Кафедри
Постійне посилання на розділhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/35393
Переглянути
8 результатів
Результати пошуку
Документ Структурное представление знаний в системах принятия решений(Інститут проблем моделювання в енергетиці НАН України, 2003) Паржин, Юрий ВладимировичЦелью данной статьи является формулировка альтернативного способа представления структуры объектов знаний совокупностью параметрических субъектов представления, получаемых системой представления в результате восприятия (детектирования) данных объектов.Документ Основи програмування на С/С++ в прикладах. Частина 1(2021) Соболь, Максим Олегович; Любченко, Наталія Юріївна; Паржин, Юрій Володимирович; Пугачов, Роман ВолодимировичНавчально-методичний посібник складається з восьми практичних робіт в прикладах, які охоплюють першу частину курсу "Основи програмування", присвячені розділам початкового курсу програмування: від завдань консольного введення та виведення, використання циклів і операцій з масивами до роботи з функціями. Приклади представлені у вигляді добре документованих початкового програмного коду. Для студентів комп’ютерних спеціальностей вищих навчальних закладів.Документ Detector artificial neural network. Neurobiological rationale(Landmark, 2019) Parzhin, Yu. V.; Rohovyi, A. I.; Nevliudova, V. V.Документ Detector artificial neural network. Neurobiological rationale(ФОП Андреєв К. В., 2019) Parzhin, Yu. V.; Rohovyi, A. I.; Nevliudova, V. V.Документ Модально-векторна теорія побудови детекторних нейронних мереж(Київський національний університет ім. Т. Шевченка, 2017) Паржин, Юрій Володимирович; Серков, Олександр АнатолійовичДокумент Автоматизация процесса мониторинга и анализа внешней электромагнитной обстановки на основе использования детекторной искусственной нейронной сети(ФОП Петров В. В., 2017) Паржин, Юрий Владимирович; Кравченко, Владимир Иванович; Князев, Владимир Владимирович; Серков, Александр АнатольевичВ статье рассмотрено применение детекторной нейронной сети (ДИНС) для распознавания параметров фронта электромагнитного импульса грозового разряда в автоматизированной системе мониторинга и анализа внешней электромагнитной обстановки. ДИНС в результате эмуляции активного перцептивного акта восприятия изображения и эмуляции процедуры встречного обучения позволяет не только выделить фронт импульса в структуре осциллографического изображения, но и запомнить измеряемые параметры распознанного сегмента изображения в концепте нейрона-детектора. Это дает возможность уменьшить ошибки измерений и увеличить скорость обработки сигналов по сравнению с рассматриваемым методом интерактивного анализа характеристик электромагнитных помех.Документ Детекторный принцип построения искусственных нейронных сетей как альтернатива коннекционистской парадигме(ФОП Петров В. В., 2017) Паржин, Юрий ВладимировичИскусственные нейронные сети (ИНС) являются неадекватными биологическим нейронным сетям. Эта неадекватность проявляется в использовании устаревшей модели нейрона и коннекционистской парадигмы построения ИНС. Результатом данной неадекватности является существование множества недостатков ИНС и проблем их практической реализации. В статье предлагается альтернативный принцип построения ИНС. Этот принцип получил название детекторного принципа. Основой детекторного принципа является рассмотрение свойства связности входных сигналов нейрона. В данном принципе используется новая модель нейрона-детектора, новый подход к обучению ИНС – встречное обучение и новый подход к формированию архитектуры ИНС.Документ Анализ информации в нейроморфных информационных моделях нейронов(Национальный технический университет "Харьковский политехнический институт", 2019) Паржин, Юрий Владимирович; Солощук, Михаил Николаевич; Любченко, Наталья ЮрьевнаРассматривается системный принцип построения детекторных искусственных нейронных сетей (ДНС). Этот принцип основан на определении и детектировании структурных элементов распознаваемых образов, а также их непроизводных и производных характеристик. Непроизводные структурные элементы, а также их качественные и количественные характеристики определяются эмпирически. Эти элементы и их характеристики детектируются специфическими нейронами-детекторами ДНС на этапе сенсорного восприятия. Процесс детектирования непроизводных структурных элементов основан на открытии Девидом Хьюбелом (David Hubel) и Т. Визелем (Torsten Wiesel) избирательной реакции нейронов первичной зрительной коры мозга на определенные стимулы. Однако непроизводных структурных элементов и их характеристик недостаточно для решения задачи классификации образов. Это связано с тем, что в процессе обучения нейрона-детектора класса образов происходит потеря информации, которая не содержит устойчивых признаков классификации. Эта потеря информации отражает обобщающую способность ДНС и ведет к уменьшению ее разрешающей способности. Для увеличения разрешающей способности ДНС необходима дополнительная информация. Эта информация может быть получена в результате формирования производных характеристик структурных элементов распознаваемого образа. Формирование производных характеристик отражает процесс информационного анализа, осуществляемого нейронами-анализаторами ДНС, которые, по мнению авторов, являются информационными моделями биологических нейронов-анализаторов. Тогда процесс информационного синтеза реализуется единичными производными нейронами-детекторами ДНС. Эти нейроны-детекторы реагируют на цельные образы. Построение информационных моделей нейронов основывается на выдвинутых авторами гипотезах нейронного кода, объясняющих информационную сущность реакций нейронов.