ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2018

В Липецком государственном техническом университете разработана навыковая система диагностики «Гепатиты 1.0»

25.05.2011

Повышение эффективности работы интеллектуальных, диагностических, экспертных, информационно-измерительных систем основано на разработке и внедрении прогрессивных методов принятия решений. Эта задача особенно актуальна, когда требуется принимать решение на основе трудноформализуемой информации большой размерности в сжатые сроки, а также при недостаточном опыте специалистов. Всесторонняя компьютеризация обеспечила развитие нейроподобных методов принятия решений, которые, в свою очередь, позволили более полно использовать интеллектуальные возможности компьютеров.

Одним из способов принятия объективного решения является использование каскадно-навыковой нейроподобной сети. Архитектура такой сети представляет собой объединение нейронов в виде развивающегося каскада. При добавлении нового нейрона в структуру он подключается ко всем входным узлам и ко всем существующим дополнительным нейронам. На выходы сети напрямую подаются сигналы всех дополнительных нейронов и все входные сигналы. Топология сети такова, что ее структура формируется в процессе обучения при добавлении нейронных элементов, поэтому нет необходимости настраивать слои сети в зависимости от количества входных и выходных сигналов. Основной идеей алгоритма является направленное возбуждение нейронов сети в зависимости от вектора выходного сигнала. Данный подход позволяет сократить время обучения, а также наращивать каскадную архитектуру только в требуемом направлении, динамически формируя обучающую выборку по максимальной ошибке отклика системы.

Подробное описание дается в статье «Программное обеспечение навыковой системы принятия решений», авторы: Мещеряков В.Н., Кавыгин В.В., Полозов С.В., Бессонов М.С. (Липецкий государственный технический университет).