Отрывок: 5) Скорректировать все веса в НС. 6) Если ошибка сети существенна, перейти на шаг 1. В противном случае – конец. Сети на шаге 1 попеременно в случайном порядке предъявляются все тренировочные образы, чтобы сеть, образно говоря, не забывала одни по мере запоминания других. Когда выходное значение стремится к нулю, эффективность обучения заметно снижается. При двоичных входных векторах в среднем половина весов...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Коваленко А. А. | ru |
dc.contributor.author | Литвинов В. Г. | ru |
dc.contributor.author | Министерство образования и науки Российской Федерации | ru |
dc.contributor.author | Самарский национальный исследовательский университет им. С. П. Королева (Самарский университет) | ru |
dc.contributor.author | Институт информатики | ru |
dc.contributor.author | математики и электроники | ru |
dc.coverage.spatial | автоматизированные системы прогнозирования | ru |
dc.coverage.spatial | алгоритм обратного распространения ошибки | ru |
dc.coverage.spatial | сверточные нейронные сети | ru |
dc.coverage.spatial | финансовые показатели | ru |
dc.creator | Коваленко А. А. | ru |
dc.date.issued | 2018 | ru |
dc.identifier | RU\НТБ СГАУ\ВКР20180625143907 | ru |
dc.identifier.citation | Коваленко, А. А. Автоматизированная система прогнозирования финансовых показателей сверточной нейронной сетью : вып. квалификац. работа по спец. "Информатика и вычислительная техника" / А. А. Коваленко ; рук. работы В. Г. Литвинов ; М-во образования и науки Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т информатики, математики и электроники, Фак-т инф. - Самара, 2018. - on-line | ru |
dc.description.abstract | Целью данной выпускной квалификационной работы бакалавра является изучение возможностей сверточных нейронных сетей в решении задач прогнозирования финансовых показателей. Реализованная сеть обучалась при помощи алгоритма обратного распространения ошибки. Создана информационно-логическая модель автоматизированной системы в нотации UML с помощью CASE-средства draw.io. Программа реализована на высокоуровневом языке Python с помощью среды разработки PyCharm 2017.2. Интерфейс реализован на языке C# с помощью свободной интегрированной среды разработки приложений MS Visual Studio 2017 под управлением операционной системы Windows. | ru |
dc.format.extent | Электрон. дан. (1 файл : 1,1 Мб) | ru |
dc.title | Автоматизированная система прогнозирования финансовых показателей сверточной нейронной сетью | ru |
dc.type | Text | ru |
dc.subject.rugasnti | 50.01 | ru |
dc.subject.udc | 004.032.26 | ru |
dc.textpart | 5) Скорректировать все веса в НС. 6) Если ошибка сети существенна, перейти на шаг 1. В противном случае – конец. Сети на шаге 1 попеременно в случайном порядке предъявляются все тренировочные образы, чтобы сеть, образно говоря, не забывала одни по мере запоминания других. Когда выходное значение стремится к нулю, эффективность обучения заметно снижается. При двоичных входных векторах в среднем половина весов... | - |
Располагается в коллекциях: | Выпускные квалификационные работы |
Файлы этого ресурса:
Файл | Размер | Формат | |
---|---|---|---|
Коваленко_Андрей_Александрович_Автоматизированная_система_прогнозирования_финансовых.pdf | 1.1 MB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.