Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами
Практическое применение q-нарных моделей Поттса осложняется высокими требованиями к оперативной
 памяти (необходимо 32N^2q^2 бит, где N – число нейронов, q – число состояний нейрона). В работе
 исследуется модифицированная модель Поттса с бинаризованными синаптическими коэффициентами...
Збережено в:
| Дата: | 2008 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2008
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/7148 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами / Б.В. Крыжановский, В.М. Крыжановский // Штучний інтелект. — 2008. — № 3. — С. 540-547. — Бібліогр.: 13 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862728175310602240 |
|---|---|
| author | Крыжановский, Б.В. Крыжановский, В.М. |
| author_facet | Крыжановский, Б.В. Крыжановский, В.М. |
| citation_txt | Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами / Б.В. Крыжановский, В.М. Крыжановский // Штучний інтелект. — 2008. — № 3. — С. 540-547. — Бібліогр.: 13 назв. — рос. |
| collection | DSpace DC |
| description | Практическое применение q-нарных моделей Поттса осложняется высокими требованиями к оперативной
памяти (необходимо 32N^2q^2 бит, где N – число нейронов, q – число состояний нейрона). В работе
исследуется модифицированная модель Поттса с бинаризованными синаптическими коэффициентами.
Процедура бинаризации позволяет в 32 раза уменьшить размер требуемой оперативной памяти (N^2q^2 бит) и
более чем в q раз ускорить алгоритм. Ожидалось, что бинаризация приведет к ухудшению распознающих
характеристик. Однако анализ показал неожиданные результаты: процедура бинаризации приводит к
увеличению объема нейросетевой памяти в 2 раза. Полученные результаты согласуются с проведенными
экспериментами.
Практичне застосування q-нарних моделей Поттса ускладнюється високими вимогами до оперативної
пам’яті (необхідно 32N^2q^2 біт, де N – число нейронів, q – число станів нейрона). У роботі досліджується
модифікована модель Поттса з бінаризованими синаптичними коефіцієнтами. Процедура бінаризації
дозволяє в 32 рази зменшити розмір необхідної оперативної пам’яті (N^2q^2 біт) і більш ніж в q разів
прискорити алгоритм. Очікувалося, що бінаризація призведе до погіршення розпізнавальних характеристик.
Проте аналіз показав несподівані результати: процедура бінаризації приводить до збільшення об’єму
нейромережної пам’яті в 2 рази. Отримані результати узгоджуються з проведеними експериментами.
Practical applications of q-state Potts models are complicated, as they require very large RAM (32N^2q^2 bits,
where N is the number of neurons and q is the number of the states of a neuron). In this work we examine a
modified Potts model with binarized synaptic coefficients. The procedure of binarization allows one to make
the required RAM 32 times smaller (N^2q^2 bits), and the algorithm more than q times faster. One would expect
that the binarization worsens the recognizing properties. However, our analysis shows an unexpected result:
the binarization procedure leads to the increase of the storage capacity by a factor of 2. The obtained results
are in a good agreement with the results of computer simulations.
|
| first_indexed | 2025-12-07T19:07:10Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-7148 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-07T19:07:10Z |
| publishDate | 2008 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Крыжановский, Б.В. Крыжановский, В.М. 2010-03-24T18:12:54Z 2010-03-24T18:12:54Z 2008 Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами / Б.В. Крыжановский, В.М. Крыжановский // Штучний інтелект. — 2008. — № 3. — С. 540-547. — Бібліогр.: 13 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/7148 681.3 Практическое применение q-нарных моделей Поттса осложняется высокими требованиями к оперативной
 памяти (необходимо 32N^2q^2 бит, где N – число нейронов, q – число состояний нейрона). В работе
 исследуется модифицированная модель Поттса с бинаризованными синаптическими коэффициентами.
 Процедура бинаризации позволяет в 32 раза уменьшить размер требуемой оперативной памяти (N^2q^2 бит) и
 более чем в q раз ускорить алгоритм. Ожидалось, что бинаризация приведет к ухудшению распознающих
 характеристик. Однако анализ показал неожиданные результаты: процедура бинаризации приводит к
 увеличению объема нейросетевой памяти в 2 раза. Полученные результаты согласуются с проведенными
 экспериментами. Практичне застосування q-нарних моделей Поттса ускладнюється високими вимогами до оперативної
 пам’яті (необхідно 32N^2q^2 біт, де N – число нейронів, q – число станів нейрона). У роботі досліджується
 модифікована модель Поттса з бінаризованими синаптичними коефіцієнтами. Процедура бінаризації
 дозволяє в 32 рази зменшити розмір необхідної оперативної пам’яті (N^2q^2 біт) і більш ніж в q разів
 прискорити алгоритм. Очікувалося, що бінаризація призведе до погіршення розпізнавальних характеристик.
 Проте аналіз показав несподівані результати: процедура бінаризації приводить до збільшення об’єму
 нейромережної пам’яті в 2 рази. Отримані результати узгоджуються з проведеними експериментами. Practical applications of q-state Potts models are complicated, as they require very large RAM (32N^2q^2 bits,
 where N is the number of neurons and q is the number of the states of a neuron). In this work we examine a
 modified Potts model with binarized synaptic coefficients. The procedure of binarization allows one to make
 the required RAM 32 times smaller (N^2q^2 bits), and the algorithm more than q times faster. One would expect
 that the binarization worsens the recognizing properties. However, our analysis shows an unexpected result:
 the binarization procedure leads to the increase of the storage capacity by a factor of 2. The obtained results
 are in a good agreement with the results of computer simulations. Работа поддержана грантом РФФИ (06-01-00109). ru Інститут проблем штучного інтелекту МОН України та НАН України Нейросетевые и нечеткие системы Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами Модифікована q-нарна модель Поттса з бінаризованими синаптичними коефіцієнтами Modified q-state Potts Model with Binarized Synaptic Coefficients Article published earlier |
| spellingShingle | Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами Крыжановский, Б.В. Крыжановский, В.М. Нейросетевые и нечеткие системы |
| title | Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами |
| title_alt | Модифікована q-нарна модель Поттса з бінаризованими синаптичними коефіцієнтами Modified q-state Potts Model with Binarized Synaptic Coefficients |
| title_full | Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами |
| title_fullStr | Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами |
| title_full_unstemmed | Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами |
| title_short | Модифицированная q-нарная модель Поттса с бинаризованными синаптическими коэффициентами |
| title_sort | модифицированная q-нарная модель поттса с бинаризованными синаптическими коэффициентами |
| topic | Нейросетевые и нечеткие системы |
| topic_facet | Нейросетевые и нечеткие системы |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/7148 |
| work_keys_str_mv | AT kryžanovskiibv modificirovannaâqnarnaâmodelʹpottsasbinarizovannymisinaptičeskimikoéfficientami AT kryžanovskiivm modificirovannaâqnarnaâmodelʹpottsasbinarizovannymisinaptičeskimikoéfficientami AT kryžanovskiibv modifíkovanaqnarnamodelʹpottsazbínarizovanimisinaptičnimikoefícíêntami AT kryžanovskiivm modifíkovanaqnarnamodelʹpottsazbínarizovanimisinaptičnimikoefícíêntami AT kryžanovskiibv modifiedqstatepottsmodelwithbinarizedsynapticcoefficients AT kryžanovskiivm modifiedqstatepottsmodelwithbinarizedsynapticcoefficients |