Решение задач в области искусственного интеллекта, связанных с обработкой темпоральных данных. Архитектура рекуррентных нейросетей Джордана-Элмана. Использование концептов теории динамических систем и обоснование возможностей коннекционистских моделей.
ГИБРИДНЫЕ КОННЕКЦИОНИСТСКИЕ МОДЕЛИ ИЗВЛЕЧЕНИЯ ТЕМПОРАЛЬНЫХ ЗНАНИЙ ИЗ БАЗ ДАННЫХ Ковалев С.М., д.т.н., профессор Ростовский государственный университет путей сообщения Проблема выявления темпоральных знаний является центральной при решении многих задач в области искусственного интеллекта, связанных с интеллектуальным анализом и обработкой темпоральных данных. Первое традиционное направление заключается в явном представлении времени путем ассоциации порядка следования событий в темпоральном образе с вектором упорядоченных во времени событий. Новый развивающийся класс коннекционистских моделей представления темпоральных знаний на основе специального вида рекуррентных нейронных сетей (RNN) с контекстными слоями нейронов [1,2] оказывается лишенным отмеченных недостатков. Доказательная база под этот факт впервые была подведена в работке [3], где было предложено использовать RNN с дополнительным контекстным слоем нейронов в качестве средства для осуществления темпоральных обобщений, а затем эта идея была существенно развита в работах Д.
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
