Please use this identifier to cite or link to this item:
http://elar.khnu.km.ua/jspui/handle/123456789/725

Можете відсканувати цей QR-код телефоном( програмою "Сканер QR-кодів" ) для збереження.

Title: Зависимость производительности нейросети с прямой связью с одним скрытым слоем нейронов от гладкости её обучения на зашумленных копиях алфавита образов
Authors: Романюк, В.В.
Keywords: нейросеть;распознавание образов;обучение;гладкое обучение;производительность;скорость обучения;neural network;pattern recognition;learning;smooth learning;performance;speed of learning
Issue Date: 2013
Publisher: Хмельницький національний університет
Citation: Романюк, В. В. Зависимость производительности нейросети с прямой связью с одним скрытым слоем нейронов от гладкости её обучения на зашумленных копиях алфавита образов [Текст] / В. В. Романюк // Вісник Хмельницького національного університету. Технічні науки. – 2013. – № 1. – С. 201-206.
Abstract: Рассматривается нейросеть с прямой связью с одним скрытым слоем нейронов, предназначенная для распознавания монохромных изображений небольшого формата. Исследуется зависимость производительности такой нейросети от гладкости её обучения, определяемой в смысле частоты разбиения отрезка среднего квадратического отклонения шума для генерирования и подачи зашумленных изображений на вход. Полученные по достаточно объёмным тестированиям нейросети результаты свидетельствуют о том, что производительность нейросети при сглаживании процесса обучения повышается, однако при этом процесс обучения значительно замедляется. В средах с более мощными вычислительными ресурсами это замедление предполагается менее ощутимым, поэтому там общая функциональность нейросети при гладком обучении будет улучшена.
There is considered the feedforward neuronet with single hidden layer, assigned for recognition of monochrome images of a not large format. There is investigated the dependence of such neuronet performance against its training smoothness, defined in the sense of break frequency for noise meansquare deviation segment in generating and feeding the input with noised images. The obtained results after enoughvoluminous neuronet testings are evidence that neuronet performance by smoothing the training process improves, but at that the training process slows down conspicuously. Within environments with more powerful computational resources this deceleration is surmised to be less perceptible, and so the general neuronet functionality there by the smooth training will be improved.
URI: http://elar.khnu.km.ua/jspui/handle/123456789/725
UDC: 004.032.26:004.93
metadata.dc.type: Стаття
Appears in Collections:Вісник ХНУ. Технічні науки - 2013 рік

Files in This Item:
File Description SizeFormat 
1_13.pdf469,35 kBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.