Please use this identifier to cite or link to this item:
https://dspace.nplg.gov.ge/handle/1234/153521Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | ქოჩლაძე, ზურაბი | - |
| dc.contributor.author | Оганезов, Алексей | - |
| dc.date.accessioned | 2016-04-20T11:53:45Z | - |
| dc.date.available | 2016-04-20T11:53:45Z | - |
| dc.date.issued | 2006 | - |
| dc.identifier.uri | http://www.nplg.gov.ge/dspace/handle/1234/153521 | - |
| dc.description.tableofcontents | ВВЕДЕНИЕ–– АКТУАЛЬНОСТЬ ТЕМЫ–– ЦЕЛЬ РАБОТЫ––МЕТОДЫ ИССЛЕДОВАНИЯ–– НАУЧНАЯ НОВИЗНА––– ПРАКТИЧЕСКАЯ И ТЕОРЕТИЧЕСКАЯ ЦЕННОСТЬ РАБОТЫ–– РЕАЛИЗАЦИЯ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ–– АПРОБАЦИЯ РАБОТЫ–– ПУБЛИКАЦИИ–– ГЛАВА 1. СТРУКТУРА И СВОЙСТВА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ–– 1.1 МОЗГ И БИОЛОГИЧЕСКИЙ НЕЙРОН–– 1.1.1 Общее понятие о мозге и его строении–– 1.1.2 Биологический нейрон и нейронные сети–– 1.1.3 Аналогия между компьютером и человеческим мозгом–– 1.2 ИСКУССТВЕННЫЙ НЕЙРОН–– 1.2.1 Модель искусственного нейрона–– 1.2.2 Активационные функции–– 1.3 ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ (ИНС)–– 1.3.1 Однослойные искусственные нейронные сети–– 1.3.2 Многослойные искусственные нейронные сети–– 1.3.3 Нейронной сети с обратным распространением ошибки–– 1.3.4 Нейронные сети Хебба–– 1.3.5 Нейронные сети Хопфилда–– 1.3.6 Нейронные сети Хэмминга–– ГЛАВА 2. ПРОБЛЕМА КЛАССИФИКАЦИИ ОБРАЗОВ–– 2.1 РЕЦЕПТОРНАЯ СТРУКТУРА ВОСПРИЯТИЯ ИНФОРМАЦИИ–– 2.1.1 Понятие образа–– 2.1.2 Проблема распознавания образов–– 2.1.3 Геометрический и структурный подходы–– 2.1.4 Гипотеза компактности–– 2.1.5 Обучение–– самообучение и адаптация–– 2.1.6 Преобразование изображений в цифровой код–– 2.2 АЛГОРИТМИЧЕСКИЕ ПОСТРОЕНИЯ–– 2.2.1 Обучение искусственных нейронных сетей–– 2.2.2 Обучение с учителем–– 2.2.3 Обучение без учителя–– 2.2.4 Процесс обучения нейронных сетей–– 2.2.5 Алгоритм секущих плоскостей–– 2.2.6 Алгоритмы, основанные на методе потенциалов–– 2.2.7 Пример алгоритма обучения Персептрона с нерекуррентной сетью–– 2.2.8 Метод обучения Уидроу-Хоффа–– 2.2.9 Нейро-сетевая самоорганизация–– 2.3 ПЕРСЕПТРОН КАК МОДЕЛЬ РАСПОЗНАВАНИЯ–– 2.3.1 Устройство персептрона–– 2.3.2 Функции А-элементов–– 2.3.3 Персептрон как модель мозга–– 2.3.4 Узнающая машина Гамба–– 2.3.5 Многослойные персептроны и их представляемость–– 2.3.6 Проблема функции исключающее ИЛИ для персептронов–– 2.3.7 Эффективность запоминания–– 2.3.8 Обучение персептрона–– ГЛАВА 3. ЗАДАЧА МОДЕЛИРОВАНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ РАСПОЗНАВАНИЯ ОБРАЗОВ–– 3.1 ПОСТАНОВКА ЗАДАЧИ И СЛОЖНОСТИ–– СВЯЗАННЫЕ С ЕЕ РЕАЛИЗАЦИЕЙ–– 3.1.2 Декодирование изображения в BMP–– 3.2 АЛГОРИТМ И БЛОК-СХЕМА РАСПОЗНАВАНИЯ ОБРАЗОВ–– 3.2.2 Блок схема нейронной сети для распознавания образов–– 3.3 ПОЛУЧЕННЫЕ РЕЗУЛЬТАТЫ–– ЗАКЛЮЧЕНИЕ–– ЛИТЕРАТУРА–– ИНТЕРНЕТ РЕСУРСЫ–– ПРИЛОЖЕНИЕ–– ФРАГМЕНТЫ ПРОГРАММЫ–– ЛИСТИНГ–– ИЛЛЮСТРАЦИИ. | - |
| dc.format.extent | 149 გვ. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | თბილისი | en_US |
| dc.source | Применение нейронных сетей в задачах распознавания образов /А.Оганезов: Дис...канд.физ.-мат.наук 05.13.11 / Науч. рук. З.Ю. Кочладзе ; ТГУ - Тб., 2006 - 149с. - - Библиогр.: с109-114.(საქართველოს პარლამენტის ეროვნული ბიბლიოთეკა, საარქივო ფონდი) | en_US |
| dc.subject | მათემატიკა | en_US |
| dc.subject | ნეიროკიბერნეტიკა | en_US |
| dc.subject | გამოთვლითი ტექნიკა | en_US |
| dc.title | Применение нейронных сетей в задачах распознавания образов | en_US |
| dc.type | Thesis | en_US |
| dc.rights.holder | საქართველოს პარლამენტის ეროვნული ბიბლიოთეკა | en_US |
| Appears in Collections: | ეროვნული ბიბლიოთეკის დისერტაციებისა და ავტორეფერატების ფონდი | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Disertacia.pdf | 6.84 MB | Adobe PDF |  View/Open | |
| Avtoreferati.pdf | 1.16 MB | Adobe PDF |  View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.