Известия высших учебных заведений
ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)


машинное обучение

Динамика искусственной рекуррентной нейронной сети в задаче моделирования когнитивной функции

Цель работы состоит в построении искусственной рекуррентной нейронной сети, активность которой моделирует когнитивную функцию, связанную со сравнением двух вибротактильных стимулов, предъявляемых с задержкой, и анализе динамических механизмов, лежащих в основе её работы. Методы. Машинное обучение, анализ пространственно-временной динамики и фазового пространства. Результаты. Активность обученной рекуррентной нейронной сети моделирует когнитивную функцию сравнения двух стимулов с задержкой.

Метод обучения коллективного классификатора на основе конкуренции в режиме сосуществования

Цель работы состоит в создании новой стратегии обучения коллективного классификатора, в результате применения которой классификатор аппроксимирует байесовское решающее правило. Коллективный классификатор – ансамбль простых элементов, каждый из которых характеризуется определённой функцией отклика и не имеет собственной динамики и переменных параметров. Обучение происходит путём формирования состава ансамбля (численностей элементов разных типов).

Динамика искусственной рекуррентной нейронной сети в задаче моделирования когнитивной функции

Цель работы состоит в построении искусственной рекуррентной нейронной сети, модулирующей когнитивную задачу сравнения двух вибротактильных стимулов, предъявляемых с задержкой, и анализе динамических механизмов, лежащих в основе её работы.
Методы работы: машинное обучение, изучение фазового пространства, анализ разъединенных главных компонент.

Метод обучения коллективного классификатора на основе конкуренции в режиме сосуществования

Цель работы состоит в создании новой стратегии обучения коллективного классификатора, в результате применения которой классификатор аппроксимирует байесовское решающее правило. Коллективный классификатор - ансамбль простых элементов, каждый из которых характеризуется определённой функцией отклика и не имеет собственной динамики и переменных параметров. Обучение происходит путём формирования состава ансамбля (численностей элементов разных типов).

Динамика сети дискретных модельных нейронов при контролируемом обучении системы резервуарных вычислений

Цель настоящей работы состоит в построении системы резервуарных вычислений, которая содержит сеть модельных нейронов с дискретным временем, и изучении характеристик системы при её обучении автономно генерировать гармонический целевой сигнал. Методы работы включают в себя подходы нелинейной динамики (анализ фазового пространства в зависимости от параметров), машинного обучения (резервуарные вычисления, контролируемая минимизация ошибки) и компьютерного моделирования (реализация численного алгоритма, построение характеристик и диаграмм). Результаты.

Динамика сети дискретных модельных нейронов при контролируемом обучении системы резервуарных вычислений

Цель настоящей работы состоит в построении системы резервуарных вычислений, которая содержит сеть модельных нейронов с дискретным временем, и изучении характеристик системы при её обучении автономно генерировать гармонический целевой сигнал.

Методы работы включают в себя подходы нелинейной динамики (анализ фазового пространства в зависимости от параметров), машинного обучения (резервуарные вычисления, контролируемая минимизация ошибки) и компьютерного моделирования (реализация численного алгоритма, построение характеристик и диаграмм).