Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Hopfield" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-9 z 9
    Tytuł:
    The hopfield neural network in the aspect of the stabilization of the displacement phenomenon
    Autorzy:
    Gil, J.
    Mrówczyńska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/224387.pdf
    Data publikacji:
    2007
    Wydawca:
    Politechnika Warszawska. Wydział Geodezji i Kartografii
    Tematy:
    sieci neuronowe typu Hopfielda
    pomiary geodezyjne
    Hopfield neural network
    displacement phenomenon
    engineering surveying
    Źródło:
    Reports on Geodesy; 2007, z. 1/82; 75-80
    0867-3179
    Pojawia się w:
    Reports on Geodesy
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Anti-periodic solutions for Clifford-valued high-order Hopfield neural networks with state-dependent and leakage delays
    Autorzy:
    Huo, Nina
    Li, Bing
    Li, Yongkun
    Powiązania:
    https://bibliotekanauki.pl/articles/330171.pdf
    Data publikacji:
    2020
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    Hopfield neural network
    anti-periodic solution
    coincidence degree
    time-varying delay
    sieć neuronowa Hopfielda
    stopień koincydencji
    opóźnienie czasowo zależne
    Opis:
    A class of Clifford-valued high-order Hopfield neural networks (HHNNs) with state-dependent and leakage delays is considered. First, by using a continuation theorem of coincidence degree theory and the Wirtinger inequality, we obtain the existence of anti-periodic solutions of the networks considered. Then, by using the proof by contradiction, we obtain the global exponential stability of the anti-periodic solutions. Finally, two numerical examples are given to illustrate the feasibility of our results.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2020, 30, 1; 83-98
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Stability analysis of high-order Hopfield-type neural networks based on a new impulsive differential inequality
    Autorzy:
    Liu, Y.
    Yang, R.
    Lu, J.
    Wu, B.
    Cai, X.
    Powiązania:
    https://bibliotekanauki.pl/articles/330348.pdf
    Data publikacji:
    2013
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    impulsive differential inequality
    globally exponential stability
    high order Hopfield type neural network
    nierówność różniczkowa
    stabilność wykładnicza
    sieć neuronowa Hopfielda
    Opis:
    This paper is devoted to studying the globally exponential stability of impulsive high-order Hopfield-type neural networks with time-varying delays. In the process of impulsive effect, nonlinear and delayed factors are simultaneously considered. A new impulsive differential inequality is derived based on the Lyapunov–Razumikhin method and some novel stability criteria are then given. These conditions, ensuring the global exponential stability, are simpler and less conservative than some of the previous results. Finally, two numerical examples are given to illustrate the advantages of the obtained results.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2013, 23, 1; 201-211
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural networks for the N-Queens Problem : a review
    Autorzy:
    Mańdziuk, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/205945.pdf
    Data publikacji:
    2002
    Wydawca:
    Polska Akademia Nauk. Instytut Badań Systemowych PAN
    Tematy:
    optymalizacja kombinatoryczna
    problem n-hetmanów
    sieć Hopfielda
    sieć neuronowa
    combinatorial optimization
    Hopfield network
    N-Queens Problem
    neural networks
    Opis:
    Neural networks can be successfully applied to solving certain types of combinatorial optimization problems. In this paper several neural approaches to solving constrained optimization problems are presented and their properties discussed. The main goal of the paper is to present various improvements to the wellknown Hopfield models which are intensively used in combinatorial optimization domain. These improvements include deterministic modifications (binary Hopfield model with negative self-feedback connections and Maximum Neural Network model), stochastic modifications (Gaussian Machine), chaotic Hopfield-based models (Chaotic Neural Network and Transiently Chaotic Neural Network), hybrid approaches (Dual-mode Dynamic Neural Network and Harmony Theory approach) and finally modifications motivated by digital implementation feasibility (Strictly Digital Neural Network). All these models are compared based on a commonly used benchmark prohlem - the N-Queens Problem (NQP). Numerical results indicate that each of modified Hopfield models can be effectively used to solving the NQP. Coonvergence to solutions rate of these methods is very high - usually close to 100%. Experimental time requirements are generally low - polynomial in most casos. Some discussion of non-neural, heuristic approaches to solving the NQP is also presented in the paper.
    Źródło:
    Control and Cybernetics; 2002, 31, 2; 217-248
    0324-8569
    Pojawia się w:
    Control and Cybernetics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Metody uczenia sieci neuronowej Hopfielda
    Learning methods for the Hopfield neural network
    Autorzy:
    Matusik, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/154183.pdf
    Data publikacji:
    2009
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sieci neuronowe
    Hopfield
    reguły uczenia
    neural networks
    learning methods
    Opis:
    W artykule przedstawione zostały od strony teoretycznej i porównane od strony praktycznej różne metody uczenia sieci neuronowej Hopfielda. Oprócz znanej i powszechnie stosowanej reguły Hebba, przedstawione zostały modyfikacje tej metody. W celu porównania reguł uczenia sieci Hopfielda napisana została specjalna aplikacja, w której zaimplementowane zostały przedstawione w artykule metody. Regułą najlepiej rozpoznającą zapamiętane wzorce okazała się metoda pseudoinwersji
    The Hopfield neural network can have many applications, such as approximation, compression, association, steering or patterns recognition. If the neural network is used for association, it is an associative memory. This task consists in original patterns recognition even when the Hopfield neural network is cued with distorted patterns. In this paper various learning methods for the Hopfield neural network are presented from the theoretical point of view and they are compared from the practical point of view. Besides the well known and generally used Hebb rule, there are presented its modifications as well. In order to compare the learning methods for the Hopfield neural network, a special application in which there are implemented the methods described in the paper is written. Section 2 contains the Hopfield neural network model, the Hopfield neural network definition and the neural network general schematic. There is also de-scribed the activation function used for testing the Hopfield neural network. Section 3 gives various Hopfield network learning rules, such as the original Hebb method, its modifications, the Oja rule and pseudoinversion rule. In Section 4 the testing process and its results are presented. The main task of this neural network is patterns recognition. The Hopfield neural network stored 10 patterns. Each of the stored patterns had 35 neurons. Then the neural network was cued with distorted patterns. The tests proved that the pseudoinversion rule recognized the patterns in the best way.
    Źródło:
    Pomiary Automatyka Kontrola; 2009, R. 55, nr 7, 7; 521-523
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Pseudo-orthogonalization of memory patterns for complex-valued and quaternionic associative memories
    Autorzy:
    Minemoto, T.
    Isokawa, T.
    Nishimura, H.
    Matsui, N.
    Powiązania:
    https://bibliotekanauki.pl/articles/91608.pdf
    Data publikacji:
    2017
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    Hopfield neural network
    pseudo-orthogonalization
    complex numbers
    quaternions
    Opis:
    Hebbian learning rule is well known as a memory storing scheme for associative memory models. This scheme is simple and fast, however, its performance gets decreased when memory patterns are not orthogonal each other. Pseudo-orthogonalization is a decorrelating method for memory patterns which uses XNOR masking between the memory patterns and randomly generated patterns. By a combination of this method and Hebbian learning rule, storage capacity of associative memory concerning non-orthogonal patterns is improved without high computational cost. The memory patterns can also be retrieved based on a simulated annealing method by using an external stimulus pattern. By utilizing complex numbers and quaternions, we can extend the pseudo-orthogonalization for complex-valued and quaternionic Hopfield neural networks. In this paper, the extended pseudo-orthogonalization methods for associative memories based on complex numbers and quaternions are examined from the viewpoint of correlations in memory patterns. We show that the method has stable recall performance on highly correlated memory patterns compared to the conventional real-valued method.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2017, 7, 4; 257-264
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Decision system for stock data forecasting based on Hopfield artificial neural network
    System decyzyjny do przewidywania cen akcji oparty na sztucznej sieci neuronowej Hopfielda
    Autorzy:
    Paluch, M.
    Jackowska-Strumiłło, L.
    Powiązania:
    https://bibliotekanauki.pl/articles/407729.pdf
    Data publikacji:
    2016
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    hybrid intelligent system
    Hopfield artificial neural network
    hybrydowy inteligentny system
    sztuczna sieć neuronowa Hopfielda
    Opis:
    The paper describes a new method using Hopfield artificial neural network combined with technical analysis fractal analysis and feed-forward artificial neural networks for predicting share prices for a next day on a Stock Exchange. The developed method and networks are implemented in an Expert System, which is proposed as a valuable comprehensive, analytical tool. A new algorithm for artificial neural networks training and testing is also presented. It automatically chooses the best network structure, and the most important input parameters
    Artykuł opisuje nową metodę zastosowania sztucznej sieci neuronowej Hopfielda połączonej z analizą techniczną, fraktalną oraz jednokierunkowymi sztucznymi sieciami neuronowymi do przewidywania przyszłych cen akcji na Giełdzie Papierów Wartościowych. Opisane nowe metody zostały zaimplementowane w systemie ekspertowym, który jest polecany jako kompleksowe narzędzie do badania aktualnych i przyszłych zachowań rynku. Zaprezentowany został również algorytm nauki testowania sztucznych sieci neuronowych, który na końcu wybiera najlepszą z nich.
    Źródło:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska; 2016, 2; 28-33
    2083-0157
    2391-6761
    Pojawia się w:
    Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Stability of impulsive Hopfield neural networks with Markovian switching and time-varying delays
    Autorzy:
    Raja, R.
    Sakthivel, R.
    Anthoni, S. M.
    Kim, H.
    Powiązania:
    https://bibliotekanauki.pl/articles/907824.pdf
    Data publikacji:
    2011
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    sieć neuronowa
    stateczność stochastyczna
    funkcja Lapunowa
    Hopfield neural networks
    Markovian jumping
    stochastic stability
    Lyapunov function
    impulses
    Opis:
    The paper is concerned with stability analysis for a class of impulsive Hopfield neural networks with Markovian jumping parameters and time-varying delays. The jumping parameters considered here are generated from a continuous-time discrete-state homogenous Markov process. By employing a Lyapunov functional approach, new delay-dependent stochastic stability criteria are obtained in terms of linear matrix inequalities (LMIs). The proposed criteria can be easily checked by using some standard numerical packages such as theMatlab LMI Toolbox. A numerical example is provided to show that the proposed results significantly improve the allowable upper bounds of delays over some results existing in the literature.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2011, 21, 1; 127-135
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural network models for combinatorial optimization : a survey of deterministic, stochastic and chaotic approaches
    Autorzy:
    Smith, K.
    Potvin, J.
    Kwok, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/205943.pdf
    Data publikacji:
    2002
    Wydawca:
    Polska Akademia Nauk. Instytut Badań Systemowych PAN
    Tematy:
    chaos
    odwzorowanie samoporządkujące
    optymalizacja kombinatoryczna
    sieć Hopfielda
    sieć neuronowa
    combinatorial optimization
    deformable templates
    Hopfield networks
    neural networks
    self-organizing maps
    Opis:
    This paper serves as a tutorial on the use of neural networks for solving combinatorial optimization problems. It reviews the two main classes of neural network models : the gradient-based neural networks such as the Hopfield network, and the deformable template approaches such as the elastic net method and self organizing maps. In each class, the original model is presented, its limitations discussed, and subsequent developments and extensions are reviewed. Particular emphasis is placed on stochastic and chaotic variations on the neural network models designed to improve the optimization performance. Finally, the performance of these neural network models is compared and discussed relative to other heuristic approaches.
    Źródło:
    Control and Cybernetics; 2002, 31, 2; 183-216
    0324-8569
    Pojawia się w:
    Control and Cybernetics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-9 z 9

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies