Локальне оцінювання точності апроксимації мережею на базі гібридних нейроподібних елементів

Автор(и)

  • Сергей Витальевич Попов Харківський національний університет радіоелектроніки, Україна
  • Кристина Александровна Шкуро Харківський національний університет радіоелектроніки пр. Леніна, 14, м. Харків, Україна, 61166, Україна

DOI:

https://doi.org/10.15587/1729-4061.2013.18350

Ключові слова:

локальне оцінювання точності, еволюційна оптимізація архітектури, підвищення надійності апроксимації

Анотація

У багатьох практичних випадках виникає задача генерації локальних оцінок точності апроксимації. У статті запропоновано метод локального оцінювання точності апроксимації мережею на базі гібридних нейроподібних елементів шляхом розширення її архітектури та впровадження двоетапної схеми навчання. Отримані результати застосовні також до інших популярних архітектур штучних нейронних і нейро-фаззі мереж

Біографії авторів

Сергей Витальевич Попов, Харківський національний університет радіоелектроніки

Доктор технічних наук, головний науковий співробітник

Проблемна науково-дослідна лабораторія автоматизованих систем управління

Кристина Александровна Шкуро, Харківський національний університет радіоелектроніки пр. Леніна, 14, м. Харків, Україна, 61166

Аспірантка

Проблемна науково-дослідна лабораторія автоматизованих систем управління

Посилання

  1. Kononenko, I. Machine Learning and Data Mining: Introduction to Principles and Algorithms [Текст] / Kononenko I., Kukar M. – Cambridge : Horwood Publishing, 2007. – 454 p.
  2. Попов, С. В. Гибридный нейроподобный элемент – новый тип строительного блока искусственных нейронных сетей [Текст] / Попов С. В., Шкуро К. А. // Научный вестник Донбасской государственной машиностроительной академии. – 2011. – № 2(8Е). – С. 87-92.
  3. Haykin, S. Neural Networks. A Comprehensive Foundation [Текст] / Haykin S. – Upper Saddle River : Prentice Hall, 1999. – 842 p.
  4. Statistical concepts in reliability [Текст] / Crowder M. J., Kimber A. C., Smith R. L., Sweeting T. J. // Statistical Analysis of Reliability Data – London: Chapman & Hall, 1991. – P. 1-11.
  5. Schaal, S. Assessing the quality of learned local models [Текст] / Schaal S., Atkeson C. G. // Advances in Neural Information Processing Systems. – San Mateo, CA, 1994. – P. 160-167.
  6. Birattari, M. Local Learning for Data Analysis [Текст] / Birattari M., Bontempi H., Bersini H. // Proc. 8th Belgian-Dutch Conference on Machine Learning. – Benelearn, 1998. – P. 55-61.
  7. Rodrigues, P. P. Online Reliability Estimates for Individual Predictions in Data Streams [Текст] / Rodrigues P. P., Gama J., Bosnic Z. // Data Mining Workshops, 2008. ICDMW '08. IEEE International Conference on. – 2008. – P. 36-45.
  8. Кобзарь, А. И. Прикладная математическая статистика [Текст] / Кобзарь А. И. – М. : ФИЗМАТЛИТ, 2006. – 816 с.
  9. Rivals, I. Construction of confidence intervals for neural networks based on least squares estimation [Текст] / Rivals I., Personnaz L. // Neural Networks. – 2000. – Vol. 13, № 4-5. – P. 463-484.
  10. Bishop, C. M. Regression with Input-Dependent Noise: A Bayesian Treatment [Текст] / Bishop C. M., Qazaz C. S. // Advances in Neural Information Processing Systems 9: Proceedings of the 1996 Conference. – Denver, 1997. – P. 347-353.
  11. Nix, D. A. Learning Local Error Bars for Nonlinear Regression [Текст] / Nix D. A., Weigend A. S. // Advances in Neural Information Processing Systems: Proceedings of the 1994 Conference. – Denver, 1995. – P. 489-496.
  12. Popov, S. Evolutionary Optimized Network of Hybrid Neuron-Like Units [Текст] / Popov S., Shkuro K. // Proc. 7th Int. Conf. Neural Networks and Artificial Intelligence (ICNNAI-2012). – Minsk, Belarus, 2012. – P. 32-35.
  13. Попов, С. В. Метод параметрической оптимизации сети на базе гибридных нейроподобных элементов, основанный на методе Ψ-преобразования [Текст] / Попов С. В., Шкуро К. А. // Радіоелектронні і комп’ютерні системи. – 2013. – № 2(61). – С. 94-100.
  14. Rashedi, E. GSA: A Gravitational Search Algorithm [Текст] / Rashedi E., Nezamabadi-pour H., Saryazdi S. // Information Sciences. – 2009. – Vol. 179, № 13. – P. 2232-2248.
  15. Химмельблау, Д. Прикладное нелинейное программирование [Текст] / Химмельблау Д. – М. : Мир, 1975. – 536 с.
  16. Kononenko, I., & Kukar, M. (2007). Machine Learning and Data Mining: Introduction to Principles and Algorithms. Cambridge: Horwood Publishing, 454.
  17. Popov, S., & Shkuro, K. (2011). Hybrid neuron-like unit – a new type of neural network biulding block. Nauchnyy vestnik Donbasskoy gosudarstvennoy mashinostroitelnoy akademii (2(8Е)), 87-92.
  18. Haykin, S. (1999). Neural Networks. A Comprehensive Foundation. Upper Saddle River: Prentice Hall, 842.
  19. Crowder, M. J., Kimber, A. C., Smith, R. L., & Sweeting, T. J. (1991). Statistical concepts in reliability Statistical Analysis of Reliability Data (pp. 1-11). London: Chapman & Hall.
  20. Schaal, S., & Atkeson, C. G. (1994). Assessing the quality of learned local models. Paper presented at the Advances in Neural Information Processing Systems, San Mateo, CA, 160-167.
  21. Birattari, M., Bontempi, H., & Bersini, H. (1998). Local Learning for Data Analysis. Paper presented at the Proc. 8th Belgian-Dutch Conference on Machine Learning, Benelearn, 55-61.
  22. Rodrigues, P. P., Gama, J., & Bosnic, Z. (2008). Online Reliability Estimates for Individual Predictions in Data Streams. Paper presented at the Data Mining Workshops, 2008. ICDMW '08. IEEE International Conference on, 36-45.
  23. Kobzar, A. (2006). Applied mathematical statistics. Moscow: FIZMATLIT, 816.
  24. Rivals, I., & Personnaz, L. (2000). Construction of confidence intervals for neural networks based on least squares estimation. Neural Networks, 13(4-5), 463-484.
  25. Bishop, C. M., & Qazaz, C. S. (1997). Regression with Input-Dependent Noise: A Bayesian Treatment. Paper presented at the Advances in Neural Information Processing Systems 9: Proceedings of the 1996 Conference, Denver, 347-353.
  26. Nix, D. A., & Weigend, A. S. (1995). Learning Local Error Bars for Nonlinear Regression. Paper presented at the Advances in Neural Information Processing Systems: Proceedings of the 1994 Conference, Denver, 489-496.
  27. Popov, S., & Shkuro, K. (2012). Evolutionary Optimized Network of Hybrid Neuron-Like Units. Paper presented at the Proc. 7th Int. Conf. Neural Networks and Artificial Intelligence (ICNNAI-2012), Minsk, Belarus, 32-35.
  28. Popov, S., & Shkuro, K. (2013). Method for parametric optimization of the network of hybrid neuron-like units based on Ψ-transform. Radioelektronni i komputerni systemy (2(61)), 94-100.
  29. Rashedi, E., Nezamabadi-pour, H., & Saryazdi, S. (2009). GSA: A Gravitational Search Algorithm. Information Sciences, 179(13), 2232-2248.
  30. Himmelblau, D. (1975). Applied nonlinear programming. Moscow: Mir, 536.

##submission.downloads##

Опубліковано

2013-10-29

Як цитувати

Попов, С. В., & Шкуро, К. А. (2013). Локальне оцінювання точності апроксимації мережею на базі гібридних нейроподібних елементів. Eastern-European Journal of Enterprise Technologies, 5(4(65), 53–59. https://doi.org/10.15587/1729-4061.2013.18350

Номер

Том 5 № 4(65) (2013): Математика та кібернетика - прикладні аспекті

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2014 Сергей Витальевич Попов, Кристина Александровна Шкуро

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.