Главная Назад


Авторизация
Идентификатор пользователя / читателя
Пароль (для удалённых пользователей)
 

Вид поиска
Область поиска
Найдено в других БД
Формат представления найденных документов:
библиографическое описаниекраткийполный
Отсортировать найденные документы по:
авторузаглавиюгоду изданиятипу документа
Поисковый запрос: (<.>S=АЛГОРИТМ ОБУЧЕНИЯ<.>)
Общее количество найденных документов : 10
Показаны документы с 1 по 10
1.
РЖ ВИНИТИ 15 (BI44) 98.03-04П1.116

    Скибицкий, Э. Г.
    Психологические аспекты компьютеризированного обучения [Текст] / Э. Г. Скибицкий // Сиб. психол. ж. - 1997. - N 4. - С. 33-35
Аннотация: В учебно-познавательной деятельности, в том числе и с помощью современных информационных технологий, участвуют практически все психические процессы, обеспечивающие высокий уровень регулировки и функционирования соответствующих действий. Однако наиболее важными психическими процессами, которые должны учитывать разработчики учебных компьютерных технологий (УКТ), являются следующие: восприятие; память; мышление; внимание; эмоции, рефлексия. Проведенные исследования показали, что для проектирования и создания качественных УКТ при подборе учебного материала, его систематизации и компоновке, создании алгоритма обучения разработчики должны комплексно учитывать особенности, классификацию, свойства, функции, характеристики, виды и формы вышеназванных психических процессов, а также четыре группы личностных характеристик (пол, возраст, мотивация на достижение цели, познавательные возможности)
ГРНТИ  
15.81.21
ВИНИТИ 151.81.21.25
Рубрики: ОБУЧЕНИЕ
УЧЕБНО-ПОЗНАВАТЕЛЬНАЯ ДЕЯТЕЛЬНОСТЬ
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
АЛГОРИТМ ОБУЧЕНИЯ

2.
РЖ ВИНИТИ 34 (BI38) 98.04-04А3.128

    Скибицкий, Э. Г.
    Психологические аспекты компьютеризированного обучения [Текст] / Э. Г. Скибицкий // Сиб. психол. ж. - 1997. - N 4. - С. 33-35
Аннотация: В учебно-познавательной деятельности, в том числе и с помощью современных информационных технологий, участвуют практически все психические процессы, обеспечивающие высокий уровень регулировки и функционирования соответствующих действий. Однако наиболее важными психическими процессами, которые должны учитывать разработчики учебных компьютерных технологий (УКТ), являются следующие: восприятие; память; мышление; внимание; эмоции, рефлексия. Проведенные исследования показали, что для проектирования и создания качественных УКТ при подборе учебного материала, его систематизации и компоновке, создании алгоритма обучения разработчики должны комплексно учитывать особенности, классификацию, свойства, функции, характеристики, виды и формы вышеназванных психических процессов, а также четыре группы личностных характеристик (пол, возраст, мотивация на достижение цели, познавательные возможности)
ГРНТИ  
34.53.47
ВИНИТИ 341.53.47.07
Рубрики: ОБУЧЕНИЕ
УЧЕБНО-ПОЗНАВАТЕЛЬНАЯ ДЕЯТЕЛЬНОСТЬ
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
АЛГОРИТМ ОБУЧЕНИЯ

3.
РЖ ВИНИТИ 34 (BI38) 00.10-04А3.48

    Szepesvari, Gsaba.
    A unified analysis of value-function-based reinforcement-learning algorithms [Text] / Gsaba Szepesvari, Michael L. Littman // Neural Comput. - 1999. - Vol. 11, N 8. - P2017-2060 . - ISSN 0899-7667
Перевод заглавия: Унифицированный анализ алгоритмов обучения на основе усиления с использованием функции значений
Аннотация: Показано, что задача о сходимости сложного асинхронного алгоритма обучения на основе усиления с использованием функции значений сводится к задаче о сходимости более простого синхронного алгоритма. Описано применение этого результата в анализе сходимости нескольких вариантов алгоритма Q-обучения (с многошаговыми обновлениями, для марковских игр, алгоритма с повышенной чувствительностью к риску). На основе полученных результатов предложен метод унифицированного анализа алгоритмов рассматриваемого класса. Венгрия, Midmaker, Ltd., Budapest 1121, Konkoly Thege M. U. 29-33. Библ. 46
ГРНТИ  
34.55.21
ВИНИТИ 341.55.21.13.35
Рубрики: ПРИНЯТИЕ РЕШЕНИЙ
МАРКОВСКИЙ ПРОЦЕСС
АЛГОРИТМ ОБУЧЕНИЯ
Q-ОБУЧЕНИЕ

Доп.точки доступа:
Littman, Michael L.

4.
РЖ ВИНИТИ 76 (BI38) 05.07-04А3.46

    Zhang, Mei.
    Intelligent predicting approach of peritoneal fluid absorption rate based-on neural network [Text] / Mei Zhang, Yueming Hu, Tao Wang // Contr. Theory and Appl. - 2003. - Vol. 1, N 1. - P82-85 . - ISSN 1672-6340
Перевод заглавия: Интеллектуальный метод прогнозирования скорости абсорбции в брюшной полости жидкости, основанный на [использовании] нейронной сети
Аннотация: Для исследования процессов диализа предложено использовать данные о балансе жидкостей в организме. Для решения задачи об оценке скорости удаления жидкости из организма с учетом скорости абсорбции разработана нейросетевая система. Приведено описание разработанной 3-слойной нерекуррентной нейронной сети и алгоритма ее обучения на прецедентах. Представлены результаты проведенных экспериментов, показывающие, что в данной задаче новая нейронная сеть дает лучшие прогнозы, чем стандартно применяемые методы многомерного регрессионного анализа. КНР, Inst. of Automation Sci. and Eng., South China Univ. of Technol., Guangzhou Guangdong 510640. Ил. 3. Табл. 2. Библ. 10
ГРНТИ  
76.03.59
ВИНИТИ 761.03.59.09.15 + 341.53.19.09
Рубрики: ПРОГНОЗИРОВАНИЕ
ДИАЛИЗ
БРЮШНАЯ ПОЛОСТЬ
ЖИДКОСТЬ
СКОРОСТЬ АБСОРБЦИИ
ИНТЕЛЛЕКТУАЛЬНЫЙ МЕТОД
НЕЙРОННЫЕ СЕТИ
ТРЕХСЛОЙНАЯ НЕРЕКУРРЕНТНАЯ СЕТЬ
АЛГОРИТМ ОБУЧЕНИЯ

Доп.точки доступа:
Hu, Yueming; Wang, Tao

5.
РЖ ВИНИТИ 34 (BI38) 07.08-04А3.42

    Wang, A-ming.
    Оценка алгоритма обучения в модели высоконаправленных нейронных сетей [Text] / A-ming Wang // Xuzhou yixueyuan xuebao = Acta academiae medicinae Xuzhou. - 2006. - Vol. 26, N 4. - С. 311-314 . - ISSN 1000-2065
Аннотация: Показано, что новый разработанный алгоритм обучения повышает способность высоконаправленных нейронных сетей к хранению информации и распознаванию паттерна. КНР, Dep.of Mathematics and Physics, Xuzhou Medical College, Xuzhou, Jiangsu. Ил. 2. Библ. 7
ГРНТИ  
34.55.19
ВИНИТИ 341.55.19.09.13 + 341.53.19.09 + 341.05.25.15.29
Рубрики: НЕЙРОННЫЕ СЕТИ
МОДЕЛЬ
АЛГОРИТМ ОБУЧЕНИЯ

6.
РЖ ВИНИТИ 34 (BI19) 09.12-04И4.305

    Guo, Lian-xi.
    Модель прогнозирования растворенного кислорода в пруду для разведения рыбы, основанная на нечеткой нейронной сети [Text] / Lian-xi Guo, Chang-hui Deng // Shuichan xuebao = J. Fish. China. - 2006. - Vol. 30, N 2. - С. 225-229 . - ISSN 1000-0615
Аннотация: Рассмотренная задача прогнозирования является многомерной, нелинейной, с большими значениями запаздывания и значительной неопределенностью. Для ее решения разработана самоорганизующаяся нечеткая нейронная сеть. Описаны используемая функция нечеткой принадлежности, алгоритм обучения нейронной сети на основе эволюционного вычислительного метода оптимизации "роя частиц" и средства сбора необходимой для этого информации. Приведены результаты проведенного имитационного моделирования, показывающие, что в рассматриваемой задаче разработанная нейронная сеть дает гораздо более точные результаты, чем нерекуррентные нейронные сети, обучающиеся с помощью метода обратного распространения. КНР, School of Information Engineering, Dalian Fish. Univ., Dalian 116023. E-mail: glx@dlfu.edu.cn. Ил. 1. Табл. 1. Библ. 14
ГРНТИ  
34.33.33
ВИНИТИ 341.33.33.31.21.15.02
Рубрики: МАТЕМАТИЧЕСКИЕ МОДЕЛИ
НЕЙРОННЫЕ СЕТИ
НЕЧЕТКАЯ НЕЙРОННАЯ СЕТЬ
АЛГОРИТМ ОБУЧЕНИЯ
ОПТИМИЗАЦИЯ "РОЯ ЧАСТИЦ"
ТОЧНОСТЬ ПРОГНОЗИРОВАНИЯ
КИСЛОРОД
РАСТВОРЕННЫЙ КИСЛОРОД
ПРОГНОЗ ДИНАМИКИ
РЫБОРАЗВОДНЫЕ ПРУДЫ
РЫБОВОДСТВО

Доп.точки доступа:
Deng, Chang-hui

7.
РЖ ВИНИТИ 34 (BI24) 90.10-04М3.523

    Sanger, Terence D.
    Optimal unsupervised learning in a single-layer linear feedforward neural network [Text] / Terence D. Sanger // Neurol. Networks. - 1989. - Vol. 2, N 6. - P459-473 . - ISSN 0893-6080
Перевод заглавия: Оптимальный ненаблюдаемый процесс обучения в отдельном линейном звене прямой связи нейронной сети
Аннотация: Предлагается новый алгоритм обучения (АО) для простой нейронной сети с прямой связью на основе правила Хебба. АО применим к способным к восстановлению входных данных сетям и при использовании локальных операций. Установлена связь АО со статистическими алгоритмами - факторным анализом и анализом главных компонент. Отмечается ценность АО для поиска моделей "зрительных рецепторных полей", качественно сходных с сетчаткой приматов и зрительной корой головного мозга. США, MIT E25-534, Cambridge, MA 02139. Библ. 59.
ГРНТИ  
34.39.23
ВИНИТИ 341.39.23.15.02
Рубрики: ОБУЧЕНИЕ
НЕЙРОННЫЕ СЕТИ
ПРАВВИЛО ХЕББА
АЛГОРИТМ ОБУЧЕНИЯ
ФАКТОРНЫЙ АНАЛИЗ
МЕТОД ГЛАВНЫХ КОМПОНЕНТ
МОДЕЛИ

8.
РЖ ВИНИТИ 34 (BI38) 90.12-04А3.165

    Sanger, T. D.
    Analysis of the two-dimensional receptive fields learned by the generalized Hebbian algorithm in response to random input [Text] / T. D. Sanger // Biol. Cybern. - 1990. - Vol. 63, N 3. - P221-228 . - ISSN 0340-1200
Перевод заглавия: Анализ двумерных рецептивных полей, получаемых при обучении согласно обобщенному хэббовскому алгоритму в ответ на случайные входные воздействия
Аннотация: Проводится анализ предложенного ранее авт. (Sanger T. D., "Neural Networks", 1989, 2, 459-473) алгоритма обучения линейных нейронных однослойных сетей с прямыми связями ("обобщенный хэббовский алгоритм"). Было показано, что данный алгоритм приводит к сходимости весов связей нейронов в сети к собственным значениям векторов входного распределения стимулов. Проведен анализ вида матриц связей нейронной сети размером 64*64 при входном воздействии в виде двумерного белого гауссова шума. В результате обучения сети показано, что в пространственно-частотной области возникают характерные распределения, по форме напоминающие двумерные габоровские фильтры, описанные Даугманом (Daugman J. G. "J. Opt. Soc. Am.", 1985, 2, 1160-1169) в качестве моделей рецептивных полей в зрительной коре приматов. США, Massachusetts Inst. of Technology, E25-534, Cambridge, МА 02139. Ил. 5. Библ. 35.
ГРНТИ  
34.53.19
ВИНИТИ 341.53.19
Рубрики: НЕЙРОННЫЕ СЕТИ
ОДНОСЛОЙНЫЕ СЕТИ
АЛГОРИТМ ОБУЧЕНИЯ
ЗРИТЕЛЬНАЯ СИСТЕМА
КОРА БОЛЬШИХ ПОЛУШАРИЙ
ПРИМАТЫ
ГОБОРОВСКИЕ ФИЛЬТРЫ

9.
РЖ ВИНИТИ 34 (BI38) 91.11-04А3.187

    Budinich, Marco.
    Feed-forward neural networks: a geometrical perspective [Text] / Marco Budinich, Edoardo Milotti // J. Phys. A. - 1991. - Vol. 24, N 4. - P881-888 . - ISSN 0305-4470
Перевод заглавия: Нейронные сети с прямым распространением: геометрический подход
Аннотация: Предложен метод использования в построении моделей нейронных сетей (НС) нек-рых теорем о св-вах множеств в n-мерном пространстве, в частности, того факта, что выпуклая оболочка произвольного множества вершин n-мерного куба не содержит др. вершин этого куба. Рассмотрены НС с прямым распространением, одним скрытым слоем с пороговыми элементами h[i]='ТЭТА'('СИГМА'w[i][j]i[i]-'ТЭТА'[i]) и одним выходным нейроном. Для таких НС предложен новый алгоритм обучения, основанный на вычислении выпуклых оболочек. Представлены результаты имитационного моделирования, иллюстрирующие возможности предлагаемого подхода. Италия, Dip. di Fisica dell'Univ. di Triesle and Ist. Nazionale di Fisica Nucleare, Trieste, Via Valerio 2, 1-34127 Trieste. Ил. 3. Библ. 14.
ГРНТИ  
34.53.19
ВИНИТИ 341.53.19.09
Рубрики: НЕЙРОННЫЕ СЕТИ
ПОСТРОЕНИЕ
АЛГОРИТМ ОБУЧЕНИЯ

Доп.точки доступа:
Milotti, Edoardo

10.
РЖ ВИНИТИ 34 (BI38) 15.06-04А3.21

    Соловьев, А. М.
    Искусственные нейронные сети с гистерезисной функцией активации [Текст] / А. М. Соловьев, М. Е. Семенов // Нейроинформатика - 2014: 16 Всероссийская научно-техническая конференция с международным участием, Москва, 27-31, янв, 2014. - М., 2014. - Теория нейронных сетей. Адаптивное поведение и эволюционное моделирование. Нейробиология. Теория нейронных сетей, Ч.1. - С. 31-40 . - ISBN 978-5-7262-1898-4
Аннотация: Разработаны принципы построения 2-слойных искусственных нейронных сетей с гистерезисной функцией активации нейронов на основе S-преобразователя и модели Прейзаха. Предложены алгоритмы их обучения. Проведен анализ работы рассматриваемых нейронных сетей на примере задачи классификации образов. Россия, Воронежский гос. ун-т. E-mail:amsolov82@gmail.com. Библ. 6
ГРНТИ  
34.55.19
ВИНИТИ 341.55.19.09.13
Рубрики: НЕЙРОННЫЕ СЕТИ
АЛГОРИТМ ОБУЧЕНИЯ
ПЕРСЕПТРОН
ГИСТЕРЕЗИСНАЯ ФУНКЦИЯ АКТИВАЦИИ
ГИСТЕРЕЗИС

Доп.точки доступа:
Семенов, М.Е.
 
Описание базы
Стандартный
По словарю
Расширенный
Профессиональный
Распределенный
ГРНТИ



"Электронные каталоги и базы данных библиотек СО РАН"
© Международная Ассоциация пользователей и разработчиков электронных библиотек и новых информационных технологий
(Ассоциация ЭБНИТ)