Publication activity
(Information on the results of 2020)
2-year impact factor of the RSCI: 0,493
2-year impact factor of the RSCI without self-citation: 0,425
The two-year impact factor of the RSCI, taking into account citations from all
sources: 0,932
5-year impact factor of the RSCI: 0,455
5-year impact factor of the RSCI without self-citation: 0,414
The total number of citations of the journal in the RSCI: 10613
Herfindahl's five-year index of quoting journals: 165
Herfindahl Index by author organizations: 255
10-year Hirsch Index: 20
Place in the overall SCIENCE INDEX ranking: 166
Place in the SCIENCE INDEX ranking on the topic "Automation. Computer technology": 5
More information on the publication activity of our journal for 2008-2020 on the RSCI website.
Bookmark
Next issue
Abstract:
Аннотация:
Authors: () - , Uskov A.A. (prof.uskov@gmail.com) - Russian Federationn University of Cooperation, Mytishchi, Russia, Ph.D | |
Ключевое слово: |
|
Page views: 12546 |
Print version Full issue in PDF (2.31Mb) |
Как известно, выделяют два основных вида аппроксимационных моделей: параметрические и непараметрические (локально-параметрические). При параметрическом подходе вначале выбирается аппроксимирующая зависимость, известная с точностью до параметров, затем на основе обучающей выборки производится адаптация ее параметров (обучение). К параметрическим методам моделирования относятся: полиномиальные нейронные сети (Σ-Π нейронные сети), многослойные персептроны и др. При непараметрическом подходе вначале так же выбирается тип аппроксимирующей зависимости, но в данном случае по экспериментальным данным строится большое количество указанных зависимостей, каждая из которых действует в некоторой локальной области входных факторов и имеет свои параметры. К непараметрическим методам моделирования относятся: метод М-ближайших узлов, нейронные сети с радиальными базисными элементами и др. В статье предложена гибридная полиномиально-радиальнобазисная нейронная сеть, позволяющая в ряде случаев совместить достоинства параметрического (малая чувствительность к шуму) и непараметрического (отсутствие необходимости подбирать глобальную модель) подходов. Предположим, что исследуемый статический объект имеет n входов (векторный вход
где Функция
где
где Для функций
где
Предположим далее, что на объекте реализован эксперимент, заключающийся в регистрации N пар значений:
При этом В работах академика А.Г. Ивахненко сформулирован принцип адекватности, согласно которому объект и его система моделирования или управления для наиболее оптимального решения задачи должны обладать рядом общих черт. В соответствии с принципом адекватности для решения рассматриваемой задачи предложена гибридная полиномиально-радиальнобазисная искусственная нейронная сеть (HPRBFN, от Hybrid Polynomial Radial Basis Function Network), структурно состоящая из радиально-базисной части (РБЧ), полиномиальной части (ПЧ) и блока взвешенного суммирования. Предложенная искусственная нейронная сеть реализует следующую нелинейную зависимость:
где
Структура нейронной сети определяется числом радиальных нейронов M, числом пи-нейронов L и их параметрами Алгоритм обучения HPRBFN на основе выборки (5) состоит в последовательной реализации трех этапов: 1) обучение РБЧ (параметры Вычислительные эксперименты показали, что если исследуемая зависимость адекватно описывается соотношениями (1) и (2), предложенная гибридная полиномиально-радиальнобазисная нейронная сеть обеспечивает лучшую по точности аппроксимацию по сравнению с другими известными методами. |
Permanent link: http://swsys.ru/index.php?page=article&id=346&lang=&lang=en&like=1 |
Print version Full issue in PDF (2.31Mb) |
The article was published in issue no. № 3, 2007 |
Perhaps, you might be interested in the following articles of similar topics:
- Средства обеспечения надежности функционирования информационных систем
- Прототип интеллектуальной системы поддержки принятия решений для управления энергообъектом
- Учебно-исследовательский программно-лабораторный комплекс NET_LAB
- К вопросу параметризации свойств программных средств обучения
- Спецификация объектно-ориентированной модели данных с помощью отношений
Back to the list of articles