ФАКТОРИЗОВАНІ АЛГОРИТМИ НАВЧАННЯ ПЕРСЕПТРОНУ В ЗАДАЧІ ПОБУДОВИ НЕЛІНІЙНОЇ МОДЕЛІ
DOI:
https://doi.org/10.30837/bi.2020.1(94).04Ключові слова:
ШТУЧНА НЕЙРОННА МЕРЕЖА, ПЕРСЕПТРОННА МОДЕЛЬ, КРИТЕРІЙ ОЦІНЮВАННЯ, ОРТОГОНАЛІЗАЦІЯ, СТІЙКІСТЬ АЛГОРИТМУ НАВЧАННЯ, ФАКТОРИЗАЦІЯАнотація
З метою поліпшення обчислювальних властивостей процедур навчання штучних нейронних мереж (ІНС),
які, будучи універсальними аппроксіматорамі, дозволяють відновити з заданою точністю будь-яку як завгодно
складну безперервну нелінійну функцію, розроблені їх факторізовано форми, засновані на перетвореннях Холесского, Хаусхолдера і ортогоналізації Грамма-Шмідта. Проведений аналіз їх властивостей показав, що найбільш
ефективним способом підвищення стійкості алгоритму навчання є застосування перетворення Хаусхолдера
Посилання
Браммер К., Зиффлинг Г. Фильтр Калмана-Бьюси / Пер.с нем. – М.: Наука, 1982. – 200 с.
Лоусон И., Хенсон Р. Численное решение задач метода наименьших квадратов / Пер. с англ. – М.: Наука,1986. – 232 с.
Bierman J. Factorization methods for discrete sequential estimation – N.Y.: Academic press, 1977. – 241 p.
Householder A.S. The theory of matrices in numerical analysis. – N.Y.: Blasedell Publ. Co., 1964. – 236 p.
Изерман Р. Цифровые системы управления / Пер. с англ. – М.: Мир. 1984. – 541 с.
Себер Дж. Линейный регрессионный анализ / Пер. с англ. – М.: Мир, 1980. – 456 c.
Поляк Б.Т. Введение в оптимизацию. – М.: Наука, 1983. – 384 с.
Forsythe G.E. Today’s methods of linear algebra // SIAM Rev. – 1967. – Vol.9. – P.489-515.
