Методы адаптивной обработки данных на основе механизмов гибридной идентификации с настройкой параметров моделей нестационарных объектов
Автор: Джуманов Олимжон Исраилович
Журнал: Проблемы информатики @problem-info
Рубрика: Теоретическая информатика
Статья в выпуске: 2 (31), 2016 года.
Бесплатный доступ
гибридной идентификации путем синтеза статистических, динамических, нейросетевых моделей нестационарных объектов с механизмами настройки параметров. Реализован подход, направленный на обучение нейронной сети с настройкой вычислительных схем структурных компонентов на основе адаптации весов нейронов, синаптических связей, функций активации, архитектуры сети, функциональных зависимостей „входы-выходы". Доказана эффективность вычислительных процедур с упрощенной настройкой параметров синтезированных динамических и нейросетевых моделей для оптимизации и обеспечения точности обработки данных при априорной недостаточности и параметрической неопределенности.
Нестационарный объект, обработка данных, оптимизация, синтез, статистические, динамические, эталонные модели, нейронная сеть, настройка параметров
Короткий адрес: https://sciup.org/14320302
IDR: 14320302
Список литературы Методы адаптивной обработки данных на основе механизмов гибридной идентификации с настройкой параметров моделей нестационарных объектов
- Мирошник И. В., Никифоров В. О., Фрадков А. Л. Нелинейное и адаптивное управление сложными динамическими системами. СПб.: Наука, 2000.
- Розов А. К. Обнаружение, классификация и оценивание сигналов. Изд-во: Политехника, 2000.
- Джуманов О. И. Адаптивные алгоритмы контроля погрешностей при обучении нейросетевых систем обработки данных нестационарной природы//Проблемы информатики. 2010. № 1. С. 61-71.
- Ядыкин И. Б., Шуйский В. М. Овсепян Т. А. Адаптивное управление непрерывными процессами. М.: Энергоатомиздат, 1985.
- Нейросетевая модель анализа технологических временных рядов в рамках методологии Data Mining/А. М. Вульфин, А. И. Фрид//Информационно-управляющие системы. 2011. № 5. С. 31-38.
- Нейросетевая модель выявления и распознавания технологических ситуаций в рамках методологии Data Mining/А. М. Вульфин, А. И. Фрид//Нейроинформатика-2010. Матер. XII Всерос. науч.-техн. конф. М.: МИФИ, 2010. С. 129-137.
- Чипига А. Ф., Воронкин Р. А. Обучение искусственных нейронных сетей путем совместного использования методов локальной оптимизации и генетических алгоритмов//Известия ТРТУ. Т. 33. № 4. С. 172-174.
