Автоматизована система налаштування обмеженої машини Больцмана
Наукові журнали НАУ
Переглянути архів Інформація| Поле | Співвідношення | |
| Title |
Автоматизована система налаштування обмеженої машини Больцмана
Automated adjustment system of restricted Boltzmann machine Автоматизированная система настройки ограниченной машины Больцмана |
|
| Creator |
Sineglazov, V. M.; Національний авіаційний університет, Київ
Tofaniuk, O. R.; Національний авіаційний університет, Київ |
|
| Subject |
Нейронна мережа глибокої довіри; обмежена машина Больцмана; контрастна розбіжність; стійка контрастна розбіжність; паралельне загартування
УДК 004.85(045) Deep Believe Network; Restricted Boltzmann Machine; Contrastive Divergence; Persistent Contrastive Divergence; Parallel Temperin UDC 004.85(045) Нейронная сеть глубокого доверия; ограничена машина Больцмана; контрастное расхождение; устойчивое контрастное расхождение; параллельная закалка УДК 004.85(045) |
|
| Description |
У даній роботі розглянуто задачу навчання нейронної мережі глибокої довіри за допомогою обмеженої машини Больцмана та вибором оптимального критерію для її навчання. Розглянуто різні алгоритми навчання обмеженої машини Больцмана, яка використовується для попереднього навчання нейронної мережі глибокої довіри, для підвищення ефективності роботи цієї мережі з подальшим вирішенням задачі структурно-параметричного синтезу нейронної мережі глибокої довіри. Це завдання являє собою задачу обгрунтування необхідності оптимального вибору алгоритму налаштування обмеженої машини Больцмана для підвищення якості навчання нейронної мережі глибокої довіри. Для вирішення цієї проблеми запропоновано створити автоматизовану систему налаштування нейронної мережі глибокої довіри, яка буде обирати оптимальні критерії навчання для даної нейронної мережі.
In this paper the problem of learning the deep believe neural network with help of a restricted Boltzmann machine and the choose of an optimal algorithm for its training is considered. Different algorithms of restricted Boltzmann machine training, which are used for the pre-training of deep believe neural network, are considered, in order to increase the efficiency of this network and further solve the problem of structural-parametric synthesis of deep believe neural network. This task represents the task of justifying the necessity of optimal choice of the restricted Boltzmann machine adjustment algorithm for improving the quality of training of the neural network. To solve this problem, it is suggested to create an automated adjustment system of restricted Boltzmann machine, which choose the optimal training algorithm for this neural network. В данной работе рассмотрена задача обучения нейронной сети глубокого доверия с помощью ограниченной машины Больцмана и выбором оптимального критерия для ее обучения. Рассмотрены различные алгоритмы обучения ограниченной машины Больцмана, которая используется для предварительного обучения нейронной сети глубокого доверия, для повышения эффективности работы сети с последующим решением задачи структурно-параметрического синтеза нейронной сети глубокого доверия. Эта задача представляет собой задачу обоснования необходимости оптимального выбора алгоритма настройки ограниченной машины Больцмана для повышения качества обучения нейронной сети глубокого доверия. Для решения этой проблемы предложено создать автоматизированную систему настройки нейронной сети глубокого доверия, которая будет выбирать оптимальные критерии обучения для данной нейронной сети. |
|
| Publisher |
National Aviation University
|
|
| Contributor |
—
— — |
|
| Date |
2019-07-11
|
|
| Type |
—
— — |
|
| Format |
application/pdf
|
|
| Identifier |
http://jrnl.nau.edu.ua/index.php/ESU/article/view/13814
10.18372/1990-5548.60.13814 |
|
| Source |
Electronics and Control Systems; Том 2, № 60 (2019); 43-52
Электроника и системы управления; Том 2, № 60 (2019); 43-52 Електроніка та системи управління; Том 2, № 60 (2019); 43-52 |
|
| Language |
en
|
|
| Rights |
Authors who publish with this journal agree to the following terms:Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
|
|