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√...
Полная запись метаданных
Поле DC Значение Язык
dc.contributor.authorОнисич С. А.ru
dc.contributor.authorСолдатова О. П.ru
dc.contributor.authorМинистерство образования и науки Российской Федерацииru
dc.contributor.authorСамарский национальный исследовательский университет им. С. П. Королева (Самарский университет)ru
dc.contributor.authorИнститут информатикиru
dc.contributor.authorматематики и электроникиru
dc.coverage.spatialгенетические алгоритмыru
dc.coverage.spatialалгоритм роя частицru
dc.coverage.spatialалгоритм обратного распространения ошибкиru
dc.coverage.spatialмногослойные персептроныru
dc.coverage.spatialнейронные сетиru
dc.coverage.spatialрегрессияru
dc.creatorОнисич С. А.ru
dc.date.issued2018ru
dc.identifierRU\НТБ СГАУ\ВКР20180625150056ru
dc.identifier.citationОнисич, 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-lineru
dc.description.abstractЦелью 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.ru
dc.format.extentЭлектрон. дан. (1 файл : 1,2 Мб)ru
dc.titleИсследование влияния алгоритмов обучения многослойного персептрона на эффективность решения задачи регрессииru
dc.typeTextru
dc.subject.rugasnti50.01ru
dc.subject.udc004.032.26ru
dc.textpartПолученные 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√...-
Располагается в коллекциях: Выпускные квалификационные работы

Файлы этого ресурса:
Файл Размер Формат  
Онисич_Степан_Александрович_Исследование_влияния_алгоритмов_обучения.pdf1.25 MBAdobe PDFПросмотреть/Открыть  
Показать базовое описание ресурса Просмотр статистики
Поделиться:



Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.