Добірка наукової літератури з теми "Багатошарова нейронна мережа"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Багатошарова нейронна мережа".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Статті в журналах з теми "Багатошарова нейронна мережа"
Hlavcheva, D., та V. Yaloveha. "КАПСУЛЬНІ НЕЙРОННІ МЕРЕЖІ". Системи управління, навігації та зв’язку. Збірник наукових праць 5, № 51 (30 жовтня 2018): 132–35. http://dx.doi.org/10.26906/sunz.2018.5.132.
Повний текст джерелаKoshel, А. "Перспективні напрямки застосування нейронних мереж у конструкторській діяльності". COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, № 46 (1 квітня 2022): 57–63. http://dx.doi.org/10.36910/6775-2524-0560-2022-46-08.
Повний текст джерелаMolodets, Bohdan, та Тatyana Bulanaya. "Аналіз існуючих варіантів класифікації хворих на серцево-судинними захворюваннями за допомогою нейронними мережами". System technologies 5, № 130 (4 травня 2020): 71–78. http://dx.doi.org/10.34185/1562-9945-5-130-2020-09.
Повний текст джерелаBoiko, Serhii, Yevhen Volkanin, Oleksiy Gorodny, Oksana Borysenko та Leonid Vershniak. "ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ПРИ АВТОМАТИЗАЦІЇ ДІАГНОСТИКИ СТАНУ АВІАЦІЙНОГО ГЕНЕРАТОРА ГВИНТОКРИЛА". TECHNICAL SCIENCES AND TECHNOLOG IES, № 3(13) (2018): 152–60. http://dx.doi.org/10.25140/2411-5363-2018-3(13)-152-160.
Повний текст джерелаDmitrienko, V., S. Leonov та V. Brechko. "ВИКОРИСТАННЯ АСОЦІАТИВНОЇ ПАМ’ЯТІ ПРИ ПРОЕКТУВАННІ ТЕХНОЛОГІЧНОГО ПРОЦЕСУ". Системи управління, навігації та зв’язку. Збірник наукових праць 3, № 55 (21 червня 2019): 99–103. http://dx.doi.org/10.26906/sunz.2019.3.099.
Повний текст джерелаЛєві, Л. І. "ФОРМАЛІЗАЦІЯ ВОЛОГОПЕРЕНОСУ В НЕНАСИЧЕНІЙ ЗОНІ МОДУЛЬНОЇ ДІЛЯНКИ ҐРУНТУ ЯК ОБ’ЄКТУ КЕРУВАННЯ НА ОСНОВІ НЕО-ФАЗЗІ МЕРЕЖ". Вісник Полтавської державної аграрної академії, № 3 (27 вересня 2019): 248–55. http://dx.doi.org/10.31210/visnyk2019.03.34.
Повний текст джерелаЧумаченко, Олена Іллівна. "Інтелектуальна система оцінки тривалості обслуговування запитів". Адаптивні системи автоматичного управління 1, № 20 (23 листопада 2012): 24–31. http://dx.doi.org/10.20535/1560-8956.20.2012.30700.
Повний текст джерелаБeлоус, Р., Є. Крилов та В. Анікін. "Поняття глибинного навчання та його використання для розпізнавання елементів на картографічних зображеннях". Адаптивні системи автоматичного управління 2, № 37 (31 травня 2021): 3–7. http://dx.doi.org/10.20535/1560-8956.37.2020.226788.
Повний текст джерелаБондар, О., та O. Лісовиченко. "Огляд та аналіз одного з підходів до навчання до навчання моделі нейронної мережі". Адаптивні системи автоматичного управління 2, № 37 (31 травня 2021): 66–73. http://dx.doi.org/10.20535/1560-8956.37.2020.226815.
Повний текст джерелаVitynskyi, P. B., та R. O. Tkachenko. "Нейроподібна структура для задач прогнозування в умовах коротких вибірок даних". Scientific Bulletin of UNFU 29, № 5 (30 травня 2019): 147–50. http://dx.doi.org/10.15421/40290529.
Повний текст джерелаДисертації з теми "Багатошарова нейронна мережа"
Михальський, Володимир Миколайович. "Метод нейромережевого керування системою адаптивного радіозв’язку Software Defined Radio". Магістерська робота, Хмельницький національний університет, 2020. http://elar.khnu.km.ua/jspui/handle/123456789/9499.
Повний текст джерелаДашкевич, Андрій Олександрович. "Дослідження багатошарових нейронних мереж". Thesis, Національний технічний університет "Харківський політехнічний інститут", 2017. http://repository.kpi.kharkov.ua/handle/KhPI-Press/44860.
Повний текст джерелаЛевченко, Р. Р., та В. І. Руженцев. "Дослідження використання нейронних мереж у криптографії". Thesis, НТУ «ХПІ», 2020. http://openarchive.nure.ua/handle/document/14294.
Повний текст джерелаБарченко, Н. Л. "Інформаційна система підготовки вхідних даних для організації людино-машинної взаємодії в системах електронного навчання". Master's thesis, Сумський державний університет, 2021. https://essuir.sumdu.edu.ua/handle/123456789/82480.
Повний текст джерелаМомот, Андрій Сергійович. "Удосконалення методу визначення характеристик дефектів багатошарових матеріалів за результатами активного теплового контролю". Doctoral thesis, Київ, 2020. https://ela.kpi.ua/handle/123456789/34952.
Повний текст джерелаВеличко, Георгій Вячеславович. "Методи та засоби прогнозування індексу акцій у реальному часі на базі хмарних обчислювальних сервісів". Master's thesis, КПІ ім. Ігоря Сікорського, 2021. https://ela.kpi.ua/handle/123456789/46687.
Повний текст джерелаMaster`s thesis contains: 92 p., 21 tables, 28 fig., 1 add. and 30 references. The theme: The mechanisms tools for real-time stock market index prediction based on Cloud Compute Services. The objects of this research are mechanisms for stock market index prediction based on Cloud Compute Services. The subjects of this research are neural network architectures: multilayer neural network, convolutional neural network, long short-term memory, cloud compute services, Amazon Web Services. The purpose of this work is to improve efficiency of stock market index prediction based on Cloud Compute Services and design model of system for stock market index forecasting based on Cloud Compute Services. The relevance of this topic is that using neural networks could drastically improve stock market values forecasting comparing to other technical methods. Cloud compute services provides fast and flexible deployment of infrastructure as well as constant availability. Also designed a model of system for real-time stock index forecasting based on cloud compute services. During research I built three architectures of neural networks and analyzed which of them work better with the given case. For further research, it is possible to use Keras Tuner which allows to automatically tune hyperparameters on our neural network and improve output result. Also, additional data about companies provided real-time can improve models.
Козаченко, А. П. "Інформаційне та програмне забезпечення системи інтелектуального аналізу енергоспоживання будівель". Master's thesis, Сумський державний університет, 2018. http://essuir.sumdu.edu.ua/handle/123456789/72073.
Повний текст джерелаДанильців, Ольга Богданівна, та Olha Danyltsiv. "Система штучного інтелекту на основі нейронних мереж для оцінювання стану рослин у “розумних” теплицях". Master's thesis, 2022. http://elartu.tntu.edu.ua/handle/lib/37915.
Повний текст джерелаВСТУП 10 1 АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ 12 1.1 ОГЛЯД ЛІТЕРАТУРНИХ ДЖЕРЕЛ ЗА ТЕМАТИКОЮ ДОСЛІДЖЕННЯ 12 1.2 ПОНЯТТЯ SMART-ТЕХНОЛОГІЙ У ГЛОБАЛЬНОМУ РОЗУМІННІ 15 1.3 ОГЛЯД НЕЙРОННИХ МЕРЕЖ ЯКІ ВИКОРИСТОВУЮТЬ В “РОЗУМНИХ” ТЕПЛИЦЯХ 18 1.4 АНАЛІЗ ІСНУЮЧИХ РІШЕНЬ ТА ВИРІШЕННЯ ПРОБЛЕМАТИКИ 22 1.5 ВИСНОВОК ДО ПЕРШОГО РОЗДІЛУ 25 2 МОЖЛИВОСТІ ВПРОВАДЖЕННЯ ІННОВАЦІЙНИХ ТЕХНОЛОГІЙ ДЛЯ “РОЗУМНИХ” ТЕПЛИЦЬ 26 2.1 МОЖЛИВОСТІ ШТУЧНОГО ІНТЕЛЕКТУ В РАМКАХ СУЧАСНИХ ТЕХНОЛОГІЙ 26 2.2 ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В “РОЗУМНИХ” ТЕПЛИЦЯХ 32 2.3 РОЗВИТОК ШТУЧНОГО ІНТЕЛЕКТУ В ГАЛУЗІ РОЗРОБКИ SMART-ТЕПЛИЦЬ 41 2.4 ФІЗИЧНИЙ ОПИС ПРОТОТИПУ SMART-ТЕПЛИЦІ 43 2.5 СЕНСОРИ ТА ТЕХНІЧНІ ХАРАКТЕРИСТИКИ ТЕПЛИЦІ 45 2.6 ОПИС МЕТОДИКИ ДОСЛІДЖЕННЯ 47 2.7 ВИСНОВОК ДО ДРУГОГО РОЗДІЛУ 52 3 ПРИНЦИП ФУНКЦІОНУВАННЯ ПРОТОТИПУ ТА ОСНОВНІ РЕЗУЛЬТАТИ РОБОТИ 54 3.1 ІНФОРМАЦІЙНА СКЛАДОВА 54 3.2 АЛГОРИТМ РОБОТИ “РОЗУМНОЇ” ТЕПЛИЦІ 65 3.3 ФІЛЬТРАЦІЯ ЗОБРАЖЕНЬ 69 ОЧИЩЕННІ СИГНАЛІВ ТА ЗОБРАЖЕНЬ ВІД ІМПУЛЬСНИХ ШУМІВ. 70 3.4 РЕЗУЛЬТАТИ ТРЕНУВАННЯ ШТУЧНОГО ІНТИЛЕКТУ 71 3.5 ВИСНОВКИ ДО ТРЕТЬОГО РОЗДІЛУ 72 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 74 4.1 ПРАВИЛА ОХОРОНИ ПРАЦІ В "РОЗУМНИХ" ТЕПЛИЧНИХ ПРИМІЩЕННЯХ 74 4.2 ОХОРОНА ПРАЦІ І ПРАВИЛА РОБОТИ З ПРИЛАДАМИ, ЯКІ ГЕНЕРУЮТЬ ВИПРОМІНЮВАННЯ 79 ВИСНОВКИ 85 ПЕРЕЛІК ДЖЕРЕЛ 86 ДОДАТКИ
Василенко, Дмитро Олексійович. "Конструктивний синтез планарних антен природними алгоритмами оптимізації". Doctoral thesis, 2010. https://ela.kpi.ua/handle/123456789/641.
Повний текст джерелаСкуржанський, Тарас Андрійович, та Vitalii Andriovych Skurzhanskyi. "Використання нейронних мереж для дослідження процесу газоспоживання міста Тернопіль з врахуванням метеофакторів". Master's thesis, 2022. http://elartu.tntu.edu.ua/handle/lib/37916.
Повний текст джерелаВСТУП………………………………………………………………………………………..9 1 АНАЛІЗ ДОСЛІДЖЕНЬ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ…………………………11 1.1 ВЗАЄМОЗВ`ЯЗОК ЕКОНОМІЧНОГО РОЗВИТКУ ДЕРЖАВИ ТА СПОЖИВАННЯ ЕНЕРГІЇ……………………………………………………………………………………..11 1.2 ПРОГНОЗУВАННЯ В ЕНЕРГЕТИЦІ, ЯК ЗАСІБ ОПТИМІЗАЦІЇ ПЛАНУВАННЯ, ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ГАЗОСПОЖИВАННЯ………………………………..........................................................14 1.3 ОГЛЯД НАУКОВИХ ПУБЛІКАЦІЙ ПО ТЕМАТИЦІ ДОСЛІДЖЕННЯ З МЕТОЮ ВИВЧЕННЯ ІСНУЮЧИХ МАТЕМАТИЧНИХ ПІДХОДІВ ДО АНАЛІЗУ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ. ……………………………………………………………………16 1.4 ВИСНОВКИ ДО ПЕРШОГО РОЗДІЛУ……………………………………………....27 2 АНАЛІЗ ІСНУЮЧИХ НЕЙРОННИХ МЕРЕЖ, МЕТОДИ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ…………………………………..30 2.1 ПОНЯТТЯ НЕЙРОННОЇ МЕРЕЖІ…………………………………………………...30 2.2 ПРИНЦИПИ РОБОТИ НЕЙРОННИХ МЕРЕЖ……………………………………...30 2.3 АНАЛІЗ ІСНУЮЧИХ МОДЕЛЕЙ НЕЙРОННИХ МЕРЕЖ………………………...32 2.3.1 ОДНОШАРОВИЙ ТА БАГАТОШАРОВИЙ ПЕРЦЕПТРОН…………………….32 2.3.2 РНН…………………………………………………………………………………...38 2.3.3 ЛСТМ………………………………………………………………………………….40 2.4 ВИСНОВКИ ДО ДРУГОГО РОЗДІЛУ……………………………………………….47 3 ПОПЕРЕДНЄ ОПРАЦЮВАННЯ СТАТИСТИЧНИХ ДАНИХ ГАЗОСПОЖИВАННЯ ТА МЕТЕОФАКТОРІВ ДЛЯ МІСТА ТЕРНОПІЛЬ……………………………………...48 3.1 МОВА ПРОГРАМУВАННЯ PYTHON ТА БІБЛІОТЕКИ ЩО БУДУТЬ ВИКОРИСТАНІ В ДОСЛІДЖЕННІ…………………………………………………………………….………48 3.2 ПЕРЕЛІК МЕТЕОФАКТОРІВ, ЯКІ БУДУТЬ ВИКОРИСТАНІ В ДОСЛІДЖЕННІ…………………………………………………………………………….50 3.3 ПОПЕРЕДНІЙ АНАЛІЗ ДАНИХ ГАЗОСПОЖИВАННЯ………………………….51 3.4 ПОПЕРЕДНІЙ АНАЛІЗ ДАНИХ МЕТЕОФАКТОРІВ…………………………...…54 3.5 ВИСНОВКИ ДО ТРЕТЬОГО РОЗДІЛУ……………………………………………..58 4 ПОБУДОВА МОДЕЛІ НЕЙРОННОЇ МЕРЕЖІ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ МІСТА З ВРАХУВАННЯМ МЕТЕОФАКТОРІВ……………………………………….59 4.1 ОДНОШАРОВИЙ ТА БАГАТОШАРОВИЙ ПЕРЦЕПТРОН………………………59 4.2 ЛСТМ……………………………………………………………………………………61 4.3 ВИСНОВКИ ДО ЧЕТВЕРТОГО РОЗДІЛУ…………………………………………..65 5 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ……………………………………………………………………………….67 5.1 ОХОРОНА ПРАЦІ ПІД ЧАС ЕКСПЛУАТАЦІЇ ГАЗОВОГО ОБЛАДНАННЯ….…………………………………………………………………………67 5.2 ПІДВИЩЕННЯ СТІЙКОСТІ РОБОТИ ОБ’ЄКТІВ ГОСПОДАРСЬКОЇ ДІЯЛЬНОСТІ У ВОЄННИЙ ЧАС…………………………………………………………………………………………72 5.3 ВИСНОВКИ ДО П’ЯТОГО РОЗДІЛУ……………………………………………….76 ВИСНОВКИ………………………………………………………………………………..77 ПЕРЕЛІК ДЖЕРЕЛ………………………………………………………………………..78 ДОДАТКИ………………………………………………………………….........................85 ДОДАТОК A……………………………………………………………………………….86 ДОДАТОК Б……………………………………………………………………………….90
Звіти організацій з теми "Багатошарова нейронна мережа"
Семеріков, С. О. Застосування методів машинного навчання у навчанні моделювання майбутніх учителів хімії. КДПУ, листопад 2018. http://dx.doi.org/10.31812/123456789/2647.
Повний текст джерела