Повнотекстовий пошук
Пошуковий запит: (<.>A=Kriukova G$<.>) |
Загальна кількість знайдених документів : 4
Представлено документи з 1 до 4
|
1. |
Kriukova G. V. On synchronization of randomly coupled oscillators [Електронний ресурс] / G. V. Kriukova // Наукові записки НаУКМА. Фізико-математичні науки. - 2013. - Т. 139. - С. 27-29. - Режим доступу: http://nbuv.gov.ua/UJRN/NaUKMAfm_2013_139_8
| 2. |
Kriukova G. V. Artificial neural network for multiclass recognition and its application to the thyroid functional state [Електронний ресурс] / G. V. Kriukova, S. P. Radchenko, O. O. Sudakov // Наукові вісті Національного технічного університету України "Київський політехнічний інститут". - 2017. - № 1. - С. 48-53. - Режим доступу: http://nbuv.gov.ua/UJRN/NVKPI_2017_1_7 Розробка засобів автоматичної діагностики вимагає вибору й удосконалення відповідних методів машинного навчання, зокрема мультикласової класифікації. Щоб адресувати цю задачу, розглядаються штучні нейронні мережі (ШНМ) різних конструкцій. Мета роботи - аналіз та порівняння ефективності класифікаторів, що базуються на ШНМ, на різних даних для подальшого вдосконалення стратегії вибору моделі. Побудовано моделі на основі ШНМ розподілу класових міток ознак предиктора, треновані та оцінені на клінічних даних. Досліджено різні алгоритми навчання багатошарового персептрона, нейронну мережу Кохонена та лінійну функціональну стратегію з багатопараметричною регуляризацією. Ефективність класифікаторів порівнюється з точки зору точності, чутливості та специфічності. Класифікатор, побудований за допомогою лінійної функціональної стратегії, випереджає інші, що базуються на ШНМ зі складною архітектурою, а також демонструє відносну стійкість до перенавчання. Продуктивність нейронної мережі Кохонена на великих наборах даних по специфічності перевищує 90 % для кожного класу, одночасно з тим чутливість для окремих класів перевищує 95 %. Висновки: розуміння сильних і слабих сторін кожного методу є надзвичайно важливим для ретельного добору класифікатора на основі ШНМ, зокрема його архітектури, алгоритмів регуляризації та навчання.
| 3. |
Kriukova G. A discrete regularization method for hidden Markov models embedded into reproducing kernel Hilbert space [Електронний ресурс] / G. Kriukova // Могилянський математичний журнал. - 2018. - Т. 1. - С. 15-20. - Режим доступу: http://nbuv.gov.ua/UJRN/mohmathj_2018_1_6
| 4. |
Kravchuk O. Regularization by Denoising for Inverse Problems in Imaging [Електронний ресурс] / O. Kravchuk, G. Kriukova // Могилянський математичний журнал. - 2022. - Т. 5. - С. 57-61. - Режим доступу: http://nbuv.gov.ua/UJRN/mohmathj_2022_5_12
|
|
|