Нейронные сети для распознавания образов
Neural Networks for Pattern Recognition
1995-11-23
SCID: 54.1/9sq9cnxh
Discuss with AI
байесовские методысети с прямой связьюмногослойный перцептронраспознавание образовсеть с радиальными базисными функциями
Figures from the paper
Abstract (AI)
В этой книге впервые дается всестороннее изложение прямых (feed-forward) нейронных сетей с точки зрения статистического распознавания образов. После введения в базовые понятия распознавания образов книга описывает методы моделирования функций плотности вероятности и обсуждает свойства и относительные преимущества моделей многослойного персептрона и сетей с радиально-базисными функциями. Также обосновывается использование различных форм функций ошибки и рассматриваются основные алгоритмы минимизации функций ошибки. Помимо подробного обсуждения обучения и обобщения в нейронных сетях, книга охватывает важные темы предобработки данных, выделения признаков и априорных знаний. Книга завершается обширным изложением байесовских методов и их применений в нейронных сетях.
Key Findings
1
Рассматривается включение априорных знаний в модели нейронных сетей.
2
Сравниваются свойства и относительные достоинства многослойных перцептронов и сетей с радиально-базисными функциями.
3
Описаны методы моделирования функций плотности вероятности, актуальные для распознавания образов с помощью нейросетей.
4
Обосновывается и анализируется использование различных функций ошибки и рассматриваются основные алгоритмы минимизации функций ошибки.
5
Дано подробное обсуждение обучения и обобщения в нейронных сетях, включая обработку данных и извлечение признаков.
6
Представлено обстоятельное изложение байесовских методов и их применения к нейронным сетям.
7
Представлено всестороннее изложение прямых нейронных сетей с позиции статистического распознавания образов.
Research Object
Прямые (feed-forward) нейронные сети (многослойный персептрон и радиально-базисные сети)
Research Subject
Их применение в статистическом распознавании образов, включая моделирование плотностей вероятности, функции ошибки и алгоритмы их минимизации, обучение и обобщение, обработку данных, выделение признаков, интеграцию априорных знаний и байесовские методы
Publication Details
Publication Date
1995-11-23
Journal
Publisher
ISSN
Cited by
12310
Access Type
Author Information
Download PDF
Subscribe to digest
Работы, цитирующие эту статью20
Глубокое остаточное обучение для распознавания изображений2016
Двунаправленные рекуррентные нейронные сети1997
Модель графовой нейронной сети2008
Глубокое обучение в анализе медицинских изображений2017
Полуобучение2006
Текст как данные: перспективы и недостатки методов автоматического контент-анализа политических текстов2013
Homo Heuristicus: почему предвзятые умы делают лучшие выводы2009
Алгоритм k-means: всесторонний обзор и оценка производительности2020
Анализ ЭКГ: новый подход к идентификации человека2001
Обзор стратегий планирования пути для навигации мобильных роботов2019
Обзор статистических сетевых моделей2010
neuralnet: Обучение нейронных сетей2010
Прогнозирование банкротства для кредитного риска с использованием нейронных сетей: обзор и новые результаты2001
Искусственный интеллект в маркетинге, исследовании потребителей и психологии: систематический обзор литературы и исследовательская повестка2021
Интерфейсы мозг—машина: от фундаментальной науки к нейропротезированию и нейрореабилитации2017
Обзор отбора признаков и его методов2019
Стохастические нейронные вычисления. I. Вычислительные элементы2001
Характеризация влияния бедных зон и распределения сланца на эффективность извлечения при SAGD2014
Нейронаука и грамотность: интегративный взгляд2021
Предсказание внутренней неупорядоченности белков с учетом длины2006