|
Гарипов Ильдар Ильдарович Факультет: Компьютерных информационных технологий и автоматики (ФКИТА)
|
Библиотека
Представленные в этом разделе материалы являются некоторым дополнением к автореферату магистрской работы.
1. Алгоритм обучения RProp - математический аппарат. (Оригинал материала находится здесь: http://www.basegroup.ru/neural/rprop.htm). Одним из серьезных недостатков алгоритма с обратным распространением ошибки, используемого для обучения многослойных нейронных сетей, является слишком долгий процесс обучения, что делает неприменимым использование данного алгоритма для широкого круга задач, которые требуют быстрого решения. В данной статье рассматривается алгоритм, ускоряющих процесс обучения, названный Resilient Propagation (Rprop)
2. Постановка и возможные пути решения задачи обучения нейронных сетей. (Оригинал материала находится здесь: http://cache.rcom.ru/~dap/nneng/nnlinks/nbdoc/training.htm). В статье рассматриваются алгоритмы обучения нейронных сетей, приводится краткая их сравнительная характеристика.
3. Модели нейронных сетей для реализации отображений. (Оригинал материала находится здесь: http://cache.rcom.ru/~dap/nneng/nnlinks/nbdoc/ideal.htm). В статье рассмотрена теорема Колмогорова-Арнольда. Приведено следствие из этой теоремы. В работе представлена оценка необходимого числа синаптических весов в многослойной сети и количества нейронов.
4. Е.П.Путятин "Нормализация и распознавание изображений." (Оригинал материала находится здесь: http://sumschool.sumdu.edu.ua/is-02/rus/lectures/pytyatin/pytyatin.htm). В статье представлена структура распознавания изображений, рассмотрены основные процедуры и методы обработки.
5. Введение в искусственные нейронные сети. (Оригинал материала находится здесь:http://officier.chat.ru/161.htm). Данная статья является введением в современную проблематику ИНС. Представлены нейросетевые архитектуры и процессы обучения ИНС.
6. И.И. Гарипов, Е.И. Гридасова, О.Г. Калинкин, М.В. Жадан. "Техническая реализация программного обеспечения для диагностики и прогнозирования синдрома жировой эмболии" //Украинский журнал телемедицины и медицинской телематики. Том 3, №2., 2005, стр 190-197. В статье рассматривается один из возможных подходов диагностирования синдрома жировой эмболии, на основе статистической модели. Описанная математическая модель, позволяет относить наблюдаемые объекты к различным классам, что позволяет диагностировать данное заболевание.
7. Применение нейронной сети обратного распространения для классификации изображений Back Propagation Neural Network for Classification of IRS-1D Satellite Images E. Hosseini Aria, J. Amini, M.R.Saradjian Department of geomantics, Faculty of Engineering, Tehran University, Iran, Jamebozorg G., National Cartographic Center (NCC), Tehran, Iran.// В этой статье исследуется пригодность использования нейронной сети обратного распространения (BPNN) для классификации отдаленно-считанных изображений; рассмотрена модель сети; описаны входные данные. Пер. с англ. Гарипов И.И.
8. А.Н. Жирабок "Планирование эксперимента для построения математических моделей". pdf 127 kb //Соровкий образовательный журнал. Том 7, №9., 2001, стр 121-127. (Первоисточник материала: http://www.issep.rssi.ru/). В статье изложены основные полонения по планированию и проведению эксперимента.
9. В.А. Сойфер "Компьютерная обработка изображений". Часть 1. Математические модели. pdf 130 kb //Соровкий образовательный журнал. Том 2, 1996, стр 118-124. (Первоисточник материала: http://www.issep.rssi.ru/).
10. В.А. Сойфер "Компьютерная обработка изображений". Часть 2. Математические модели. pdf 275 kb //Соровкий образовательный журнал. Том 3, 1996, стр 110-121. (Первоисточник материала: http://www.issep.rssi.ru/).
|