Cтраница 1
Использование нейронных сетей для изучения нелинейных моделей формирования цен акций вносит ясность в вопрос о том, в какой степени недостатки линейных моделей вызваны их неадекватной спецификацией, а в какой - предположением об эффективности рынка. [1]
Использование нейронной сети ( и одноэлементного нейрона) состоит их трех этапов: обучения, проверки и функционирования. [2]
Смысл использования нейронных сетей в финансовой области заключается вовсе не в том, чтобы вытеснить традиционные методы или изобретать велосипед. Это просто еще одно возможное средство для решения задач, и цель этой книги - показать на целом ряде примеров, как можно применять нейронный подход и сравнивать его эффективность с эффективностью других методов. [3]
Пример трехслойной нейронной сети. [4] |
Преимуществом использования нейронных сетей для классификации дефектов является их способность учиться определению малых различий между идентифицируемыми классами благодаря тренировке на соответствующим образом выбранных тренировочных данных, которые получают экспериментально или теоретически. [5]
Важным преимуществом использования нейронных сетей для обработки массивов данных, поступающих от распределенных измерительных сетей являются: значительное повышение быстродействия, возможность обучения нейронной сети по эталонным образам, а также реконфигурация измерительной сети исходя из требований решаемой задачи. Все это значительно повышает эффективность и расширяет область применения распределенных измерительных систем. [6]
Имеется опыт использования нейронных сетей для предсказания зависимости структура соединения - биологическая активность. Точность предсказания оставшихся 7 соединений составляла примерно ту же величину, что свидетельствует о целесообразности применения нейронных сетей для моделирования биологической активности. [7]
Многообещающие результаты получены при использовании нейронных сетей при диагностике отказов производственных систем и их управлении. [8]
Заметим, что в случае использования нейронной сети выявить признаки классификации патологий не удается. Однако показано, что в этом случае при обучении сети появляется возможность автоматической классификации исходных паттернов пульса. [9]
Основой нейросетевых методов рубрицирования текстов является использование нейронной сети ( НС) в качестве обучаемого классификатора. Считается, что в наличии имеется подборка примеров текстов, каждый из которых помечен как релевантный или нерелевантный определенной рубрике. Задача НС, обученной на этих примерах, состоит в определении степени релевантности любого нового текста данной рубрике. [10]
В этом разделе будет рассмотрена перспектива использования нейронных сетей в экспертных системах. Нейронные сети предполагают совершенно другую модель вычислительного процесса, принципиально отличную от той, которая традиционно используется в экспертных системах. [11]
Попытки достичь нормализации длительности сигнала при использовании стационарных нейронных сетей требуют нелинейной деформации пространства входов сети, которая может быть осуществлена за счет введения в нейроподобные элементы дополнительных входов, организующих временные задержки информации во всех слоях. Такое усложнение сети ведет к значительному увеличению времени обучения. Применение традиционных рекуррентных сетей аналогично введению в сеть механизма задержек за счет обратных связей. Кроме того, представления эталонов оказываются скрытыми в весах сети и не допускают наглядной интерпретации, что является важным на этапе отладки системы распознавания и выбора параметров первичной обработки сигнала. [12]
Подготовка данных для нейронной сети в Excel. [13] |
Укажем в заключение, что ряд практических примеров использования нейронных сетей приведен в третьей части книги. [14]
В главе 7 рассмотрены процедуры проектирования РВС с использованием нейронной сети и ряд других вопросов, связанных с применением нейрокомпьютеров в системах управления. [15]