Нейросетевая модель
Cтраница 3
Модификация критерия (3.12) и рекуррентная схема обучения НС позволяют построить алгоритм обучения инверсной нейросетевой модели в режиме реального времени. [31]
К концу 70 - х годов созрели условия для возрождения интереса к нейросетевым моделям. Это было связано с накоплением новых данных при экспериментальных исследованиях мозга. Кроме того, развитие микроэлектроники и компьютерной техники, создав техническую базу для моделирования сложных нейронных систем, привело к пониманию того, что радикально увеличить производительность можно лишь за счет параллельной обработки данных, которая органически присуща нейронным сетям головного мозга. [32]
На втором этапе осуществляется преобразование исходных данных с учетом характера и типа проблемы, отображаемой нейросетевой моделью, и выбираются способы представления информации. [33]
На втором этапе осуществляется преобразование исходных данных с учетом характера и типа проблемы, отображаемой нейросетевой моделью, и выбираются способы представления информации. [34]
 |
Образец паттерна описания Q в самой простой модели. [35] |
Анализ недавних моделей для сред из наборов элементов и отношений показывает сходство таких моделей общества и нейросетевыми моделями. [36]
В случае, когда матрица ковариации неизвестна, возникает необходимость определения Л одновременно с определением весовых коэффициентов нейросетевой модели. [37]
Существенным преимуществом метода обучения в режиме реального времени является отсутствие проблем, связанных с выбором оптимальной структуры нейросетевой модели и переобучением нейросети. В большинстве случаев реальная система выполняет ограниченный круг задач. Типичным примером являются робототехнические системы, рабочий орган которых движется по заранее определенной траектории. В таком случае нейросетевой регулятор может настраиваться именно на заданную траекторию. [38]
Значительное число весовых коэффициентов нейросетевой модели и медленная сходимость градиентного метода оптимизации затрудняют использование принципа регулирования на основе инверсных нейросетевых моделей, обучаемых в режиме реального времени. Вычислительные ( временные) затраты на обучение нейросетевой модели могут быть уменьшены путем применения обобщенного метода обучения на предварительном этапе инициализации настраиваемых параметров нейросетевой модели. Кроме того, для увеличения скорости сходимости может быть использован метод Гаусса - Ньютона. [39]
 |
Обучение одношагового ( а и краткосрочного ( б предикторов по входным и выходным данным объекта. [40] |
Сохраняя верность выбранному принципу действовать в рамках эволюционной парадигмы ее собственными средствами, мы подошли к проблеме синтеза нейросетевых моделей динамических объектов, вооружившись хорошо зарекомендовавшим себя в наших глазах сочетанием ГА ИНС. [41]
 |
Переходная функция объекта управления по координатам xl ( а и х2 ( б ( сплошная кривая и ее эмуляция сетью ( пунктир. [42] |
На практике очень трудно сказать apriori, какие именно эпизоды взаимодействия с объектом могут стать источником хороших шаблонов для построения нейросетевой модели объекта. Ясно только одно - ситуация, когда мы знаем об объекте мало, заведомо хуже, чем когда мы знаем много. [43]
В случае, когда априорные знания о физике объекта или результаты тестирования на нелинейность позволяют сделать заключение о целесообразности применения нелинейных нейросетевых моделей, возникает ряд специфических вопросов, связанных с планированием эксперимента и получением информативного множества данных, пригодных для построения работоспособных моделей. [44]
Основные достоинства искусственных нейросетевых систем - быстродействие, обусловленное параллельной обработкой компонентов векторных перемещений и простотой, связанной, в частности, с простотой имитационных нейросетевых моделей. [45]
Страницы: 1 2 3 4