MẠNG NƠRON NHÂN TẠO VÀ ỨNG DỤNG

Ứng dụng mạng nơron xoắn cho việc nhận dạng ảnh (tt)Ứng dụng mạng nơron xoắn cho việc nhận dạng ảnh (tt)Ứng dụng mạng nơron xoắn cho việc nhận dạng ảnh (tt)Ứng dụng mạng nơron xoắn cho việc nhận dạng ảnh (tt)Ứng dụng mạng nơron xoắn cho việc nhận dạng ảnh (tt)Ứng dụng mạng nơron xoắn cho việc nhận d[r]

processing) trở nên một chủ đề thu hút được nhiều quan tâm dưới cái tênconnectionism.Mạng truyền ngược (backpropagation) có lẽ đã là nguyên nhân chính củasự tái xuất của mạng nơ-ron từ khi công trình "Learning Internal Representationsby Error Propagation" (học các biểu diễn bên trong b[r]

Dựa vào tri thức của các chuyên gia theo các tiêu chuẩn đã nêu, có thể xây dựng một hệ chuyên gia để dự báo các sự cố tiềm ẩn trong MBA. Giao diện của chương trình được trình bày ở hình 1.Quá trình học của mạng nơron cần một lượng lớn dữ liệu, đầu vào là các số liệu thực tế. Tuy nhiên,[r]

KẾT HỢP HỆ CHUYÊN GIA VÀ NƠRON NHÂN TẠO CHẨN ĐOÁN SỰ CỐ TIỀM ẨNTRONG MÁY BIẾN ÁP LỰCCOMBINATION OF EXPERT SYSTEM AND ARTIFICIAL NEURAL NETWORK TO DIAGNOSE POWER TRANSFORMER INCIPIENT FAULTSTÓM TẮTNhững sự cố tiềm ẩn trong máy biến áp lực (MBA) được dự báo bằng nhiều phương pháp khác nh[r]

Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế trường hợp thị trường chứng khoán Việt Nam

Tiêu đề: Ứng dụng mô hình mạng thần kinh nhân tạo trong dự báo kinh tế trường hợp thị trường chứng khoán Việt Nam
2012 2012 (1 luận án)
Hiển thị tất cả luận án của luận án này
Liệt kê theo n[r]

Do vậy nhu cầu về trợ giúp cho công tác chọn thầu trở nên khá bức thiết và việc áp dụng trí tuệ nhân tạo là lĩnh vực cần khuyến khích áp dụng trong ngành xây dựng ở Việt Nam.
2. MỤC ĐÍCH VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Từ nhu cầu nảy sinh nêu trên,[r]

Quá trình quá độSIMEMô hình đẳng trị một máy phát (Single Machine Equivalent)ixChương 1Giới thiệu chungTrong quá trình lập phương thức vận hành cho hệ thống điện cũng như trongquá trình vận hành thời gian thực, việc đánh giá được chính xác và nhanh chóngmức độ ổn định của hệ thống theo các tiêu chuẩ[r]

x x x và ( )1, ... , ,... , j sOut Out Out, trong đó jOut được xác định bởi jOut =max[min( ), i ijx w], ijw là phần tử của ma trận trọng số Wquyết định số lượng kết nối (xem trong hình 3.1).Vì vậy, chúng ta đang xem xét một mạng nơron không có lớp ẩn, trong đó đầu vào là các giá trị [[r]

LỜI MỞ ĐẦUMạng Nơron Nhân Tạo -Artificial Neural Network (ANN) là 1 mạng cókhả năng mô phỏng và học hỏi mạnh mẽ. ANN có thể mô phỏng gần như bất cứhàm mục tiêu nào với số biến nhập và xuất tuỳ ý, ở điểm này thì có lẽ chưa có8một phương pháp nào trước đây đạt được. ANN còn có một[r]

số học lớn. Một phƣơng pháp thƣờng dùng cho phép sử dụng hằng số học lớn là thêm thành phần quán tính vào các phƣơng trình hiệu chỉnh các trọng số. Ngoài ra, hằng số quán tính ngăn cản sự thay đổi đột ngột của các trọng số theo hƣớng khác với hƣớng mà lời giải đang di chuyển đến. Mặt trái của việc s[r]

x đến nơron j.Một nơron có thể có nhiều đầu vào nhưng chỉ có một tín hiệu đầu ra. Tínhiệu đầu vào của một nơron có thể là dữ liệu từ bên ngoài mạng, hoặc đầu ra củamột nơron khác, hoặc là đầu ra của chính nó.Nhằm tăng khả năng thích nghi của mạng nơron