СибНСХБ

Вид поиска

Область поиска

Найдено в других БД

Формат представления найденных документов:
библиографическое описание	краткий	полный

Отсортировать найденные документы по:
автору	заглавию	году издания	типу документа

Поисковый запрос: (<.>S=ОБУЧАЮЩИЕСЯ СИСТЕМЫ<.>)

Общее количество найденных документов : 6
Показаны документы с 1 по 6

РЖ ВИНИТИ 34 (BI38) 13.12-04А3.500

Bayesian rule learning for biomedical data mining [Text] / Vanathi Gopalakrishnan [et al.] // Bioinformatics. - 2010. - Vol. 26, N 5. - P668-675 . - ISSN 1367-4803
Перевод заглавия: Байесовское правило обучения для интеллектуального анализа данных в биомедицине
Аннотация: Построена байесовская обучающаяся система с использованием байесовских сетей. Система апробировалась на 4 опубликованных множествах данных и показала более хорошие свойства по сравнению с другими доступными системами такого рода. Данная разработка мотивирована задачами интеллектуального анализа данных в проблеме предсказания состояния болезни в исследованиях с использованием биомаркеров. США, Department of Biomedical Informatics, University of Pittsburgh, Pittsburgh, PA 15260, e-mail: vanathi@pitt.edu. Ил. 3. Табл. 6. Библ. 49

ГРНТИ	34.05.25

ВИНИТИ 341.05.25.15.17
Рубрики: ОБРАБОТКА ДАННЫХ
ОБУЧАЮЩИЕСЯ СИСТЕМЫ
БАЙЕСОВСКИЕ СЕТИ
ПРОГНОЗ ЗАБОЛЕВАНИЙ
ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ

Доп.точки доступа:
Gopalakrishnan, Vanathi; Lustgarten, Jonathan L.; Wisweswaran, Shyam; Cooper, Gregory F.

РЖ ВИНИТИ 34 (BI38) 89.11-04А3.129

Гуляев, Ю. В.
Эволюционная вычислительная технология [Текст] / Ю. В. Гуляев, И. Л. Букатова, В. Ф. Крапивин // Методы информат. в радиофиз. иммлед. окруж. среды. - М., 1989. - С. 25-43
Аннотация: Изложены основные положения теории обучающихся вычислительных систем эволюционирующего типа (Моисеев Н. Н. Математика ставит эксперимент. М.: Наука, 1979. 223 с) - т. наз. эвоинформатики. Эволюционое иоделирование можно представить иерархической двухуровневой процедурой. На 1-м уровне имеется 2 постоянно чередующихся процесса - структурной адаптации и использования. Процедура эволюционного отбора моделей обеспечивает практически неограниченное во времени функционирования системы в условиях неустранимой информативной неопределенности. Имитационная реализация эволюционного моделирования при решении задач предсказания и распознавания показала его высокую гибкость в плане адаптации к реальным процессам и обнаруживала наличие значительных ограничений при использовании ЭВМ традиционной архитектуры. Проведены исследования по поиску элементной базы для синтеза адаптивных сетей с переменной структурой. Рассмотрен ряд проектов по созданию спецпроцессоров. Ил. 10. Библ. 31.

ГРНТИ	34.55.21

ВИНИТИ 341.55.21.02
Рубрики: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
ОБУЧАЮЩИЕСЯ СИСТЕМЫ
ЭВОЛЮЦИОННАЯ ВЫЧИСЛИТЕЛЬНАЯ ТЕХНОЛОГИЯ
СПЕЦПРОЦЕССОРЫ
АВТОМАТИЗАЦИЯ ИССЛЕДОВАНИЙ

Доп.точки доступа:
Букатова, И.Л.; Крапивин, В.Ф.

РЖ ВИНИТИ 34 (BI38) 90.07-04А3.114

Mukhopadhyay, Snehasis.
Associative learning of Boolean functions [Text] / Snehasis Mukhopadhyay, M. A.L. Thathachar // IEEE Trans. Syst. Man. and Cybern. - 1989. - Vol. 19, N 5. - P1008-1015 . - ISSN 0018-9472
Перевод заглавия: Ассоциативное обучение булевским функциям
Аннотация: Представлена модель кооперативной игры для обучения автоматов, позволяющая реализовать обучение сложным нелинейным ассоциативным задачам, в частности - обучение булевским ф-циям произвольного вида. Предполагается, что команде автоматов доступны только зашумленные выходные сигналы, соотв. значениям неизвестной ф-ции. Разработан достаточно быстро сходящийся алгоритм обучения, в к-ром для уменьшения объема требуемой памяти и сокращения числа вычислений используется принцип "разделяй и властвуй". Основными преимуществами перед др. подобными подходами являются обобщенный характер модели, скорость, обучение и гарантированность сходимости. Приведены иллюстративные результаты выполненных эксперим. проверок. США, Dep. of Electrical Eng., Yale Univ., New Haven, CT 06520. Ил. 1. Табл. 2. Библ. 11.

ГРНТИ	34.55.21

ВИНИТИ 341.55.21.27.09
Рубрики: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
ОБУЧАЮЩИЕСЯ СИСТЕМЫ
АССОЦИАТИВНОЕ ОБУЧЕНИЕ
БУЛЕВСКИЕ ФУНКЦИИ

Доп.точки доступа:
Thathachar, M.A.L.

РЖ ВИНИТИ 34 (BI38) 91.11-04А3.59

Elio, Renee.
Modeling novice-to-expert shifts in problem-solving strategy and knowledge organization [Text] / Renee Elio, Peternela B. Scharf // Cogn. Sci. - 1990. - Vol. 14, N 4. - P579-639 . - ISSN 0364-0213
Перевод заглавия: Моделирование процесса развития от новичка к эксперту в стратегии решения задач и организации знаний
Аннотация: Разработана машинная модель EUREKA, обучающаяся решению задач в обл. физики и постепенно переходящая от стратегий решения и организации знаний, свойственных новичку, - к присущим эксперту в предметной обл. EUREKA строит сложное сетевое представление знаний и методов решения. По мере накопления опыта возникают все более сложные ассоциативные связи. Описан пакет вероятностной организации памяти, управляющий этим процессом и обеспечивающий использование накопленного опыта для оптимизации решений. Приведены многочисленные иллюстративные примеры, поясняющие особенности работы системы EUREKA. Канада, Univ. of Alberta. Ил. 10.

ГРНТИ	34.55.21

ВИНИТИ 341.55.21.19.25
Рубрики: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
СИСТЕМЕ EUREKA
МАШИННЫЕ МОДЕЛИ
РЕШЕНИЕ ЗАДАЧ
ФИЗИКА
ОБУЧАЮЩИЕСЯ СИСТЕМЫ

Доп.точки доступа:
Scharf, Peternela B.

РЖ ВИНИТИ 34 (BI38) 93.01-04А3.076

Mamelak, Adam N.
Automated staging of sleep in cats using neural networks [Text] / Adam N. Mamelak, James I. Quattrochi, I.Allan Hobson // Electroencephalogr. and Clin. Neurophysiol. - 1991. - Vol. 79, N 1. - P52-61
Перевод заглавия: Автоматическое определение стадий сна у кошек с помощью нейтронных сетей
Аннотация: Разработана двуслойная нейронная обучающаяся сеть для распознавания различных видов эл. активности головного мозга кошки, соотв. различным стадиям сна. В качестве входных данных использовали оцифрованные сигналы ЭЭГ, билатеральные сигналы при электроокулографии, ЭМГ. Нейронная сеть состояла из обычных модельных двоичных нейронов и моделировалась как программа для ЭВМ. При обучении оператор вручную устанавливал, какие виды эл. активности следовало учитывать для классификации стадий сна. После обучения программа оказалась способной автоматически определять нужные стадии сна. Проведен эксперимент по определению изменений эл. активности после инъекции лекарства. Нейронная сеть после обучения фактически усвоила все полезные правила и исключения, к-рым руководствуются в эксперименте при оценке стадий сна. Поскольку после обучения не требуется какого-либо спец. перепрограммирования, такого рода нейронные сети м. успешно использоваться в системах на базе микро-ЭВМ для анализа ЭЭГ как у животных, так и у человека. Обсуждается возможность автоматического выделения таким способом ряда клинических расстройств на уровне нейрофизиологических р-ций. США, Harvard Medical School, Boston, MA 02115. Ил. 2. Библ. 32.

ГРНТИ	34.55.21

ВИНИТИ 341.55.21.27.15 + 341.53.19.09
Рубрики: РАСПОЗНАВАНИЕ ОБРАЗОВ
НЕЙТРОННЫЕ СЕТИ
ОБРАБОТКА БИОСИГНАЛОВ
ЭЭГ
СОН
СТАДИИ
ЭМГ
АКК ЭОГ
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
ОБУЧАЮЩИЕСЯ СИСТЕМЫ

Доп.точки доступа:
Quattrochi, James I.; Hobson, I.Allan

Заявка 2258311 Великобритания, МКИ A 61 B 5/0205.

Dodd, Nigel Andrew.
Monitoring a plurality of parameters [Текст] / Nigel Andrew Dodd. - № 9215907.8 ; Заявл. 27.07.1992 ; Опубл. 03.02.1993
Перевод заглавия: Мониторинг многих параметров
Аннотация: Разработан эксперим. монитор, способный обучаться правильным откликам на входные сигналы. Для обучения используется нейронная сеть. Система связана с различными измерительными устр-вами, размещенными в палатах интенсивной терапии или в производственных цехах. На начальном этапе обучение ведется с учителем, к-рый следит за отсутствием ложных тревог. Описана методика обучения системы. Показана возможность эффективного использования правил до его начала. Ил. 8. Табл. 1.

ГРНТИ	34.57.15

ВИНИТИ 341.57.15.43 + 761.03.59.09.29.09 + 341.53.19.09
Рубрики: МОНИТОРЫ
МНОЖЕСТВЕННЫЕ ПАРАМЕТРЫ
ОБУЧАЮЩИЕСЯ СИСТЕМЫ
НЕЙРОННЫЕ СЕТИ
Свободных экз. нет

"Электронные каталоги и базы данных библиотек СО РАН"

© Международная Ассоциация пользователей и разработчиков электронных библиотек и новых информационных технологий
(Ассоциация ЭБНИТ)

rtvarBDview(" результаты поиска","20190607010228","4682442");

Вид поиска