Academic literature on the topic 'Моделювання нейрону'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Моделювання нейрону.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Моделювання нейрону"
1
Прочухан, Д. В. "Нейромережеве моделювання в реалізації системи визначення правильності носіння медичної маски." Системи обробки інформації, no. 1(164) (March 17, 2021): 65–72. http://dx.doi.org/10.30748/soi.2021.164.07.
Full textAbstract:
Розглянуто актуальну проблему визначення правильності одягнення медичної маски у людини. Для її вирішення запропоновано побудування моделі з використанням штучного інтелекту. Розглянуто механізм класифікації та обробки вхідних даних. Розроблено структуру згорткової нейронної мережі у вигляді моделі послідовної реалізації шарів згортки, агрегування, повного зв’язку. Обґрунтовано доцільність використання функції ReLU для активації вузлів. Застосовано метод Dropout для запобігання перенавчанню нейронної мережі. Вихідний шар реалізовано у вигляді одного нейрону з використанням функції активації сигмоїда. Оптимізація згорткової нейронної мережі здійснена методом стохастичного градієнтного спуску. Використано метод зворотного поширення помилки для навчання нейронної мережі. Розроблено програмний додаток на мові програмування Python. Використано бібліотеку Keras для забезпечення точності, правильності, повноти побудованої моделі. Проведено компіляцію з використанням бінарної перехресної ентропії в якості цільової функції. За допомогою розробленого додатку проведено ефективне навчання згорткової нейронної мережі на тестових вхідних зображеннях. Зважаючи на значні вимоги до апаратного забезпечення і програмних ресурсів, цей процес було здійснено під керуванням операційної системи Linux. Обмежена кількість періодів навчання забезпечила зменшення підсумкового часу навчання. Здійснено перевірку побудованої системи на контрольній множині. Отримано високі показники розпізнавання зображень. Працездатність програмного додатку перевірена з використанням різної апаратної і програмної конфігурації. Розроблена система може бути використані у галузях, які потребують контролю виконання правил безпеки під час пандемії.
2
Vidybida, A. K., and O. V. Shchur. "Твірна функція моментів для статистики вихідної активності інтегруючого нейрона з втратами." Ukrainian Journal of Physics 66, no. 3 (April 7, 2021): 254. http://dx.doi.org/10.15407/ujpe66.3.254.
Full textAbstract:
Дослiджується статистика вихiдної активностi нейрона при його стимуляцiї потоком вхiдних iмпульсiв, що утворюють стохастичний процес Пуассона. В ролi моделi нейрона взято iнтегруючий нейрон з втратами. Знайдено нове представлення функцiї розподiлу ймовiрностей довжин вихiдних мiжiмпульсних iнтервалiв. На його основi обчислено в явному виглядi твiрну функцiю моментiв ймовiрнiсного розподiлу. Остання, за теоремою Куртiса, повнiстю визначає сам розподiл. Зокрема, на основi твiрної функцiї знайдено явнi вирази для моментiв всiх порядкiв. Момент першого порядку збiгається iз знайденим ранiше. Формули для моментiв другого i третього порядкiв перевiрено чисельно шляхом прямого моделювання стохастичної динамiки нейрона з конкретними фiзичними параметрами.
3
Лєві, Л. І. "ФОРМАЛІЗАЦІЯ ВОЛОГОПЕРЕНОСУ В НЕНАСИЧЕНІЙ ЗОНІ МОДУЛЬНОЇ ДІЛЯНКИ ҐРУНТУ ЯК ОБ’ЄКТУ КЕРУВАННЯ НА ОСНОВІ НЕО-ФАЗЗІ МЕРЕЖ." Вісник Полтавської державної аграрної академії, no. 3 (September 27, 2019): 248–55. http://dx.doi.org/10.31210/visnyk2019.03.34.
Full textAbstract:
Метою статті є дослідження модульної ділянки ґрунту як об’єкту керування, яка є складною ро-зподіленою у просторі системою. Однією з характерних ознак складності об’єкта керування є неви-значеність у представленні його структури та поведінки. У рамках сучасної методології системно-го моделювання невизначеність може характеризувати наступні аспекти модельних уявлень: неяс-ність або нечіткість границі системи; неоднозначність семантики окремих термінів; неповнота модельних уявлень щодо певної складної системи; наявність протиріч між окремими компонентами модельних уявлень або вимог, які повинна задовольняти модель складної системи; невизначеність настання певних подій, які належать до можливості знаходження системи ‒ оригіналу в певному стані в майбутньому; лінгвістична невизначеність. На модульну ділянку ґрунту як об’єкт керування здійснюють вплив змінні збурення − погодні умови (температура й вологість повітря, швидкість ві-тру, сонячна радіація, опади). Від них залежить вихідний параметр − всмоктуючий тиск (вологість) ґрунту. Цьому об՚єкту керування притаманна стохастична невизначеність, оскільки його властиво-сті змінюються випадково. На сьогодні, крім класичних нейронних мереж, розвиваються гібридні, зокрема, нечіткі нейронні мережі. Вони об’єднують у собі переваги нейронних мереж і систем нечі-ткого виведення. Тому для моделювання ненасиченої зони модульної ділянки ґрунту як об’єкту керу-вання ґрунту застосовано саме гібридну нейро-нечітку мережу на основі нео-фаззі нейрона. Розроб-лені нео-фаззі моделі ненасиченої зони модульної ділянки ґрунту як об’єкта керування для прогнозу-вання всмоктуючого тиску ґрунту забезпечують вищу точність роботи, ніж багатошарові мережі прямого поширення. Водночас вони мають простішу архітектуру, що забезпечує легшу практичну реалізацію та більшу швидкість навчання. Розроблені нео-фаззі моделі можуть бути використані у складі автоматизованого робочого місця диспетчера зрошувальної системи і слугувати зручним ін-струментом для планування й керування режимами зволоження сільськогосподарських культур.
4
Pogrebnyak, S. V., and O. O. Vodka. "Моделювання механічної поведінки еластомірних матеріалів за допомогою штучної нейронної мережі." Scientific Bulletin of UNFU 28, no. 11 (December 27, 2018): 130–34. http://dx.doi.org/10.15421/40281123.
Full textAbstract:
У ХХІ ст. нейронні мережі широко використовують у різних сферах, зокрема в комп'ютерному моделюванні та механіці. Така популярність через те, що вони дають високу точність, швидко працюють та мають дуже широкий спектр налаштувань. Створено програмний продукт із використанням елементів штучного інтелекту для інтерполяції та апроксимації експериментальних даних. Програмне забезпечення повинно коректно працювати та давати результати з мінімальною похибкою. Інструментом розв'язання задачі було використання елементів штучного інтелекту, а точніше – нейронних мереж прямого поширення. Збудовано нейронну мережу прямого поширення. Її навчив вчитель із використанням методу зворотного розповсюдження похибки на основі навчаючої вибірки попередньо проведеного експерименту. Для тестування було побудовано декілька мереж різної структури, що отримували на вхід однаковий набір даних, якого не використовували під час навчання, але він був відомий з експерименту. Отже, було знайдено похибку мережі за кількістю виділеної енергії та середньоквадратичним відхиленням. Докладно описано тип мережі та її топологію. Метод навчання і підготовки навчаючої вибірки також описано математично. Внаслідок проведеної роботи збудовано та протестовано програмне забезпечення з використанням штучної нейронної мережі та визначено її похибку.
5
МАРИНИЧ, Іван, and Ольга СЕРДЮК. "ЗАСТОСУВАННЯ НЕЙРОННИХ РЕГУЛЯТОРІВ ПРИ МОДЕЛЮВАННІ КЕРУВАННЯ СТАДІЄЮ ПОДРІБНЕННЯ В УМОВАХ ГІРНИЧО-ЗБАГАЧУВАЛЬНОГО КОМБІНАТУ." INFORMATION TECHNOLOGY AND SOCIETY, no. 1 (May 12, 2022): 45–53. http://dx.doi.org/10.32689/maup.it.2022.1.6.
Full textAbstract:
Анотація. Стаття присвячена можливості застосування стандартних типів нейрорегуляторів, що пропонує середовище MATLAB & Simulink при моделюванні керування технологічним процесом, а саме стадією подрібнення, шляхом застосування узгодженого інтелектуального керування в умовах невизначеності. Застосування технологій штучного інтелекту в гірському ділі є досить актуальним в цей час. На відміну від «класичних» детермінованих автоматизованих систем керування, які засновані на використанні жорстких алгоритмів (або чіткої логіки), системи з використанням штучного інтелекту мають властивості навчання та самонавчання (тобто накопичення та узагальнення досвіду). Використання штучних нейро‑нечітких мереж для моделювання і ідентифікації об’єкта керування – підхід, який зазвичай розглядається як альтернатива методам, заснованим на фізичних або технологічних принципах. Зокрема, це стосується можливості використання нейронних мереж та нечіткої логіки для управління технологічними процесами дроблення-подрібнення та збагачення корисних копалин. В роботі було розглянуто три можливих типи регуляторів, які пропонує середовище MATLAB & Simulink, а саме регулятора з передбаченням NN Predictive Controller, регулятору на основі моделі авторегресії NARMA-L2 та контролера на основі еталонної моделі – Model Reference Controller. Кожен з розглянутих регуляторів може застосовуватись при моделюванні технологічного процесу, але доцільність використання того чи іншого типу, в першу чергу залежить від характеру технологічного процесу. При моделюванні була досліджена можливість керування технологічним процесом за допомогою штучного інтелекту (регуляторів на основі нейронних мереж). Аналіз результатів моделювання трьох типів нейрорегуляторів, показав, що найбільш доцільним при моделюванні керування технологічного процесу подрібнення є застосування регулятора типу NARMA-L2.
6
Zhukovskyy, V. V., S. V. Shatnyi, and N. A. Zhukovska. "Нейронна мережа для розпізнавання та класифікації картографічних зображень ґрунтових масивів." Scientific Bulletin of UNFU 30, no. 5 (November 3, 2020): 100–104. http://dx.doi.org/10.36930/40300517.
Full textAbstract:
Запропоновано нейронну мережу для розпізнавання картографічних зображень ґрунтових масивів та класифікації ландшафтних ділянок за типами ґрунтових масивів із використанням нейронної мережі. Описано підходи до проектування архітектури, методів навчання, підготовки даних для проведення навчання, тренування та тестування нейронної мережі. Розроблено структурно-функціональну схему нейронної мережі, яка складається із вхідного, прихованих та вихідного шарів, кожен окремий нейрон описано відповідною активаційною функцією із підібраними ваговими коефіцієнтами. Показано доцільність застосування кількості нейронів, їх тип та архітектуру для проведення задачі розпізнавання та класифікації ділянок на кадастрових картах. Як вихідні дані використано відкриті державні інформаційні ресурси, в яких виділено окремі ділянки за типами ґрунтів, їх поширення та сформовано базу даних для навчання та тренування нейронної мережі. Проаналізовано ефективність, швидкодію та точність роботи нейронної мережі, зокрема, проведено комп'ютерну симуляцію із використанням сучасного програмного забезпечення та математичне моделювання обчислювальних процесів у середині структури нейронної мережі. Розроблено програмні засоби для попередньої підготовки та оброблення вхідних даних, подальшого тренування та навчання нейронної мережі та безпосередньо процесу розпізнавання та класифікації. Відповідно до отриманих результатів, розроблена модель та структура нейромережі, її програмні засоби реалізації показують високу ефективність як на етапі попереднього оброблення даних, так і загалом на етапі класифікації та виділення цільових ділянок ґрунтових масивів. Надалі наступним етапом досліджень є розроблення та інтеграція програмно-апаратної системи на основі розпаралелених та частково розпаралелених засобів обчислювальної техніки, що дасть змогу значно пришвидшити обчислювальні операції, досягти виконання процесів навчання та тренування нейронної мережі в режимі реального часу та без втрати точності. Подані наукові та практичні результати мають високий потенціал для інтеграції в сучасні інформаційно-аналітичні системи, системи аналізу та моніторингу за станом навколишнього середовища, технологічними об'єктами та об'єктами промисловості.
7
Zhuk, М. М., H. V. Pivtorak, and І. І. Hits. "ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖЕВОГО МОДЕЛЮВАННЯ ДЛЯ ПРОГНОЗУВАННЯ ТРИВАЛОСТІ ПЕРЕБУВАННЯ ТРАНСПОРТНОГО ЗАСОБУ НА ЗУПИНЦІ ГРОМАДСЬКОГО ТРАНСПОРТУ." Transport development, no. 1(12) (May 3, 2022): 156–67. http://dx.doi.org/10.33082/td.2022.1-12.13.
Full textAbstract:
Вступ. Підвищення попиту на громадський транспорт серед міського населення можна досягнути комплексом різних заходів, одним з яких є вдосконалення системи перевезень та підвищення якості обслуговування пасажирів на різних ланках перевізного процесу. Сучасні методи опрацювання та аналізу параметрів функціонування транспортних систем дозволяють оцінити вплив різноманітних чинників на транспортні процеси та спрогнозувати результати такого впливу. Більшість транспортних процесів мають стохастичну, нелінійну структуру. У таких випадках доцільно використовувати методи штучного інтелекту, зокрема штучні нейронні мережі. Мета. Метою статті є визначення тривалості перебування транспортного засобу на зупинці громадського транспорту з використанням нейромережевого моделювання. Результати. У роботі розкрито основні принципи функціонування штучних нейронних мереж та правила їх використання. Проаналізовано доцільність застосування нейромережевого моделювання для прогнозування тривалості перебування транспортного засобу на зупинках громадського транспорту. Зокрема, проаналізовано вплив таких чинників, як: довжина маршруту, відстань від початку маршруту до досліджуваної зупинки, інтервал між транспортними засобами певного маршруту та пасажирообмін на зупинці. На основі зібраної під час натурних спостережень інформації в програмному середовищі Deductor створено нейронну мережу та проведено прогнозування тривалості перебування транспортного засобу на зупинці. Проведено оцінку якості отриманої моделі. Висновки. Нейромережеве моделювання є ефективним інструментом для дослідження транспортних процесів. Отримані результати свідчать про достатню точність отриманої моделі (середня тривалість перебування транспортного засобу на зупинці становить 24 с у ранковий період та 21 с – в обідній, відхилення в межах від 5 до 9,6 %). Подальші дослідження спрямовуватимуться на підвищення точності моделі шляхом, зокрема, розширення переліку вхідних параметрів.
8
Галкін, О. В. "Нейронні мережі в економічному моделюванні." Компьютерная математика, Вып. 1 (2013): 69–74.
Find full text
9
Dmitrienko, V., S. Leonov, and V. Brechko. "ВИКОРИСТАННЯ АСОЦІАТИВНОЇ ПАМ’ЯТІ ПРИ ПРОЕКТУВАННІ ТЕХНОЛОГІЧНОГО ПРОЦЕСУ." Системи управління, навігації та зв’язку. Збірник наукових праць 3, no. 55 (June 21, 2019): 99–103. http://dx.doi.org/10.26906/sunz.2019.3.099.
Full textAbstract:
При проектуванні технологічних процесів механообробки використовується банк даних, в якому необхідно знайти потрібну інформацію та скомпонувати її в залежності від задачі. При цьому виникає необхідність побудови багаторівневої структури обробки даних. Також необхідно забезпечити швидкий пошук необхідної інформації, яка знаходиться в банку даних. Вирішити цю проблему можна за допомогою асоціативної пам'яті, застосувати яку можна як при пошуку інформації, так і при подальшому збереженні отриманого технологічного процесу. Метою роботи є розробка нейронних мереж асоціативної пам'яті для проектування і зберігання технологічних процесів для високоточних і унікальних деталей. Результати. За допомогою запропонованих нейронних мереж асоціативної пам'яті розроблено технологічний процес для виробництва конкретної деталі. Алгоритм навчання окремих модулів багатошарової мережі являє собою процес визначення навчального набору зображень і побудови матриць вагів зв’язків між вхідним і вихідними шарами нейронів. При використанні асоціативної пам'яті збільшується швидкість роботи з даними за рахунок паралельної обробки інформації. Математичне моделювання технологічного процесу виробництва деталі підтвердило правильність теоретичних положень. Висновки. Розроблені нейронні мережі для проектування і зберігання технологічних процесів для виробництва високоточних деталей.
10
Pisarenko, V. "Моделювання взаємодії нейронів живої нейромережі для задач технологій штучного інтелекту." Адаптивні системи автоматичного управління 2, no. 35 (December 25, 2019): 64–69. http://dx.doi.org/10.20535/1560-8956.35.2019.197433.
Full textDissertations / Theses on the topic "Моделювання нейрону"
1
Авдєйонок, Ірина Ігорівна. "Фотонна інтегральна схема для систем з штучним інтелектом." Master's thesis, КПІ ім. Ігоря Сікорського, 2021. https://ela.kpi.ua/handle/123456789/41180.
Full textAbstract:
Дисертаційна робота присвячена розробці фотонної інтегральної схеми для нейронної мережі.
Інтегральні схеми являє собою невід'ємну частину сучасних технологій. Більша частина функціональних одиниць можливо замінити фотонним компоненнтом (діоди, хвилеводи, фільтри та підсилювач) для створення фотонної інтегральної схеми. Фотонні інтегральні схеми мають декілька переваг: мають більшу швидкість обробки та передачі інформації, велику зону пропускання та мають менші втрати енергії. Найбільш розповюдженим є використання гібридних схем, тобто частина елементів інтегральної системи інтегрується фотонними елементами.
Перший розділ присвячений дослідженню сучасному розвитку нейронних мереж. Розглянуто апаратні реалізації нейрону та нейронних мереж. Також був проведений патентний пошук моделювання нейрону.
У другому розділі розглянуті сучасні архітектури фотонно інтегрльної схеми. Була запропонована нова структура інтегральної схеми, та її технологія виготовлення. Для цього була запропонована структура літографічної установки та сформульоване технічне завдання.
Третій розділ присвячений проектуванню літографічної системи. Були проведенні габаритні розрахунки, розрахунок структури оптичної системи. Після проектування провели аналіз системи, а саме проведена оптимізація розрахованої системи, енергетичний розрахунок, та абераційний аналіз.
У четвертому розділі оглянуто нейрона мережа Хопфілда, її математична модель. На основі якої була розроблена програма для моделювання мережи Хопфілда та розрахунку вагових коефіцієнтів.
П’ятий розділ присвячений експериментальним дослідженням. Був розроблений прототип фотонної інтегральної системи. Були проведені експерименти: дослідження хвилеводів системи для їх подальшого впровадження та дослідження діючого прототипу.
Шостий розділ присвячений розробці стартап проекту.The dissertation is devoted to the development of a photonic integrated circuit for a neural network. Integrated circuits are an integral part of modern technology. Most of the functional units can be replaced by a photonic component (diodes, waveguides, filters and amplifier) to create a photonic integrated circuit. Photonic integrated circuits have several advantages: they have a higher speed of processing and transmission of information, a larger bandwidth and less energy loss. The most common is the use of hybrid circuits, namely part of the elements of the integrated system is integrated by photonic elements. The first section is devoted to the study of modern development of neural networks. Hardware implementations of neurons and neural networks are considered. A patent search for neuronal modeling was also performed. The second section considers modern architectures of the photon integrated circuit. A new structure of the integrated circuit and its manufacturing technology were proposed. For this purpose, the structure of the lithographic installation was proposed and the technical task was formulated. The third section is devoted to the design of the lithographic system. Dimensional calculations, calculation of structure of optical system were carried out. After the design, the system was analyzed, namely the optimization of the calculated system, energy calculation, and aberration analysis. The fourth section examines the Hopfield neural network, its mathematical model. Based on which a program was developed to model the Hopfield network and calculate weights. The fifth section is devoted to experimental research. A prototype of a photonic integrated system was developed. Experiments were performed: the study of the waveguides of the system for their further implementation and the study of the current prototype. The sixth section is devoted to the development of a startup project.
2
Пахненко, С. Д., Ігор Олександрович Князь, Игорь Александрович Князь, and Ihor Oleksandrovych Kniaz. "Моделювання ефектів виникнення просторової синхронізації активних елементів у зв’язаному ансамблі." Thesis, Сумський державний університет, 2015. http://essuir.sumdu.edu.ua/handle/123456789/41075.
Full textAbstract:
Як відомо, в основі механізму синхронізації елементів активного середовища (нейронна сітка), лежить поведінка окремого елементу. У реальних системах вплив шуму на активний елемент є, за певних умов, причиною реалізації когерентного резонансу – виникнення регулярної послідовності збуджень (―cпайків‖) за умови наявності оптимального рівня флуктуацій [1]. У зв‘язку цим постає питання про можливість реалізації просторової синхронізації елементів активного середовища при їх зв‘язуванні у гратку за рахунок шуму.
3
Азарова, А. О., and О. В. Антонюк. "Математичне моделювання конкурентної сили підприємства з використанням нечітко-нейронних технологій." Thesis, ВНТУ, 2009. http://ir.lib.vntu.edu.ua//handle/123456789/23614.
Full text
4
Александренко, Т. В. "Нейронна мережа в задачі управління параметрами клімату при зберіганні борошна." Master's thesis, Сумський державний університет, 2021. https://essuir.sumdu.edu.ua/handle/123456789/86781.
Full textAbstract:
У роботі приведений аналіз технологічного процесу зберігання борошна як об'єкта автоматизації; огляд та аналіз сучасних способів застосування нейронних мереж для управління складними технічними системами; розробка структурно-параметричної моделі безтарного зберігання борошна; розробка математичної моделі об'єкта управління; розробка структури та алгоритму нейромережевого регулятора; побудова імітаційної моделі безтарного зберігання борошна в AnyLogic.
5
Черногор, М. С. "Моделювання систем ідентифікації об'єктів методами комп'ютерного зору." Master's thesis, Сумський державний університет, 2019. http://essuir.sumdu.edu.ua/handle/123456789/75670.
Full text
6
Чернецький, Ігор Володимирович, Игорь Владимирович Чернецкий, and Ihor Volodymyrovych Chernetskyi. "Штучні нейронні мережі в практичній мікробіології." Thesis, Сумський державний університет, 2018. http://essuir.sumdu.edu.ua/handle/123456789/66952.
Full textAbstract:
Штучні нейронні мережі – це математична модель, а також її
програмна та апаратна реалізація, робота якої здійснюється за
принципом організації та роботи біологічних нейронних мереж.
Штучна нейронна мережа є основою поняття «інтелектуальний
аналіз». З математичної точки зору ці мережі являють собою різновид
нелінійної оптимізації.
7
Цимбал, Т. Ю. "Моделювання оцінки ймовірності банкрутства банку." Master's thesis, Сумський державний університет, 2018. http://essuir.sumdu.edu.ua/handle/123456789/69575.
Full textAbstract:
У роботі досліджено сутність оцінки ймовірності банкрутства банку, моделі та підходи, які використовуються для оцінки. Проведений аналіз основних факторів, які впливають на ймовірність банкрутства. Основною метою цього дослідження є розробка моделі оцінки ймовірності банкрутства банку.The master’s thesis focuses on the essence of the definition bank bankruptcy probability, models and approaches used for estimation. The main factors which affect on the probability of bankruptcy. The main aim of this research is to develop a model for assessing the bankruptcy probability of the bank.
8
Федоришин, О. В. "Моделювання інтелектуальної системи класифікаційного прогнозування успішності соціальних проектів." Thesis, Сумський державний університет, 2014. http://essuir.sumdu.edu.ua/handle/123456789/39396.
Full text
9
Григоренко, Ігор Володимирович, and К. В. Буличова. "Аналіз можливості використання нейронної мережі для контролю працездатності лазерної системи." Thesis, НТУ "ХПІ", 2016. http://repository.kpi.kharkov.ua/handle/KhPI-Press/26083.
Full text
10
Паращенко, В. А. "Інформаційна технологія розпізнавання та трекінгу об'єктів для систем захисту від безпілотних літальних апаратів." Master's thesis, Сумський державний університет, 2021. https://essuir.sumdu.edu.ua/handle/123456789/84154.
Full textAbstract:
Досліджено можливості застосування згорткових нейронних мереж в задачах детектування та трекінгу для систем захисту від безпілотних літаючих об’єктів. Для перевірки гіпотез було обрано дві моделі Single shot detection та Faster R-CNN. Дані моделі були навчені на попередньо підібраному датасеті з зображень безпілотних літаючих об’єктів. Навчені моделі було протестовано на якість та шкидкість розпізнавання. Було практично підтверджено можливості застосування згорткових мереж в системах захисту від безпілотних літаючих об’єктів. Також була досліджена техніка аугментації для оптимізації якості детектування. Отримані результати підтверджують, що згорткові мережі можуть бути застосовані в якості детекторів живого часу для систем захисту від безпілотних літаючих об’єктів.
Reports on the topic "Моделювання нейрону"
1
Семеріков, С. О. Застосування методів машинного навчання у навчанні моделювання майбутніх учителів хімії. КДПУ, November 2018. http://dx.doi.org/10.31812/123456789/2647.
Full textAbstract:
Починаючи з 2018-2019 н. р., для магістрантів з додатковою спеціальністю «Інформатика» уведено навчальну дисципліну «Чисельні методи та моделювання», спрямованої на формування у студентів системи теоретичних знань з основ апарату чисельних методів і практичних навичок їх використання для розробки та дослідження математичних моделей. Одним із провідних завдань дисципліни є надання комплексу знань, необхідних для розуміння проблем, які виникають під час побудови та при використанні сучасних інтелектуальних систем, та ознайомлення студентів з основними принципами нейромережевого моделювання: – загальними характеристиками біологічних та штучних нейронів; – штучною нейронною мережею Хебба, класичним та модифікованими перцептронами; – видами функцій активації, що набули поширення в штучних нейронних мережах; – технологією проектування одношарових та багатошарових штучних нейронних мереж; – алгоритмами навчання нейронних мереж. Вказані питання в останні десятиріччя розглядаються у межах машинного навчання (Machine Learning) – розділу штучного інтелекту, що розглядає методи побудови алгоритмів та на їх основі програм, здатних «навчатися» шляхом подання емпіричних даних (прецедентів або спостережень), в яких виявляються закономірності, та на їх основі будуються моделі, що надають можливість у подальшому прогнозувати певні характеристики для нових об’єктів. На жаль, класичний (і найбільш популярний у світі) курс машинного навчання Е. Ина (Andrew Ng), розміщений на платформі Coursera, зорієнтований насамперед на студентів-початковців інформатичних спеціальностей – це надає можливість пропонувати його для самостійного опрацювання, але не розв’язує основну проблему: надання змістовних моделей, що відображають специфіку основної спеціальності – хімія.