[ссылки] [литература] [проекты] [программы] [методические указания] [монографии и статьи] [вопросы и ответы] [школы] [учебники] [новости]
ENG  |   Карта сайта
Информация
Проект преследует цель популяризации идей применения природных механизмов функционирования для решения задач прогнозирования, оптимизации и поддержки принятия решений

Cписок рассылки
  1. Введение
  2. Генетические алгоритмы (1)
  3. Генетические алгоритмы (2)
  4. Генетические алгоритмы (3)
  5. Тренды
  6. Полиномиальные тренды
  7. Тригонометрические тренды
  8. Нейронные сети
  9. Метод наименьших квадратов
  10. Метод обратного распространения ошибки
  11. Множественная линейная модель
  12. Нестандартный выпуск. Анкета
  13. МЛМ. Пример расчета
  14. RBF-сеть
  15. Сеть встречного распространения
  16. Первая интерполяционная формула Ньютона
  17. МГУА (1)
  18. Вторая интерполяционная формула Ньютона
  19. Метод Брандона
  20. МГУА (2)
  21. Интерполяционные формулы Гаусса
  22. Интерполяционные формулы Стирлинга и Лагранжа
  23. МГУА (3)
  24. МГУА (4)
  25. Предварительная обработка данных (1)
  26. Предварительная обработка данных (2)
  27. Предварительная обработка данных (3)
  28. Box-counting
  29. Гетероскедастичность
  30. Введение в нечеткую логику
  31. Обобщённый метод наименьших квадратов
  32. Прогнозирование с помощью функций с гибкой структурой
  33. Автокорреляция
  34. Дистрибутивно-лаговые модели (1)
  35. Дистрибутивно-лаговые модели (2)
  36. Дистрибутивно-лаговые модели (3)
  37. Моделирование данных при помощи кривых для восстановления пробелов в таблицах (1)
  38. Нестандартный выпуск. Анонс книги Цейтлина Н.А."Опыт аналитического статистика"
  39. Алгоритм ZET
  40. Алгоритм ZetBraid
  41. Метод эволюционной кластеризации
  42. Эволюционный метод восстановления пропусков в данных
  43. Алгоритмы кластеризации класса FOREL
АЛГОРИТМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ

Разработка эффективных нейронных сетей для идентификации и прогнозирования.

Ответственный исполнитель: Говорухин Сергей Александрович.

Аннотация:

Программно-алгоритмическая система (ПАС) АОРО разработана в среде программирования Borland Delphi 6.0 и реализует модифицированный алгоритм обратного распространения ошибки. ПАС также делает возможным исследование работы даного алгоритма и поиска оптимальных настроек различных параметров сети при обучении, таких как функция активации, меры ошибки, коэффициенты скорости обучения и инерционности, а также признаков остановки обучения сети. ПАС АОРО можно использовать как средство для решения задач идентификации и прогнозирования в различного рода экономических, технических и др. системах.

Преимуществами ПАС АОРО являются:

  • встроенная справочная служба;

  • простой и понятный интерфейс;

  • результаты работы заносятся в протокол и хранятся в отдельном файле с возможностью удобного просмотра;

  • данные для исследования можно сохранять в отдельном файле, имеющем простую структуру и удобном для редактирования;

  • осуществлена обработка ошибок ввода/вывода и удобная система подсказок.

В ходе дальнейшей разработки программы планируется осуществить следующие этапы:

  • исследование методов подготовки и оптимизации данных перед предъявлением их сети и, возможно, создание встроенного блока обработки начальных данных;

  • проектирование оптимальной структуры нейронной сети для минимизации ошибки обобщения, т. е. расширение возможностей проектирования сети в ПАС;

  • программная реализация алгоритмов других видов искусственных нейронных сетей.

Продажа кондиционеров: кондиционеры и оконные кондиционеры panasonic в нашем салоне.
Сайт создан в системе uCoz