Перевірка реалізованості булевих функцій нейронним елементом з пороговою функцією активації

Автор(и)

  • Fedir Geche Ужгородський національний університет пл. Народна, 3, м. Ужгород, Україна, 88000, Україна https://orcid.org/0000-0002-4757-9828
  • Oksana Mulesa Ужгородський національний університет пл. Народна, 3, м. Ужгород, Україна, 88000, Україна https://orcid.org/0000-0002-6117-5846
  • Viktor Buchok Ужгородський національний університет пл. Народна, 3, м. Ужгород, Україна, 88000, Україна https://orcid.org/0000-0002-1992-7290

DOI:

https://doi.org/10.15587/1729-4061.2017.90917

Ключові слова:

матриця толерантності, опукла лінійна оболонка, вектор структури, функція активації

Анотація

На основі властивостей ядер функцій алгебри логіки доведено критерій їх реалізованості одним нейронним елементом з пороговою функцією активації. Використовуючи зображення ядер булевих функцій матрицями толерантності отримано ряд необхідних і достатніх умов їх реалізованості одним нейронним елементом, які можуть бути ефективно застосовані при синтезі цілочислових нейронних елементів з великим числом входів

Біографії авторів

Fedir Geche, Ужгородський національний університет пл. Народна, 3, м. Ужгород, Україна, 88000

Доктор технічних наук, професор, завідувач кафедри

Кафедра кібернетики і прикладної математики

Oksana Mulesa, Ужгородський національний університет пл. Народна, 3, м. Ужгород, Україна, 88000

Кандидат технічних наук, доцент

Кафедра кібернетики і прикладної математики

Viktor Buchok, Ужгородський національний університет пл. Народна, 3, м. Ужгород, Україна, 88000

Аспірант

Кафедри кібернетики і прикладної математики

Посилання

  1. Izonin, I. V., Tkachenko, R. A., Peleshko, D. D., Batyuk, D. A. (2015). Neural network method change resolution images. Information processing systems, 9, 30–34.
  2. Marin, D., Aquino, A., Gegundez-Arias, M. E., Bravo, J. M. (2011). A New Supervised Method for Blood Vessel Segmentation in Retinal Images by Using Gray-Level and Moment Invariants-Based Features. IEEE Transactions on Medical Imaging, 30 (1), 146–158. doi: 10.1109/tmi.2010.2064333
  3. Azarbad, M., Hakimi, S., Ebrahimzadeh, A. (2012). Automatic Recognition of Digital Communication Signal. International Journal of Energy, Information and Communications, 3 (4), 21–33.
  4. Zaychenko, Yu. P., Dyakonova, S. V. (2011). Application of fuzzy classifier NEFCLASS to the problem of recognition of buildings in satellite images of ultrahigh resolution. News NTU "KPI". Computer science, upravlіnnya that obchislyuvalna tehnіka, 54, 31–35.
  5. Amato, F., Gonzalez-Hernandez, J. L., Havel, J. (2012). Artificial neural networks combined with experimental design: A “soft” approach for chemical kinetics. Talanta, 93, 72–78. doi: 10.1016/j.talanta.2012.01.044
  6. Brougham, D. F., Ivanova, G., Gottschalk, M., Collins, D. M., Eustace, A. J., O’Connor, R., Havel, J. (2011). Artificial Neural Networks for Classification in Metabolomic Studies of Whole Cells Using1H Nuclear Magnetic Resonance. Journal of Biomedicine and Biotechnology, 2011, 1–8. doi: 10.1155/2011/158094
  7. Barwad, A., Dey, P., Susheilia, S. (2011). Artificial neural network in diagnosis of metastatic carcinoma in effusion cytology. Cytometry Part B: Clinical Cytometry, 82B (2), 107–111. doi: 10.1002/cyto.b.20632
  8. Geche, F., Mulesa, O., Geche, S., Vashkeba, M. (2015). Development of synthesis method of predictive schemes based on basic predictive models. Technology Audit and Production Reserves, 3 (2 (23)), 36–41. doi: 10.15587/2312-8372.2015.44932
  9. Dey, P., Lamba, A., Kumary, S., Marwaha, N. (2011). Application of an artifical neural network in the prognosis of chronic myeloid leukemia. Analytical and quantitative cytology and histology/the International Academy of Cytology and American Society of Cytology, 33 (6), 335–339.
  10. Geche, F., Batyuk, A., Mulesa, O., Vashkeba, M. (2015). Development of effective time series forecasting model. International Journal of Advanced Research in Computer Engineering & Technology, 4 (12), 4377–4386.
  11. Liu, A., Zhu, Q. (2011). Automatic modulation classification based on the combination of clustering and neural network. The Journal of China Universities of Posts and Telecommunications, 18 (4), 13–38. doi: 10.1016/s1005-8885(10)60077-5
  12. Pathok, A., Wadhwani, A. K. (2012). Data Compression of ECG Signals Using Error Back Propagation (EBP) Algorithm. International Journal of Engineering and Advence Technology (IJEAT), 1 (4), 256–260.
  13. Bodyanskiy, Y., Grimm, P., Mashtalir, S., Vinarski, V. (2010). Fast Training of Neural Networks for Image Compression. Lecture Notes in Computer Science, 165–173. doi: 10.1007/978-3-642-14400-4_13
  14. Shovhum, N. V. (2013). Analysis of the effectiveness of fuzzy neural networks in the problem credit risk assessment. Information technologies & knowledge, 7 (3), 286–293.
  15. Dertouzos, M. (1967). Threshold logic. Moscow: Мir, 342.
  16. Aizenberg, N. N., Bovdi, A. A., Gergo, E. Y., Geche, F. E. (1980). Some aspects of algebraic logic threshold. Cybernetics, 2, 26–30.
  17. Leyhtveys, K. (1985). Convex sets. Moscow: Nauka, 335.
  18. Karmanov, V. G. (1986). Mathematical programming. Moscow: Nauka, 285.
  19. Yajima, C., Ibaraki, T. (1969). Lower estimate of the number of threshold functions. Cybernetics collection. Moscow: Mir, 72–81.
  20. Geche, F. E., Anufriev, A. V. (1990). Presentation and classification of images in the threshold basis. Cybernetics, 5, 90–96.

##submission.downloads##

Опубліковано

2017-02-13

Як цитувати

Geche, F., Mulesa, O., & Buchok, V. (2017). Перевірка реалізованості булевих функцій нейронним елементом з пороговою функцією активації. Eastern-European Journal of Enterprise Technologies, 1(4 (85), 30–40. https://doi.org/10.15587/1729-4061.2017.90917

Номер

Том 1 № 4 (85) (2017): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2017 Fedir Geche, Oksana Mulesa, Viktor Buchok

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.