Идентификация динамических объектов с помощью нейронных сетей на основе самоорганизующихся карт Кохонена

Основное содержимое статьи

А. Н. Аверкин
И. С. Повидало

Аннотация

Идентификация динамических объектов является одной из основных задач, для решения которых, наряду с множеством различных методов, могут быть применены нейронные сети. Идентификация объекта сильно затруднена, если присутствуют шумы в исходных данных, и некоторые из параметров объекта изменяются по неизвестным законам, или точное число параметров объекта неизвестно. В таких случаях для идентификации динамических объектов могут быть применены самообучающиеся нейронные сети, например самоорганизующиеся карты Кохонена и их модификации. Нейронным сетям именно такого типа будет уделено особое внимание в данной статье в виду их все более широкого распространения и успешного применения для решения различного рода задач, в том числе задач прогнозирования и идентификации.

Скачивания

Данные скачивания пока недоступны.

Информация о статье

Как цитировать
1.
Аверкин АН, Повидало ИС. Идентификация динамических объектов с помощью нейронных сетей на основе самоорганизующихся карт Кохонена. Системный анализ в науке и образовании [Интернет]. 14 сентябрь 2021 г. [цитируется по 19 апрель 2024 г.];(2):1-9. доступно на: https://sanse.ru/index.php/sanse/article/view/37
Раздел
Статьи

Библиографические ссылки

Хайкин С. Нейронные сети: полный курс, 2–е изд., испр., исправленное – М.: ООО «И.Д. Вильямс», 2006. – С. 1104.

Efremovaa N., Asakuraa N., Inuia T., Abdikeevb N. The Neural Network for View–Invariant Object Recognition and Classification (Additional Details). – 2012. – Pp. 1-4.

Трофимов А. Г., Повидало И. С., Чернецов С. А. Использование самообучающихся нейронных сетей для идентификации уровня глюкозы в крови больных сахарным диабетом 1 го типа // Наука и образование: электрон. журнал. – 2010. – №5. – [Электронный ресурс]. URl: http://technomag.edu.ru/doc/142908.html].

Luıs Gustavo M. Souza, Guilherme A. Barreto Multiple Local ARX Modeling for System Identification Using the Self–Organizing Map.

Koskela T. Neural network methods in analyzing and modelling time varying processes – Espoo, 2003. – Pp. 1-72.

Varsta M., Heikkonen J., A recurrent Self–Organizing Map for temporal sequence processing. – Springer, 1997. – Pp. 421-426.

Lotfi A., Garibaldi J. In Applications and Science in Soft Computing, Advances in Soft Computing Series – Springer, 2003. – Pp. 3-8.

Tokunaga K., Furukawa T. SOM of SOMs – Neural Networks. – 2009. – №22. – Pp. 463-478.

Tokunaga K., Furukawa T. Modular network SOM – Neural Networks. – 2009. – №22. – Pp. 82-90.

Наиболее читаемые статьи этого автора (авторов)