Репозиторий Самарского университета
Отрывок: Полученные в результате данные представлены на рисунках 15 и 16 . При получении данных использовался многослойный персептрон со следующей архитектурой: 15 нейронов во входном слое, 5 – в первом и втором скрытых слоях, 15 нейронов в выходном слое. 34 Таблица 2 – Функции Цернике № n m Тригонометрическое представление 1 0 0 1 2 1 -1 2𝑟𝑠𝑖𝑛(𝜃) 3 1 1 2𝑟𝑐𝑜𝑠(𝜃) 4 2 -2 √6𝑟2𝑠𝑖𝑛(2𝜃) 5 2 0 √3(2𝑟2 − 1) 6 2 2 2√2𝑟3𝑐𝑜𝑠(2𝜃) 7 3 -3 2√...
| Название : | Исследование влияния алгоритмов обучения многослойного персептрона на эффективность решения задачи регрессии |
| Авторы/Редакторы : | Онисич С. А. Солдатова О. П. Министерство образования и науки Российской Федерации Самарский национальный исследовательский университет им. С. П. Королева (Самарский университет) Институт информатики математики и электроники |
| Дата публикации : | 2018 |
| Библиографическое описание : | Онисич, С. А. Исследование влияния алгоритмов обучения многослойного персептрона на эффективность решения задачи регрессии : вып. квалификац. работа по спец. "Информатика и вычислительная техника" / С. А. Онисич ; рук. работы О. П. Солдатова ; 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 инфор. - Самара, 2018. - on-line |
| Аннотация : | Целью работы является изучение влияния алгоритма обучения многослойного персептрона на погрешность задачи регрессии. Для рассмотрения выбраны следующие алгоритмы: алгоритм наискорейшего спуска вместе с алгоритмом обратного распространения ошибки, генетический алгоритм и алгоритм роя частиц. Рассмотрены принципы работы этих алгоритмов и структура многослойного персептрона.Разработана автоматизированная система, позволяющая обучить многослойные персептрон выбранной пользователем архитектуры с использованием упомянутых алгоритмов обучения с использованием пользовательских обучающих данных. Система реализована на языке C# с использованием средств разработки Microsoft Visual Studio и Visual Studio Code.Для обучения и тестирования используются различные наборы реальных данных. По результатам проверки сделаны выводы об успешности применения тех или иных алгоритмов. |
| Другие идентификаторы : | RU\НТБ СГАУ\ВКР20180625150056 |
| Ключевые слова: | генетические алгоритмы алгоритм роя частиц алгоритм обратного распространения ошибки многослойные персептроны нейронные сети регрессия |
| Располагается в коллекциях: | Выпускные квалификационные работы |
Файлы этого ресурса:
| Файл | Размер | Формат | |
|---|---|---|---|
| Онисич_Степан_Александрович_Исследование_влияния_алгоритмов_обучения.pdf | 1.25 MB | Adobe PDF | Просмотреть/Открыть |
Показать полное описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.