Алгоритм обучения многослойной нейронной сети прямого распространения
https://doi.org/10.29235/1561-2430-2026-62-2-149-163
Аннотация
Разработан алгоритм обучения многослойной нейронной сети прямого распространения (feedforward neural network), который реализует идею так называемого метода обратного распространения ошибок (error back-propagation). Особенностью алгоритма является его многомерно-матричная форма, обеспечивающая ему теоретическую и алгоритмическую общность. Выполнена программная реализация алгоритма как функции языка программирования Matlab. Несмотря на многомерно-матричную форму алгоритма, эта функция полностью определяется обычными матрицами. Корректность алгоритма подтверждена компьютерным моделированием на примере различных задач аппроксимации, включая задачу распознавания образов.
Об авторе
В. С. Муха
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Муха Владимир Степанович – доктор технических наук, профессор, профессор кафедры информационных технологий автоматизированных систем
ул. П. Бровки, 6, 220013, Минск
Список литературы
1. Golovinov A. O., Klimova E. N. Advantages of neural networks over traditional algorithms. Eksperimental’nye i teoreticheskie issledovaniya v sovremennoi nauke: sbornik statei po materialam V Mezhdunarodnoi nauchno-prakticheskoi konferentsii [Experimental and theoretical research in modern science: a collection of articles based on the materials of the V International scientific and practical conference]. Novosibirsk, Association of Researchers “Siberian Academic Book”, 2017, pp. 11–15 (in Russian).
2. Mitrea C. A., Lee C. K. M., Wu Z. A Comparison between Neural Networks and Traditional Forecasting Methods: A Case Study. International Journal of Engineering Business Management, 2009, vol. 1, no. 2, pp. 19–24. https://doi.org/10.5772/6777
3. Blackard J. A., Dean D. J. Comparative accuracies of artificial neural networks and discriminant analysis in predicting forest cover types from cartographic variables. Computers and Electronics in Agriculture, 1999, vol. 24, no. 3, pp. 131–151. https://doi.org/10.1016/s0168-1699(99)00046-0
4. Eze C. M., Ugwuowo I. F., Asogwa O. A comparative analysis of vector autoregressive model and neural networks. EPH – International Journal of Mathematics and Statistics, 2018, vol. 4, no. 2, pp. 1–13. https://doi.org/10.53555/eijms.v4i2.21
5. Charef F., Ayachi F. A Comparison between Neural Networks and GARCH Models in Exchange Rate Forecasting. International Journal of Academic Research in Accounting, Finance and Management Sciences, 2016, vol. 6, no. 1, pp. 94–99. https://doi.org/10.6007/ijarafms/v6-i1/1996
6. Rumelhart D. E., Hinton G. E., Williams R. J. Learning internal representations by error propagation. Parallel Distributed Processing: Explorations in the Microstructures of Cognition, vol. 1. Cambridge, MA, MIT Press, 1986, pp. 318– 362. https://doi.org/10.7551/mitpress/4943.003.0128
7. Bishop C. M. Pattern Recognition and Machine Learning. Springer Science + Business Media, LLC, 2006. 738 p.
8. Mukha V. S. Analysis of Multidimensional Data. Minsk, Tekhnoprint Publ., 2004. 368 p. (in Russian).
9. Golovko V. A. Neural Network: Learning, Organization and Application. Moscow, IPRJP Publ., 2001. 256 p. (in Russian).
10. Schmidhuber J. Deep learning in neural networks: An overview. Neural Networks, 2015, vol. 61, pp. 85–117. https://doi.org/10.1016/j.neunet.2014.09.003
11. Nielsen M. Neural Networks and Deep Learning. Vol. 25. San Francisco, CA, USA, Determination Press, 2015. Available at: https://jingyuexing.github.io/Ebook/Machine_Learning/Neural%20Networks%20and%20Deep%20Learning-eng.pdf (accessed 10 January 2025).
Рецензия
Просмотров:
24
JATS XML
Послать статью по эл. почте 
