом и алгоритм ее самообучения
Нейронна мережа Т. Кохонена з нечітким висновком і алгоритм її самонавчання T. Kohonen’s neural network with fuzzy inference and its self-learning algorithm |
|
| Creator |
Е.В. Бодянский
В.В. Волкова Е.В. Махиборода Є.В. Бодянський В.В. Волкова К.В. Махіборода Ye.V. Bodyanskiy V.V. Volkova Ye.V. Mahiboroda |
|
| Subject |
Кібернетика та системний аналіз
УДК 519.7:004.8 кластеризация, самообучение, конкуренция, синаптическая адаптация, кооперация, нечеткий вывод кластеризація, самонавчання, конкуренція, синаптична адаптація, кооперація, нечітке виведення clustering, self-training, competition, synaptic adaptation, co-operation, unclear conclusion |
|
| Description |
Предлагается алгоритм обучения для самоорганизующихся карт (SOM), который позволяет ускорить процесс обработки информации благодаря рациональному выбору параметра величины шага обучения, обладает возможностью работы в случае неизвестного количества кластеров, а также при их пересечении, что достигается благодаря использованию процедуры нечеткого вывода, определяющей степени принадлежности классифицируемого наблюдения ко всем кластерам.
Пропонується алгоритм навчання для самоорганізувальних мап (SOM), що дозволяє прискорити процес обробки інформації завдяки раціональному вибору параметра величини кроку навчання, може працювати при невідомій кількості кластерів, а також якщо вони перетинаються. Це досягається завдяки використанню процедури нечіткого виведення, яка визначає ступінь належності спостереження, що класифікується, до всіх кластерів. A learning algorithm for a self-organizing map (SOM) is proposed. The algorithm accelerates information processing due to the rational choice as the learning rate parameter, and can work when the number of clusters is unknown, as well as when the clusters are overlapping. This is achieved via the introduction of fuzzy inference that determines the level of membership of the classified pattern to each of the available classes. |
|
| Publisher |
Харківський національний університет Повітряних Сил ім. І. Кожедуба
Харьковский национальный университет Воздушных Сил им. И. Кожедуба Kharkiv national Air Force University named after I. Kozhedub |
|
| Date |
2009
|
|
| Type |
info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion Рецензована стаття |
|
| Format |
application/pdf
|
|
| Identifier |
http://www.hups.mil.gov.ua/periodic-app/article/3936
|
|
| Source |
Збірник наукових праць Харківського національного університету Повітряних Сил. — 2009. — № 2(20). 74-77
Сборник научных трудов Харьковского национального университета Воздушных Сил. — 2009. — № 2(20). 74-77 Scientific Works of Kharkiv National Air Force University. — 2009. — № 2(20). 74-77 2073-7378 |
|
| Language |
rus
|
|
| Relation |
http://www.hups.mil.gov.ua/periodic-app/article/3936/zhups_2009_2_20.pdf
|
|