Нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж
Зі зростанням об’ємів даних для обробки та з ускладненням задач з обробки даних науковці та спеціалісти з індустрії поступаються складністю та швидкістю моделей штучних нейронних мереж (ШНМ) на користь покращення їх апроксимуючих здатностей. Підвищення складності моделей, зокрема збільшення глибини...
Saved in:
| Published in: | Проблеми керування та інформатики |
|---|---|
| Date: | 2023 |
| Main Authors: | , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2023
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/211071 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж / Є.В. Бодянський, С.О. Костюк // Проблеми керування та інформатики. — 2023. — № 6. — С. 94-105. — Бібліогр.: 19 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862556968607023104 |
|---|---|
| author | Бодянський, Є.В. Костюк, С.О. |
| author_facet | Бодянський, Є.В. Костюк, С.О. |
| citation_txt | Нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж / Є.В. Бодянський, С.О. Костюк // Проблеми керування та інформатики. — 2023. — № 6. — С. 94-105. — Бібліогр.: 19 назв. — укр. |
| collection | DSpace DC |
| container_title | Проблеми керування та інформатики |
| description | Зі зростанням об’ємів даних для обробки та з ускладненням задач з обробки даних науковці та спеціалісти з індустрії поступаються складністю та швидкістю моделей штучних нейронних мереж (ШНМ) на користь покращення їх апроксимуючих здатностей. Підвищення складності моделей, зокрема збільшення глибини та кількості шарів, призводить до небажаних ефектів, наприклад, зникаючого та вибухаючого градієнтів. Комерційні моделі ШНМ часто використовують кусково-лінійні активаційні функції типу ReLU для уникнення обчислювальних складнощів та прискорення навчання. Запропоновано адаптивну кусково-лінійну активаційну функцію (Adaptive Piece-Wise Activation — APWA) як адаптивну альтернативу для фіксованих кусково-лінійних активацій. Основою APWA-функції є адаптивне нечітке перетворення вхідного сигналу, реалізоване множиною функцій належності з адаптивними параметрами підсилення вихідного сигналу.
With the growing volume of data to process and the increasing complexity of data processing tasks, scientists and industry specialists are prioritizing the approximation capabilities of artificial neural network (ANN) models over their complexity and speed. The increase in model complexity, particularly the depth and number of layers, leads to undesirable effects such as vanishing and exploding gradients. Commercial ANN models often use piecewise linear activation functions, such as ReLU, to avoid computational difficulties and speed up training. An adaptive piecewise linear activation function (Adaptive Piece-Wise Activation — APWA) is proposed as an adaptive alternative to fixed piecewise linear activations. The foundation of the APWA function is an adaptive fuzzy transformation of the input signal, implemented with a set of membership functions and adaptive parameters for enhancing the output signal.
|
| first_indexed | 2026-03-13T07:11:31Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-211071 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Ukrainian |
| last_indexed | 2026-03-13T07:11:31Z |
| publishDate | 2023 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Бодянський, Є.В. Костюк, С.О. 2025-12-23T12:54:17Z 2023 Нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж / Є.В. Бодянський, С.О. Костюк // Проблеми керування та інформатики. — 2023. — № 6. — С. 94-105. — Бібліогр.: 19 назв. — укр. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/211071 004.8:004.032.26 10.34229/1028-0979-2023-6-7 Зі зростанням об’ємів даних для обробки та з ускладненням задач з обробки даних науковці та спеціалісти з індустрії поступаються складністю та швидкістю моделей штучних нейронних мереж (ШНМ) на користь покращення їх апроксимуючих здатностей. Підвищення складності моделей, зокрема збільшення глибини та кількості шарів, призводить до небажаних ефектів, наприклад, зникаючого та вибухаючого градієнтів. Комерційні моделі ШНМ часто використовують кусково-лінійні активаційні функції типу ReLU для уникнення обчислювальних складнощів та прискорення навчання. Запропоновано адаптивну кусково-лінійну активаційну функцію (Adaptive Piece-Wise Activation — APWA) як адаптивну альтернативу для фіксованих кусково-лінійних активацій. Основою APWA-функції є адаптивне нечітке перетворення вхідного сигналу, реалізоване множиною функцій належності з адаптивними параметрами підсилення вихідного сигналу. With the growing volume of data to process and the increasing complexity of data processing tasks, scientists and industry specialists are prioritizing the approximation capabilities of artificial neural network (ANN) models over their complexity and speed. The increase in model complexity, particularly the depth and number of layers, leads to undesirable effects such as vanishing and exploding gradients. Commercial ANN models often use piecewise linear activation functions, such as ReLU, to avoid computational difficulties and speed up training. An adaptive piecewise linear activation function (Adaptive Piece-Wise Activation — APWA) is proposed as an adaptive alternative to fixed piecewise linear activations. The foundation of the APWA function is an adaptive fuzzy transformation of the input signal, implemented with a set of membership functions and adaptive parameters for enhancing the output signal. uk Інститут кібернетики ім. В.М. Глушкова НАН України Проблеми керування та інформатики Роботи та системи штучного інтелекту Нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж A neuron based on adaptive fuzzy transformation for modern artificial neural network models Article published earlier |
| spellingShingle | Нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж Бодянський, Є.В. Костюк, С.О. Роботи та системи штучного інтелекту |
| title | Нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж |
| title_alt | A neuron based on adaptive fuzzy transformation for modern artificial neural network models |
| title_full | Нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж |
| title_fullStr | Нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж |
| title_full_unstemmed | Нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж |
| title_short | Нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж |
| title_sort | нейрон на основі адаптивного нечіткого перетворення для сучасних моделей штучних нейронних мереж |
| topic | Роботи та системи штучного інтелекту |
| topic_facet | Роботи та системи штучного інтелекту |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/211071 |
| work_keys_str_mv | AT bodânsʹkiiêv neironnaosnovíadaptivnogonečítkogoperetvorennâdlâsučasnihmodeleištučnihneironnihmerež AT kostûkso neironnaosnovíadaptivnogonečítkogoperetvorennâdlâsučasnihmodeleištučnihneironnihmerež AT bodânsʹkiiêv aneuronbasedonadaptivefuzzytransformationformodernartificialneuralnetworkmodels AT kostûkso aneuronbasedonadaptivefuzzytransformationformodernartificialneuralnetworkmodels |