NAU Harvester System
Deep learning fuzzy classifier
Наукові журнали Національного Авіаційного Університету
View Archive Info| Field | Value | |
| Title |
Deep learning fuzzy classifier
Нечеткий классификатор глубокого обучения Нечіткий класифікатор глибокого навчання |
|
| Creator |
Sineglazov, V. M.; Національний авіаційний університет, Київ
Koniushenko, R. S.; Національний авіаційний університет, Київ |
|
| Subject |
Neural network; fuzzy neural network; deep learning
UDC 004.85(045) Нейронная сеть; нечеткая нейронная сеть; глубокое обучение УДК 004.85(045) Нейронна мережа; нечітка нейронна мережа; глибоке навчання УДК 004.85(045) |
|
| Description |
It is considered a classification problem solution based on analysys of represented review. It’s shown that the neural networks have important advantages beside other methods, such as: classification using the nearest neighbor method, support vector classification, classification using decision trees, etc. Amount of artificial neural networks exists futher networks have the simplest structure, but the precision of the solution can be increased with help of deep learning approach, which is supposes the use of additional neural network for the solution of pretraining tasks(deep believe networks). It’s proposed new tophology which consist of: Takagi-Sugeno-Kang fuzzy classifier and Limited Boltzmann Machine neural network. Despite on this thopology was proposed early in this article it’s carried out enough researches that permited to specify the learning algorithm. An example of proposed algorithm implantation is represented.
Рассмотрено решение проблемы классификации на основе анализа представленного обзора. Показано, что нейронные сети обладают важными преимуществами по сравнению с другими методами, такими как: классификация с использованием метода ближайшего соседа, классификация векторов поддержки, классификация с использованием деревьев решений и т. д. Существует множество искусственных нейронных сетей, которые имеют простейшую структуру, но точность решения может быть увеличена с помощью подхода глубокого обучения, который предполагает использование дополнительной нейронной сети для решения задач предварительной подготовки (сети глубокого обучения). Предложена новая топология, которая состоит из: нечеткого классификатора Такаги–Сугено–Канга и нейронной сети ограниченной машины Больцмана. Несмотря на то, что эта топология была предложена в этой статье, было проведено достаточно исследований, которые позволили создать новый алгоритм обучения. Приведен пример использования предложенного алгоритма. В даній роботі розглянуто рішення проблеми класифікаці. Показано, що нейронні мережі мають важливі переваги поряд з іншими методами, такими як: класифікація з використанням методу найближчого сусіда, класифікація за допомогою векторів підтримки, класифікація з використанням дерев рішень, тощо. Рішення може бути розширено за допомогою глибокого підходу до навчання, що передбачає використання додаткової нейронної мережі (глибокі мережі) для вирішення задачі попереднього навчання. Запропонована нова тофологія складається з: нечітких класифікаторів Такагі-Сугено-Канга і нейронної мережі обмеженої машини Больцмана. Незважаючи на те, що ця топологія була запропонована раніше, в цій статті було проведено достатньо досліджень, які дозволили створити алгоритм навчання. Наведено приклад використання запропонованого алгоритму. |
|
| Publisher |
National Aviation University
|
|
| Contributor |
—
— — |
|
| Date |
2019-07-11
|
|
| Type |
—
— — |
|
| Format |
application/pdf
|
|
| Identifier |
http://jrnl.nau.edu.ua/index.php/ESU/article/view/13813
10.18372/1990-5548.60.13813 |
|
| Source |
Electronics and Control Systems; Том 2, № 60 (2019); 35-42
Электроника и системы управления; Том 2, № 60 (2019); 35-42 Електроніка та системи управління; Том 2, № 60 (2019); 35-42 |
|
| Language |
en
|
|
| Rights |
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).
|
|