Идентификация нейро-нечетких моделей для данных больших объемов
Copyright policy )Идентификация нейро-нечетких моделей для данных больших объемов
Статья посвящена проблеме идентификации нейро-нечетких моделей структуры ANFIS. Исследуется применение алгоритма параметрической идентификации нейро-нечетких моделей на основе псевдообращения и линейно-нелинейного соотношения. Анализируются вопросы построения моделей для обучающих множеств, содержащих большой объем данных
The article is devoted to problem of identification of neuro-fuzzy models with ANFIS structure. Application of the algorithm based on linear-nonlinear correlation for parameters identification of neuro-fuzzy models is investigated. Issues of models building for training datasets of large amounts are analyzed
НЕЙРО-НЕЧЕТКОЕ МОДЕЛИРОВАНИЕ,НЕЙРОСТРУКТУРНЫЕ МОДЕЛИ,БОЛЬШИЕ ОБЪЕМЫ ДАННЫХ,NEURO-FUZZY MODELING,NEUROSTRUCTURAL MODELS,DATA OF LARGE AMOUNTS
НЕЙРО-НЕЧЕТКОЕ МОДЕЛИРОВАНИЕ,НЕЙРОСТРУКТУРНЫЕ МОДЕЛИ,БОЛЬШИЕ ОБЪЕМЫ ДАННЫХ,NEURO-FUZZY MODELING,NEUROSTRUCTURAL MODELS,DATA OF LARGE AMOUNTS
selected citations These citations are derived from selected sources.This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).0 popularity This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network.Average influence This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).Average impulse This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network.Average
Citations provided by BIP!Popularity provided by BIP!