Nejronnaq set' s shipami (SNN) igraet wazhnuü rol' w zadachah klassifikacii. Hotq suschestwuet mnozhestwo modelej SNS, wo mnogih poslednih issledowatel'skih rabotah shiroko ispol'zuetsq äwolücioniruüschaq spikernaq nejronnaq set' (ESNN). Jewolücionnye algoritmy, w osnownom differencial'naq äwolüciq (DE), byli ispol'zowany dlq uluchsheniq algoritma ESNN. Odnako mnogie real'nye optimizacionnye zadachi wklüchaüt w sebq neskol'ko protiworechiwyh celej. V ätoj knige dlq uluchsheniq proizwoditel'nosti MOO s ESNN ispol'zowalsq garmonichnyj poisk (HS) i memeticheskij podhod. V rezul'tate dlq uluchsheniq struktury i tochnosti ESNN byla primenena memeticheskaq garmonichnaq poiskowaq mnogocelewaq differencial'naq äwolüciq s äwolücioniruüschej spikernoj nejronnoj set'ü (MEHSMODE-ESNN). Dlq ocenki äffektiwnosti ätoj uluchshennoj mnogocelewoj gibridnoj modeli ispol'zuütsq standartnye nabory dannyh iz UCI machine learning. Jexperimental'nye rezul'taty pokazali, chto memeticheskaq model' garmonichnogo poiska mnogocelewoj differencial'noj äwolücii s äwolücioniruüschej spikernoj nejronnoj set'ü (MEHSMODE-ESNN) daet luchshie rezul'taty s tochki zreniq tochnosti i struktury seti.
Bitte wählen Sie Ihr Anliegen aus.
Rechnungen
Retourenschein anfordern
Bestellstatus
Storno