NAU Harvester System
HYBRID NEURON NETWORKS BASED ON RADIAL BASIS NETWORK WITH DIFFERENT RADIAL BASIS FUNCTION
Наукові журнали Національного Авіаційного Університету
View Archive Info| Field | Value | |
| Title |
HYBRID NEURON NETWORKS BASED ON RADIAL BASIS NETWORK WITH DIFFERENT RADIAL BASIS FUNCTION
Гибридная нейронная сеть на основе радиально-базисной сети с различными радиально-базисными функциями Гібридна нейронна мережа на основі радіально-базисної мережі з різними радіально-базисними функціями |
|
| Creator |
Chumachenko, O. I.; Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»
Dychko, S. T.; Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського» Rizhiy, А. R.; Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського» |
|
| Subject |
Hybrid neural network; structural-parametric synthesis; optimization problem
UDC 629.735.33-519 (045) Гибридная нейронная сеть; структурно-параметрический синтез; задача оптимизации УДК 629.735.33-519 (045) Гібридна нейронна мережа; структурно-параметричний синтез; проблема оптимізації УДК 629.735.33-519 (045) |
|
| Description |
It is considered the problem of structural-parametric synthesis of a hybrid neural networks based on the use of radial basis network. Hybridization is achieved through the use of various radial basis functions: Gaussian, multivariate, inverse quadratic, inverse multivariate, thin plate spline, linear, cubic, wavelet functions. The problem of structural-parametric synthesis of hybrid neural network consists in the optimal choice of the number of layers, the number of neurons in the layers, the order of alternation of layers with different neurons. The problem of optimal choice of the number of network cascades and the type of radial basis function in each cascade of the number of layers is solved. Examples of a hybrid neural network synthesis using this methodology for classification and prediction tasks solution are given.
Рассмотрена проблема структурно-параметрического синтеза гибридных нейронных сетей на основе использования радиальных базисных сетей. Гибридизация достигается за счет использования различных радиальных базисных функций: гауссовых, многомерных, обратных квадратичных, обратных многомерных, сплайна тонких пластин, линейных, кубических, вейвлет-функций. Задача структурно-параметрического синтеза гибридной нейронной сети состоит в оптимальном выборе количества слоев, количества нейронов в слоях, порядка чередования слоев с разными нейронами. Решена задача оптимального выбора количества сетевых каскадов и типа радиальной базисной функции в каждом каскаде из числа слоев. Приведены примеры синтеза гибридной нейронной сети с использованием этой методологии для решения задач классификации и прогнозирования. Розглянуто проблему структурно-параметричного синтезу гібридних нейронних мереж на основі використання радіальних базисних мереж. Гібридизація досягається за рахунок використання різних радіальних базисних функцій: гауссових, багатовимірних, зворотних квадратичних, зворотних багатовимірних, сплайна тонких пластин, лінійних, кубічних, вейвлет-функцій. Завдання структурно-параметричного синтезу гібридної нейронної мережі полягає в оптимальному виборі кількості шарів, кількості нейронів в шарах, порядку чергування шарів з різними нейронами. Розв’язано задачу оптимального вибору кількості мережевих каскадів і типу радіальної базисної функції в кожному каскаді з числа шарів. Наведено приклади синтезу гібридної нейронної мережі з використанням цієї методології для вирішення завдань класифікації та прогнозування. |
|
| Publisher |
National Aviation University
|
|
| Contributor |
—
— — |
|
| Date |
2020-03-25
|
|
| Type |
—
— |
|
| Format |
application/pdf
|
|
| Identifier |
http://jrnl.nau.edu.ua/index.php/ESU/article/view/14516
10.18372/1990-5548.63.14516 |
|
| Source |
Electronics and Control Systems; Том 1, № 63 (2020); 32-36
Электроника и системы управления; Том 1, № 63 (2020); 32-36 Електроніка та системи управління; Том 1, № 63 (2020); 32-36 |
|
| 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).
|
|