Самоорганизующиеся карты (СОК) – это распространенные нейронные сети, которые используются для кластеризации и удобного визуального отображения мультиразмерного пространства данных. Базовая модель СОК [1] основана на плоской двумерной решетке, которая представляет собой топологическое отображение входного пространства данных. Однако, для такой модели СОК характерны проблемы появления «граничного эффекта». В данной работе предлагается несколько моделей сферической решетки самоорганизующейся.. Подробнее →

Обсуждены статистические характеристики компьютерной модели системы супрахиазматических ядер гипоталамуса и сопряженных с ними структур мозга. Приведены выражения алгоритма настройки весовых коэффициентов, определяющих вид нелинейной функции, входящей в моделируемую систему. Обсуждены оценки среднего значения и дисперсии сигнала ошибки, возникающей при настройке весовых коэффициентов модели. Показано, что на величину сигнала ошибки оказывают влияние три фактора: наличие в.. Подробнее →

Решена задача экспериментального подтверждения реализуемости нейросетевого распознавания самолетов. Описан процесс формирования банка данных для обучения и тестирования искусственной нейронной сети. Приведены результаты нейросетевой идентификации летательных аппаратов. А. В. Сафонов докт. техн. наук, проф., начальник научно-исследовательского отдела научно-исследовательского центра Военной академии войсковой ПВО ВС РФ (г. Смоленск). Д. Г. Митрофанов канд. техн. наук, преподаватель Военной академии.. Подробнее →

Методами компьютерного моделирования проанализированы качественные показатели САУ с встроенным нейросетевым и классическим регуляторами двумерного динамического объекта в режимах терминального управления. Г. Н. Макаров д. т. н., проф. Смоленского гуманитарного университета. Подробнее →

Проведена разработка нейронечеткой системы управления станочного электропривода, работающего в условиях переменных параметров. В. М. Буянкин к.т.н. , доц. МГТУ имени Н.Э.Баумана. Д. В. Пантюхин с. н. с. ЦИТиС. Подробнее →

Показано, что при увеличении числа учитываемых параметров и с понижением их качества автомат обучения персептрона теряет устойчивость и осуществляет случайные незатухающие колебания. Увеличение числа примеров обучения приводит к обратному эффекту повышения устойчивости и выходу автомата обучения из зоны неустойчивых колебаний. Предложено обучать персептрон в неустойчивом режиме, усредняя результаты непрерывных блужданий автомата обучения по многомерной поверхности.. Подробнее →

Предложены нейронные сети для осуществления основных криптографических операций на эллиптической кривой – определения координат точек, их сложения, удвоения и умножения. Представленное ядро модулярного криптографического нейропроцессора позволило на порядок уменьшить время шифрования данных по сравнению с существующими системами шифрования на основе эллиптических кривых. Н. И. Червяков д. т. н., профессор, засл. деятель науки и техники РФ,.. Подробнее →

Рассмотрено применение нейронной сети Хопфилда для решения прикладных задач. Приведены основные под-ходы к решению задач комбинаторной оптимизации. Описано применение нейронной сети Хопфилда для решения задачи двухмерной упаковки. Л. А. Жуков к.т.н., доцент Сибирского государственного технологического университета. О. В. Корчевская ст. преподаватель Сибирского государственного технологического университета Подробнее →

Предлагается нейронная сеть, позволяющая обнаруживать и исправлять ошибки в модулярном нейрокомпьютере в реальном масштабе времени. Нейронная сеть является гибридной и состоит из нейронных сетей конечного кольца и нейронной сети встречного распространения. Преимущество представленного решения заключается в исключении повторных пересчетов, в низких аппаратурных затратах и адаптивности нейроподобной структуры. Н. И. Червяков докт. техн. наук, проф. кафедры.. Подробнее →

Рассмотрена импульсная нейронная сеть, основанная на предложенной автором усовершенствованной модели интегрирующих нейронов с утечкой (LIF). М. В. Киселев канд. техн. наук, ген. директор компании «Мегапьютер Интеллидженс». Подробнее →