Параллельная реализация решения задач прогнозирования и классификации на кластере на основе искусственных нейронных сетей

Рассмотрен подход к параллельному решению задач классификации и прогнозирования для аппарата искусственных нейронных сетей в условиях большой размерности исходных и результирующих данных. Получены временные характеристики решения задачи обучения нейронных сетей с различной архитектурой, количеством...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Datum:2010
Hauptverfasser: Минухин, С.В., Знахур, С.В.
Format: Artikel
Sprache:Russisch
Veröffentlicht: Інститут програмних систем НАН України 2010
Schlagworte:
Online Zugang:https://nasplib.isofts.kiev.ua/handle/123456789/14685
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:Параллельная реализация решения задач прогнозирования и классификации на кластере на основе искусственных нейронных сетей / С.В. Минухин, С.В. Знахур // Пробл. програмув. — 2010. — № 2-3. — С. 115-124. — Бібліогр.: 7 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine
Beschreibung
Zusammenfassung:Рассмотрен подход к параллельному решению задач классификации и прогнозирования для аппарата искусственных нейронных сетей в условиях большой размерности исходных и результирующих данных. Получены временные характеристики решения задачи обучения нейронных сетей с различной архитектурой, количеством нейронов и алгоритмов обучения. Приведены условия их эффективности при распараллеливании на вычислительном кластере. An approach to the parallel solution of problems of classification and prediction for the apparatus of artificial neural networks in a large dimension of input and output data. Obtain the temporal characteristics of solving the problem of training neural networks with different architectures, the number of neurons and learning algorithms. We give conditions for their effectiveness in parallelizing on a computational cluster.
ISSN:1727-4907