Гібридна нейронна мережа на основі Q-, W-, класичних нейронів

Автор(и)

  • O. I. Chumachenko Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»
  • S. T. Dychko Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»
  • А. R. Rizhiy Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

DOI:

https://doi.org/10.18372/1990-5548.62.14385

Ключові слова:

Гібридна нейронна мережа, структурно-параметричний синтез, проблема оптимізації

Анотація

Розглянуто задачу структурно-параметричного синтезу гібридної нейронної мережі на основі використання топології багатошарового персцептрону. Гібридизація досягається за рахунок використання штучних нейронів різних типів, а саме Q-нейрону,W-нейрону і класичного нейрону. Розв’язано задачу оптимального вибору кількості шарів, нейронів в шарах, а також типів нейронів у кожному шарі та принципи їх чергування за допомогою генетичного алгоритму SPEA2. Наведено приклади побудови гібридної нейронної мережі за даною методологією та заданим критерієм оптимізації для розв’язання задач класифікації та прогнозування.

Біографії авторів

O. I. Chumachenko, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Кандидат технічних наук. Доцент

orcid.org/0000-0003-3006-7460

S. T. Dychko, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Студент бакалавріату

А. R. Rizhiy, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Студент бакалавріату

Посилання

Ye. Bodyanskiy and O. Vynokurova, “Compartmental adaptive wavelon and its learning algorithm,” Control systems and computers 1, pp. 47–53, 2009.

Ye. Bodyanskiy, O. Vynokurova, A. Dolotov and O. Kharchenko, “Wavelet-Neuro-Fuzzy-Network Structure Optimization Using GMDH for the Solving Forecasting Tasks,” International Conference in Inductive Modelling, 2013.

Ye. Bodyanskiy, I. Pliss, and O. Vynokurova, "Hybrid GMDH-neural network of computational intelligence," Proc. 3rd International Workshop on Inductive Modelling, Poland, Krynica, 2009, рр. 100–107.

Ye. Bodyanskiy, O. Vynokurova, and N. Teslenko, "Cascade GMDH-Wavelet-Neuro-Fuzzy Network," The 4th International Workshop on Inductive ModellingIWIM 2011, рр. 22–30.

Е. А. Vinokurova, " Generalized multidimensional wavelet-neuro-fuzzy system in computational intelligence problems," Intelligent decision-making systems and problems of computational intelligence: a collection of scientific papers based on the materials of an international scientific conference. Evpatoriay–Cherson, vol. 2, 2010, pp. 329–333.

E. Zitzler, M. Laumanns and L. Thiele, “SPEA2: Improving the Strength Pareto approach,” Swiss Federal Institute Technology, 2001.

Optical Recognition of Handwritten Digits Data Set [Online]. Avaible: https://archive.ics.uci.edu/ml/datasets/Optical+Recognition+of+Handwritten+Digits

Daily Minimum Temperatures In Melbourne [Online]. Avaible: https://www.kaggle.com/paulbrabban/daily-minimum-temperatures-in-melbourne

##submission.downloads##

Номер

Том 4 № 62 (2019)

Розділ

АВТОМАТИЗОВАНІ СИСТЕМИ ПРОЕКТУВАННЯ

Ліцензія

Authors who publish with this journal agree to the following terms:

Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).