Нейронные сети для распознавания образов
Neural networks for pattern recognition
1994-06-01
SCID: 54.1/hfswvq6n
Discuss with AI
байесовские методыпрямые (feed-forward) нейронные сетимногослойный перцептронсеть радиальных базисных функцийстатистическое распознавание образов
Figures from the paper
Abstract (AI)
От издателя: Это первое всестороннее изложение прямых (feed-forward) нейронных сетей с точки зрения статистического распознавания образов. После введения основных понятий книга рассматривает методы моделирования функций плотности вероятности и свойства и достоинства моделей многослойного перцептрона и сетей с радиальными базисными функциями. Также охвачены различные формы функций ошибки, основные алгоритмы минимизации функций ошибки, обучение и обобщение в нейронных сетях, а также байесовские методы и их приложения. Предназначенная в качестве учебного пособия, с более чем 100 упражнениями, эта полностью обновлённая работа будет полезна всем, кто занимается нейрокомпьютингом и распознаванием образов.
Key Findings
1
Рассматриваются методы моделирования функций плотности вероятности, значимые для распознавания образов.
2
Рассмотрены обучение, обобщение в нейронных сетях и байесовские методы и их приложения для практического использования.
3
Книга представляет всестороннее изложение прямых (feed-forward) нейронных сетей с точки зрения статистического распознавания образов.
4
Анализируются и сопоставляются свойства и достоинства моделей многослойного персептрона и сетей с радиальными базисными функциями.
5
Приведены различные формы функций ошибки и основные алгоритмы для минимизации функций ошибки.
Research Object
Прямые (feed-forward) нейронные сети (включая многослойные персептроны и сети радиальных базисных функций), используемые для статистического распознавания образов
Research Subject
Методы и свойства, связанные с моделированием плотностей вероятности, функциями ошибки и их минимизацией, обучением, обобщением и байесовскими подходами для распознавания образов с использованием прямых нейронных сетей
Publication Details
Publication Date
1994-06-01
Journal
Publisher
ISSN
Access Type
Author Information
Download PDF
Subscribe to digest
Работы, цитирующие эту статью19
Алгоритм k-means: всесторонний обзор и оценка производительности2020
Автоматизированное машинное обучение: обзор современного состояния и перспективы применения в здравоохранении2020
Обзор отбора признаков и его методов2019
Глубокое остаточное обучение для распознавания изображений2016
Характеризация влияния бедных зон и распределения сланца на эффективность извлечения при SAGD2014
Текст как данные: перспективы и недостатки методов автоматического контент-анализа политических текстов2013
Data Mining: концепции и методы2012
О переобучении при выборе модели и последующей смещённости выбора в оценке качества2010
neuralnet: Обучение нейронных сетей2010
Homo Heuristicus: почему предвзятые умы делают лучшие выводы2009
Модель графовой нейронной сети2008
Распознавание номерных знаков на неподвижных изображениях и видеопоследовательностях: обзор2008
Обзор алгоритмов классификации для интерфейсов мозг–компьютер на основе электроэнцефалографии2007
Алгоритм распознавания номерных знаков для приложений интеллектуальных транспортных систем2006
Предсказание внутренней неупорядоченности белков с учетом длины2006
Гауссовы процессы для машинного обучения2005
Анализ ЭКГ: новый подход к идентификации человека2001
Двунаправленные рекуррентные нейронные сети1997
Распознавание образов и нейронные сети1996