[ссылки] [литература] [проекты] [программы] [методические указания] [монографии и статьи] [вопросы и ответы] [школы] [учебники] [новости]
ENG  |   Карта сайта
Информация
Проект преследует цель популяризации идей применения природных механизмов функционирования для решения задач прогнозирования, оптимизации и поддержки принятия решений

Cписок рассылки
  1. Введение
  2. Генетические алгоритмы (1)
  3. Генетические алгоритмы (2)
  4. Генетические алгоритмы (3)
  5. Тренды
  6. Полиномиальные тренды
  7. Тригонометрические тренды
  8. Нейронные сети
  9. Метод наименьших квадратов
  10. Метод обратного распространения ошибки
  11. Множественная линейная модель
  12. Нестандартный выпуск. Анкета
  13. МЛМ. Пример расчета
  14. RBF-сеть
  15. Сеть встречного распространения
  16. Первая интерполяционная формула Ньютона
  17. МГУА (1)
  18. Вторая интерполяционная формула Ньютона
  19. Метод Брандона
  20. МГУА (2)
  21. Интерполяционные формулы Гаусса
  22. Интерполяционные формулы Стирлинга и Лагранжа
  23. МГУА (3)
  24. МГУА (4)
  25. Предварительная обработка данных (1)
  26. Предварительная обработка данных (2)
  27. Предварительная обработка данных (3)
  28. Box-counting
  29. Гетероскедастичность
  30. Введение в нечеткую логику
  31. Обобщённый метод наименьших квадратов
  32. Прогнозирование с помощью функций с гибкой структурой
  33. Автокорреляция
  34. Дистрибутивно-лаговые модели (1)
  35. Дистрибутивно-лаговые модели (2)
  36. Дистрибутивно-лаговые модели (3)
  37. Моделирование данных при помощи кривых для восстановления пробелов в таблицах (1)
  38. Нестандартный выпуск. Анонс книги Цейтлина Н.А."Опыт аналитического статистика"
  39. Алгоритм ZET
  40. Алгоритм ZetBraid
  41. Метод эволюционной кластеризации
  42. Эволюционный метод восстановления пропусков в данных
  43. Алгоритмы кластеризации класса FOREL
ПРОЕКТЫ

1.

Применение генетических алгоритмов для решения задач оптимизации.

Ответственный исполнитель: Бойко Лена.

Аннотация: Генетические алгоритмы (ГА) используются для оптимизации сложных функций. В основе их работы лежит моделирование процесса эволюции на множестве возможных значений аргументов функции. В этой работе исследуются возможные варианты реализации ГА с использованием различных способов выбора родителей, их скрещивания и формирования нового положения. Кроме того с целью улучшения работы ГА предлагается исследовать не только разные модификации процессов ГА, но также и разные представления данных в ГА и влияние значений параметров ГА на его работу.

E-mail:


2.

Разработка эффективных нейронных сетей для идентификации и прогнозирования.

Ответственный исполнитель: Говорухин Сергей Александрович.

Аннотация: в данный момент проводится изучение и программная реализация базового алгоритма обратного распространения ошибки. Исследование методов подготовки и оптимизации данных перед предъявлением их сети, а также проектирования структуры нейронной сети для минимизации ошибки обобщения. Настройка различных параметров сети при обучении, таких как функция активации, меры ошибок, коэффициенты скорости обучения и инерционности, а также исследование признаков остановки обучения сети.

Информация по программно-алгоритмической системе на базе алгоритма обратного распространения ошибки здесь

E-mail: gnsa@ukr.net

РЕКЛАМА:

Администрация сайта: ()
Используются технологии uCoz