Анализ свойств и критерии сравнения нейросетевых моделей для решения задач диагностики и распознавания образов

• Veröffentlicht in: Реєстрація, зберігання і обробка даних
• Datum: 2009
• 1. Verfasser: Субботин, С.А.
• Format: Artikel
• Sprache: Russisch
• Veröffentlicht: Інститут проблем реєстрації інформації НАН України 2009
• Schlagworte: Технічні засоби отримання і обробки даних
• Online Zugang: https://nasplib.isofts.kiev.ua/handle/123456789/50390
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Zitieren: Анализ свойств и критерии сравнения нейросетевых моделей для решения задач диагностики и распознавания образов / С.А. Субботин // Реєстрація, зберігання і обробка даних. — 2009. — Т. 11, № 3. — С. 42-52. — Бібліогр.: 7 назв. — pос.

Предложен комплекс критериев, позволяющих численно оценивать свойства нейронных и нейро-нечетких сетей: пластичность, однородность, параллелизм вычислений, иерархичность, предорганизацию в обучении, функциональную блочность, обобщение, обучаемость, интерпретабельность, надежность, распределенность памяти, вариативность моделей, эффективность. Применение предложенных критериев на практике позволяет автоматизировать процесс построения нейросетевых моделей для решения задач диагностики и распознавания образов. Запропоновано комплекс критеріїв, що дозволяють чисельно оцінювати властивості нейронних і нейро-нечітких мереж: пластичність, однорідність, паралелізм обчислень, ієрархічність, попередню організацію в навчанні, функціональну блочність, узагальнення, навченість, інтерпретабельність, надійність, розподіленість пам’яті, варіативність моделей, ефективність. Застосування запропонованих критеріїв на практиці дозволяє автоматизувати процес побудови нейромережних моделей для вирішення завдань діагностики та розпізнавання образів. The set of criteria for numerical estimation of neural and neuro-fuzzy network properties is proposed. It allows to estimate flexibility, uniformity, computation parallelism, hierarchy, preliminary organization in training, functional modularity, generalization, trainability, interpretability, reliability, memory distribution, model variability, and effectiveness. Applying the proposed criteria in practice allows to automate the process of neural-network model building for solving diagnostics and pattern recognition problems.