Ein probabilistisches neuronales Netz - Seite 2

[Artem Titarenko]

Hier ist ein weiterer Ausschnitt aus dem Lehrbuch.

[Andrey Dik]

StatBars >>:

Да не только в учителе дело. Принцип другой. МЛП чертит линии(гиперплоскости), а вероятностная окружности(гипершары).

Взять простой пример:

Линейный перцептрон просто линией разделил и всё, линия у него бесконечна.

А значение потенциалов обоих классов будет практически нулевым. Разница есть?

Was hat ein lineares Perzeptron damit zu tun? Ein MLP, oder mehrschichtiges Perzeptron, oder auf Russisch, ein mehrschichtiges Perzeptron, unterteilt jeden komplexen Raum in Klassen. Der Unterschied ist der Lehrer: PNN ist eine Klassifizierungsaufgabe, MLP ist größtenteils eine Annäherungsaufgabe. Welche Aufgabe, nennen wir das Raster.

[RIP]

joo >>:

Причем здесь линейный персептрон? MЛП, или MLP - multilayer perceptron, или рускими словами, многослойный персептрон, он разделит на классы скольугодно сложное пространство. Разница в учителе, PNN задачи классификации, MLP задачи апроксимации по большей части. Какая задача, так и обзываем сетку.

Welcher Klasse würden Sie auf der Grundlage Ihrer Logik einneuronales Faltungsnetzwerkzuordnen? Ich könnte problemlos MLP für die probabilistische Klassifizierung verwenden, aber es wäre kein PNN-Netz.

Damals, als Batter den Wettbewerb gewann, gab es eine hitzige Diskussion über PNN (https://forum.mql4.com/ru/9502). Ich empfehle jedoch, sich damit zu befassen.

Zunächst einmal weist PNN architektonische Unterschiede auf, d. h. die Art und Weise, wie die Neuronen miteinander verbunden sind, versteckte und Ausgabeschichten sind nicht vollständig verbunden.

Ich empfehle, zwei Artikel von Donald Specht zu finden und zu lesen: Probabilistic Neural Networks for Classification and Mapping oder Associative Memory and Probabilistic Neural Networks.

Einer der Artikel befasst sich mit PNN in der Atacha.

[Andrey Dik]

rip >>:

Исходя из Вашей логики к какому классу вы отнесете свети свертки (convolutional neural net)? Я на легко могу использовать MLP для классификации по вероятностному признаку, но это не будет PNN сетью.

В свое время когда Беттер победил на конкурсе развернулась бурная дискуссия на предмет PNN (https://forum.mql4.com/ru/9502), рекомендую ее все же посмотреть.

В первую очередь PNN имеет архитектурные отличия, т.е. как связаны нейроны между собой, скрытый и выходной слои, не являются полносвязными.

Рекомендую найти и почитать две статьи, Дональда Спехтома (Donald Specht): Probabilistic Neural Networks for Classification и Mapping or Associative Memory and Probabilistic Neural Networks.

Одна из статей посвященная PNN в атаче.

Was genau wollten Sie also mit Ihrem Beitrag sagen? Liegt es daran, dass MLP keine PNN-Probleme lösen kann? Oder dass PNN nicht für MLP-Aufgaben geeignet ist?

Andernfalls macht es keinen Sinn, Konzepte zu entwickeln, die alle dasselbe zum Gegenstand haben - die nicht-lineare Transformation.

Oder vielleicht wollen Sie sagen, dass sie eine andere Matrix haben, in welcher spezifischen grundlegenden Unterschied, bitte durch konkrete Beispiele zu veranschaulichen, ohne Bezugnahme auf die Wiki und Artikel zu lesen, Bücher gemessen werden oder was?

Architektur eines PNN/GRNN-Netzes

1990 schlug Donald F. Specht eine Methode zur Formulierung der oben beschriebenen Methode der gewichteten Nachbarn in Form eines neuronalen Netzes vor. Er nannte dies ein"Probabilistisches Neuronales Netz". Hier ist ein Diagramm eines PNN/GRNN-Netzes:

Alle PNN/GRNN-Netze haben vier Schichten:

• Eingabeschicht - In der Eingabeschicht gibt es ein Neuron für jede Vorhersagevariable. Im Falle von kategorialen Variablen werden N-1 Neuronen verwendet, wobei N die Anzahl der Kategorien ist. Die Eingabeneuronen (oder die Verarbeitung vor der Eingabeschicht) standardisieren den Wertebereich, indem sie den Median subtrahieren und durch den Interquartilsbereich dividieren. Die Eingangsneuronen leiten dann die Werte an die einzelnen Neuronen in der versteckten Schicht weiter.

• Verdeckte Schicht - Diese Schicht hat ein Neuron für jeden Fall im Trainingsdatensatz. Das Neuron speichert die Werte der Prädiktorvariablen für den jeweiligen Fall zusammen mit dem Zielwert. Wenn ein verstecktes Neuron den x-Vektor der Eingabewerte aus der Eingabeschicht erhält, berechnet es den euklidischen Abstand des Testfalls vom Mittelpunkt des Neurons und wendet dann die RBF-Kernel-Funktion unter Verwendung des/der Sigma-Werts/e an. Der resultierende Wert wird an die Neuronen in der Musterschicht weitergeleitet.

• Musterschicht / Summationsschicht - Die nächste Schicht im Netz ist für PNN-Netze und für GRNN-Netze unterschiedlich. Bei PNN-Netzen gibt es für jede Kategorie der Zielvariablen ein Musterneuron. Die tatsächliche Zielkategorie jedes Trainingsfalls wird mit jedem versteckten Neuron gespeichert; der gewichtete Wert, der aus einem versteckten Neuron kommt, wird nur dem Musterneuron zugeführt, das der Kategorie des versteckten Neurons entspricht. Die Musterneuronen addieren die Werte für die Klasse, die sie repräsentieren (es handelt sich also um eine gewichtete Abstimmung für diese Kategorie).

  Bei GRNN-Netzen gibt es nur zwei Neuronen in der Musterschicht: Ein Neuron ist die Einheit für die Nennersummierung, das andere ist die Einheit für die Zählersummierung. Die Summationseinheit im Nenner addiert die Gewichtungswerte, die von jedem der versteckten Neuronen stammen. Die Zähler-Summiereinheit addiert die Gewichtswerte multipliziert mit dem aktuellen Zielwert für jedes versteckte Neuron.

• Entscheidungsschicht - Die Entscheidungsschicht ist bei PNN- und GRNN-Netzen unterschiedlich. Bei PNN-Netzen vergleicht die Entscheidungsschicht die gewichteten Stimmen für jede Zielkategorie, die in der Musterschicht gesammelt wurden, und verwendet die größte Stimme zur Vorhersage der Zielkategorie.

  Bei GRNN-Netzen dividiert die Entscheidungsschicht den in der Zähler-Summiereinheit akkumulierten Wert durch den Wert in der Nenner-Summiereinheit und verwendet das Ergebnis als vorhergesagten Zielwert.

• 
  

Und was sind die Hauptunterschiede zu MLP?

Jeder Autor produziert Konzepte; ihr Ziel ist es nicht, die Wissenschaft zu fördern, sondern Geld mit Büchern und Artikeln zu verdienen, ebenso wie die "Stockwriter".

PS Verschiedene Autoren über NN unterscheiden sich manchmal in denselben Konzepten und Definitionen, so dass es keinen Sinn macht, auf einige von ihnen zu verweisen, um die Begriffe zu klären.

PPS Wichtig ist, dass man versteht, wie ein Neuron durch nichtlineare Transformation funktioniert. Das war's, mehr ist nicht nötig.

[RIP]

joo >>:

Ну и что конкретно Вы хотели сказать своим постом? Может то, что MLP не может решать задачи PNN? Или PNN не пригоден для задач MLP?

Ну и в чем принципиальные отличия от MLP?

PS У разных авторов по NN порой разнятся одни и те же понятия и определения, поэтому нет смысла ссылаться на одних из них для уточнения терминов.

PPS Важно понимание работы нейрона по нелинейному преобразованию. Всё, больше ничего не нужно.

Der erste und wichtigste Unterschied besteht darin, wie die Ergebnisse des Netzes interpretiert werden und wie diese Interpretation eindeutig (relativ) gemacht wird.

Im Falle von PNN ist das Netz für die Klassifizierung/Clustering von Daten konzipiert, daher ist es nicht vollständig vermaschend, während MLP vollständig vermaschend ist.

Ein weiterer Unterschied besteht darin, dass PNN unterschiedliche Aktivierungsfunktionen für verschiedene Schichten verwenden kann, z. B. wird für die Ausgabeschicht eine Radialbasisfunktion verwendet,

während MPL traditionell die gleiche Aktivierungsfunktion für alle Schichten verwendet.

PNN kann MPL-Probleme lösen, aber es wird kein PNN mehr sein, sondern eine Variante, die auf einer nicht vollwertigen Architektur basiert, nur eben andersherum.

Was die nichtlineare Transformation betrifft, so stimme ich zu, dass jede NS eine nichtlineare Transformation ist (oder linear, einschichtige Perseptron ist auch eine NS), und es ist wichtig zu verstehen, wie sie funktioniert,

Aber Sie lassen noch eine weitere Tatsache außer Acht, nämlich dass NS die interne Architektur von Verbindungen berücksichtigt - Sie vergessen, dass der mathematische Apparat auf einem biologischen Prototyp basiert und ein Kognitron zum Beispiel seinem Vorbild am nächsten kommt.

Umsetzung.

Der Autor des Threads interessierte sich für den mathematischen Apparat, die Artikel und die ersten Quellen geben ihn am besten wieder. :) Und die Unterscheidungsmerkmale, die ich Ihnen sofort genannt habe - die Architektur. Und es ist nicht der Wunsch der Autoren

Um "Spuren in der Kunst zu hinterlassen", ist alles einfacher und komplizierter - man braucht eine eindeutige Interpretationsregel für die Ergebnisse, mit unterschiedlichen Eingangsdaten (Daten aus verschiedenen Anwendungsbereichen).

[gumgum]

[Andrey Dik]

rip >>:

1)Первое и основное отличие это то как интерпретируются выходы сети и с помощью чего обеспечивается однозначность (относительная) этой интерпретации.

В случае с PNN, сеть разрабатывалась для классификации\кластеризации данных, следовательно имеет не полносвязую структуру, MLP - полносвязную.

2)Еще одним отличием является то, что PNN может используются различные ф-ции активации для различных слоев, скажем для выходного слоя использует радиально-базисная ф-ция,

а MPL традиционно использует для всех слоев одну и туже ф-цию.

3)PNN может решать задачи MPL, только это будет уже не PNN, а вариация на базе не полносвязной архитектуры, точно также и в обратную сторону.

4)Относительно нелинейного преобразования, да согласен, любая НС - это нелинейное преобразование (или линейное, однослойные персептрон тоже НС) и важно понимать как это работает,

но вы опускаете еще один факт, НС учитывает внутреннюю архитектуру связей - вы забываете, что в основу мат. аппарата все же лег биологический прототип и когнитрон, к примеру, ближе всего к его

реализации.

5)Автор ветки интересовался мат. аппаратом, статьи и перво источники лучше всего его раскрывают. :) А отличительные признаки я назвал вам сразу - архитектура. И здесь не стремление авторов

"оставить свой след в искусстве", все проще и сложнее - необходимо однозначное правило интерпретации выходов, при различных исходных данных (данных с различных прикладных областей).

1) Genau das habe ich gesagt, es geht um den Lehrer.

2) Hmm, wer verbietet die Verwendung einer anderen Aktivierungskraft für jedes Neuron im MLP-Netz? Oder besser gesagt, der Krümmungsfaktor in der Aktivierung f-i, da er (die Aktivierung f-i) für alle Netze und alle Neuronen gleich ist, kann seine Form von logisch stufenweise, s-förmig bis gerade linear variieren.

,

10 ist der Krümmungskoeffizient.

3) Nun, wenn das so ist, dann gibt es keinen Grund zur Aufregung.

4) Sie steht nicht im Widerspruch zu dem, was ich gesagt habe.

5) Sie folgen blindlings den Autoritäten der Bücher und recherchieren nicht selbst? Das sollten Sie nicht. Der Phantasie sind hier keine Grenzen gesetzt, und wenn man sich an den oft widersprüchlichen Konzepten der Bücher orientiert, ist die Wahrscheinlichkeit groß, dass man sehr wichtige Informationen verpasst .... hmm, da verpassen Sie eine Menge.

Im Allgemeinen wird sich das Wesen der nichtlinearen Transformation eines Neurons nicht ändern, egal wie man es nennt.

Viel Glück!

[Andrey Dik]

joo писал(а) >>

Gibt es jetzt eine Bücherschlacht oder was?

Liste der Dateien in meiner Bibliothek

Über Netzwerke:

Eine Fallstudie über die Verwendung neuronaler Netze für technische Zwecke.pdf
Forex-Patterns und Wahrscheinlichkeiten.pdf
Gorban A.N. Neuroinformatik. Was sind wir, wohin gehen wir, wie können wir unseren Weg messen.pdf
Haykin S. Kalman-Filterung und neuronale Netze.djvu
IskusstvennyeNeironnyeSeti.TeoriyaIPraktika_cover.jpeg
Jonsson F. Markus. Pathfinding von Fahrzeugen auf digitalisierten realen Geländekarten. Teil 1.doc
Jonsson F. Markus. Suche nach dem optimalen Weg für Fahrzeuge auf digitalisierten realen Geländekarten. Teil 2.doc
Krose B. Eine Einführung in Neuronale Netze. 1996.djvu
Long, Parks Neural Network Modeling.djvu
Modellierung und Handel mit EURUSD.pdf
Neuronales_Netz_Trendprognose_Handbuch.pdf
rbfkalman.pdf
ToshibaNeuronChip.pdf
Verwendung rekurrenter neuronaler Netze für die Forex-Prognose.pdf
Barskyi A.B. Neuronale Netze - Erkennung, Steuerung, Entscheidungsfindung. 2004.pdf
Berkinblit M.B. Neuronale Netze 1993.djvu
Bastens D. Neuronale Netze und Finanzmärkte. Entscheidungsfindung im Handel.djvu
Vapnik V.N. Rekonstruktion von Abhängigkeiten aus empirischen Daten. 1997.djvu
Voronovsky G.K. Genetische Algorithmen, künstliche neuronale Netze und Probleme der virtuellen Realität. pdf
Galushkin A.I. Theorie der neuronalen Netze. Band 1 2000.djvu
Goldstein B.S. Intelligente Netze. 2000.djvu
Gorban A.N. Verallgemeinertes Approximationstheorem und Berechnungsfähigkeiten neuronaler Netze.pdf
Gorbunova E.O. Algorithmische Universalität der kinetischen Maschine von Kirdin.pdf
Gorbunova E.O. Methoden der Neuroinformatik. Endlichkeit und Determiniertheit von einfachen Programmen für die kinetische Maschine von Kirdin.pdf
Jane Anil K. Introduction to Artificial Neural Networks.pdf
Dorrer M.G. Intuitive Vorhersage von Gruppenbeziehungen durch neuronale Netze.pdf
Dorrer M.G. Methoden der Neuroinformatik. Approximation mehrdimensionaler Funktionen durch einen halbschichtigen Prädiktor mit beliebigen Transducern.pdf
Dubrovich V.I. Subbotin S.A. Algorithmus des beschleunigten Lernens von Perseptrons.pdf
Ezhov A. Shumsky S. Neurocomputing and its applications in economics and business.djvu
Zhukov L.A. Einsatz von Technologien für neuronale Netze in der Bildungsforschung.pdf
Zaentsev I.V. Neuronale Netze - Grundmodelle. 1999.pdf
Zakharov V.N. Khoroshevsky V.F. Künstliche Intelligenz. Band 3. Software und Hardware 1990.djvu
Callan R. Grundlegende Konzepte neuronaler Netze.djvu
Kgur P.G. Neuronale Netze und Neurocomputer.pdf
Komashinsky V.I. Neuronale Netze und ihre Anwendung in Steuerungs- und Kommunikationssystemen 2003.pdf
Korotky S. Hopfield und Hamming neuronale Netze.pdf
Korotky S. Neuronale Netze. Rückvermehrungsalgorithmus.pdf
Korotky S. Neuronale Netze. Lernen ohne Lehrer.pdf
Korotky S. Neuronale Netze. Grundlegende Konzepte.pdf
Krisilov V.A. Kondartiuk A.V. Umwandlung von Eingangsdaten für neuronale Netze zur Verbesserung der Unterscheidbarkeit.pdf
Krisilov V.A. Oleshko D.N. Methoden zur Beschleunigung des Trainings neuronaler Netze.doc
Krisilov, V.A., Chumichkin, K.V. Acceleration of Neural Network Learning by Adaptive Simplification of Learning Samples.
Krisilov V.A. Präsentation der Ausgangsdaten in Aufgaben der neuronalen Netzprognose.pdf
Kruglov V.V. Fuzzy-Logik und künstliche neuronale Netze.djvu
Kruglov, Borisov - Künstliche Neuronale Netze. Theorie und Praxis, 2002.djvu
Kruglov, Borisov - Künstliche Neuronale Netze. Theorie und Praxis, 2002.txt
Liu B. Theorie und Praxis der unbestimmten Programmierung, 2005.djvu
McCulloch W., Pitts W. Logical calculus of ideas relating to neural activity.pdf
Markel J.D. Lineare Sprachvorhersage. 1980.djvu
Mirkes E.M. Neurocomputer. Entwurf der Norm. 1998.pdf
Nabhan T.N. Zomaya A. Zu Problemen bei der Erstellung von Strukturen neuronaler Netze zur Leistungsoptimierung.pdf
Napalkow A. V., Pragina L. L. - Das menschliche Gehirn und die künstliche Intelligenz.docx
Oleshko D.N. Erhöhung der Qualität und Geschwindigkeit der Ausbildung neuronaler Netze in einer Aufgabe der Vorhersage des Verhaltens von Zeitreihen.doc
Oleshko D.N. Steigerung der Qualität und Geschwindigkeit des Lernens mit neuronalen Netzen.doc
Ostrovsky S. Neural Networks for Information Processing 2000.djvu
Pitenko A.A. Verwendung neuronaler Netzwerktechnologien zur Lösung analytischer Probleme in GIS.pdf
Senashova M.Y. Fehler in neuronalen Netzen. Berechnung der Fehler in den synaptischen Gewichten. 1998.pdf
Subbotin S.A. Neurokybernetik in der UdSSR-GUS - Analyse von Erfindungen und Patenten.pdf
Tarasenko R.A. Wahl des Umfangs der Beschreibung der Situation bei der Bildung der Trainingsstichprobe für neuronale Netze in den Aufgaben der Vorhersage der Zeitreihen.doc
Tarasenko R.A. Vorläufige Schätzung der Qualität der Trainingsauswahl für neuronale Netze bei Aufgaben der Zeitreihenprognose.doc
Terekhov S.A. Technologische Aspekte des maschinellen Lernens mit neuronalen Netzen. 2006.pdf
Tyumentsev Yu.V. Intelligente autonome Systeme - eine Herausforderung für die Informationstechnologien.pdf
Wosserman, F. Neurocomputertechnik.doc
Wosserman, F. Neurocomputertechnik. Theorie und Praxis.doc
Haikin S. Neuronale Netze - vollständiger Kurs.djvu
Tsaregorodtsev V.G. Semi-empirische Wissensproduktion aus Datentabellen mit Hilfe trainierbarer künstlicher neuronaler Netze.pdf

Auf DSP:

Arndt J. Algorithmen für Programmierer Ideen und Quellcode.pdf
Les Thede Praktischer analoger und digitaler Filterentwurf. 2004.pdf
O'Leary 2002 DSP-Verzeichnis.pdf
Paillard B. Eine Einführung in digitale Signalprozessoren. 2002.pdf
Rorabauch, Britton Handbuch für Entwickler digitaler Filter. 1989.pdf
Stranneby, Dag. Digitale Signalverarbeitung DSP und Anwendungen. 2001.pdf
Eificher E. Jervis B. Digitale Signalverarbeitung. Eine praktische Herangehensweise. 2004.djvu
Anokhina A.M. Digitale Verarbeitung von Signalen in Messsystemen für physikalische Experimente. Berechnung von Filtern.pdf
Antonyu A. Digitale Filter. Analyse und Design. 1983.djvu
Arutyunov P.A. Theorie und Anwendung von algorithmischen Messungen.1990.djvu
Belodedov M.V. Entwurfsmethoden für digitale Filter. 2004.pdf
Bleihut R. Schnelle Algorithmen für die digitale Signalverarbeitung. 1989.djvu
Bogner, R. Konstantinidis, A. Einführung in die digitale Filterung. 1976.djvu
Bracewell R. Die Hartley-Transformation. Theorie und Praxis. 1990.djvu
Vinokurov A. GOST 28147-89 Verschlüsselungsalgorithmus seine Verwendung und Realisierung für Computer der Intel x86 Plattform.djvu
Vorobyev V.I. Gribunin V.G. Theorie und Praxis der Wavelet-Transformation. 1999.djvu
Gold, B. Digitale Signalverarbeitung. 1973.djvu
Goldenberg L.M. Digitale Signalverarbeitung. 1990.djvu
Gutnikov V.S. Filterung von Messsignalen. 1990.djvu
Davidov A.V. Digitale Signalverarbeitung.docx
Davidov A.V. DIGITALE SIGNALVERARBEITUNG.pdf
Dakhnovich A.A.pdf
Denisenko A.N. Signals. Theoretische Funktechnik.djvu
Zalmanzon L.A. Fourier-, Walsh- und Haar-Transformationen. Teil 1.djvu
Zalmanzon L.A. Fourier-, Walsh- und Haar-Transformationen. Teil 2.djvu
Zalmanzon L.A. Fourier-, Walsh- und Haar-Transformationen. Teil 3.djvu
Zverev V.A. Stromkov A.A. Signal-Extraktion aus Rauschen durch numerische Methoden 2001.djvu
Kay, S.M. Moderne Methoden der Spektralanalyse.djvu
Kolos M.V. Optimale digitale Filtermethoden. 2000.pdf
Komarov A.V. Digitale Signalprozessoren. 2003.doc
Krisilov V.A. Poberezhnik S.M. Approximation komplexer Abhängigkeiten durch strukturflexible polynomiale und harmonische Reihen.pdf
Krisilov V.A. Falsche Kompaktheitsprobleme im diskreten Merkmalsraum bei Taxonomieaufgaben. pdf
Kuo B. Theorie und Entwurf digitaler Kontrollsysteme. 1986.djvu
Lazarev, S. Schnelle Fourier-Transformation für die Signalverarbeitung in Automatisierungsgeräten.pdf
Lebedew A.N. Methoden der digitalen Modellierung. 1988.pdf
Lukin A. Einführung in die digitale Signalverarbeitung. 2002.djvu
Nussbaumer G. Schnelle Fourier-Transformation und Faltungsalgorithmen. 1985.djvu
Olsson G. Digitale Automatisierungs- und Steuerungssysteme. Teil 1. 2001.djvu
Olsson G. Digitale Automatisierungs- und Steuerungssysteme. Teil 2. 2001.djvu
Oppenheim A.V. Digitale Signalverarbeitung. 1979.djvu
Ostapenko A.G. Rekursive Filter auf Mikroprozessoren. 1988.djvu
Rabiner L. Gould B. Theorie und Anwendung der digitalen Signalverarbeitung. 1978.djvu
Rabiner L.R. Shafer R.V. Digitale Signalverarbeitung. 1981.pdf
Radiotechnika ¹03 2000_00.djvu
ITU-Empfehlung G721rus.djvu
Vergleich der ITU-Empfehlungen G726 und G727 ADICM-Algorithmen.djvu
ITU G726 Empfehlung Anhang A.djvu
ITU G727-Empfehlungen.djvu
ITU G727 Recommendations Appendix A.djvu
Robinson E.A. Geschichte der Entwicklung der spektralen Schätzungstheorie. 1982.djvu
Rossiev A.A. Curve data modelling for gap recovery in tables.pdf
Sato Y. Signalverarbeitung.djvu
Sergienko A.B. Digitale Signalverarbeitung. 2003.djvu
Sibert, W.M. Schaltungen, Signale, Systeme. Teil 1. 1988.djvu
Sibert, U.M.: Schaltungen, Signale, Systeme. Teil 2. 1988.djvu
Sizikov V.S. Stabile Methoden der Verarbeitung von Messergebnissen 1999.pdf
Sinclair, Jan. Einführung in die digitale Tontechnik. 1990.djvu
Solonina A. Ulakhovich D. Algorithmen und Prozessoren der digitalen Signalverarbeitung. 2002.djvu
Solonina A.I. Grundlagen der digitalen Signalverarbeitung. 2005.djvu
Stepanov A.V. Methoden der Computersignalverarbeitung von Funkkommunikationssystemen.doc
Trachtman A.M. Grundlagen der Theorie diskreter Signale in endlichen Intervallen. 1975.djvu
Widrow B. Adaptive Signalverarbeitung. 1989.djvu
Walt Kester Digitale Signalverarbeitung. Analoge Geräte.pdf
Fink L.M. Signale, Interferenzen, Fehler. Teil 1. 1984.djvu
Fink, L.M. Signale, Interferenzen, Fehler. Teil 2. 1984.djvu
Fink L.M. Theorie der diskreten Nachrichtenübertragung Teil 1 1970.djvu
Fink L.M. Theorie der diskreten Nachrichtenübertragung Teil 2 1970.djvu
Flanagan D.L. Analyse, Synthese und Wahrnehmung von Sprache. 1968.djvu
Franks L. Signaltheorie. 1974.djvu
Harkevich A.A. Interferenzkontrolle. 1965.djvu
Hemming, R.W. Digitale Filter. 1980.djvu
Huang T.S. Schnelle Algorithmen in der digitalen Bildverarbeitung 1984.djvu
Shchatilov V. Prospects of New Analog Devaces Solutions Anwendung in modernen digitalen Kommunikationssystemen.pdf
Yaroslavsky L.P. Digital signal processing in optics and holography.djvu

Falls jemand Bedarf hat, kann ich auf jeden ftp-Server hochladen

[gumgum]

joo >>:

Список файлов в моей библиотеке

По сетям:

A case study on using neural networks to perform technical.pdf
Forex Patterns and Proababilities.pdf
Gorban A.N. Neuroinformatics. What are us, where are we going, how to measure our way.pdf
Haykin S. Kalman filtering and neural networks.djvu
IskusstvennyeNeironnyeSeti.TeoriyaIPraktika_cover.jpeg
Jonsson F. Markus. Поиск оптимального пути для транспортных средств на оцифрованых картах реальной местности. Часть 1.doc
Jonsson F. Markus. Поиск оптимального пути для транспортных средств на оцифрованых картах реальной местности. Часть 2.doc
Krose В. An introduction to Neural networks. 1996.djvu
Long, Parks Neural Network Modeling.djvu
Modelling and Trading EURUSD.pdf
Neural_Network_Trend_Predictor_Manual.pdf
rbfkalman.pdf
ToshibaNeuronChip.pdf
Using Recurrent Neural Networks To Forecasting of Forex.pdf
Барскии А.Б. Нейронные сети распознавание, управление, принятие решений. 2004.pdf
Беркинблит М.Б. Нейронные сети 1993.djvu
Бэстенс Д. Нейроннные сети и финансовые рынки. Принятие решений в торговых операциях.djvu
Вапник В.Н. Восстановление зависимостей по эмпирическим данным. 1997.djvu
Вороновский Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности.pdf
Галушкин А.И. Теория нейронных сетей. Кн. 1 2000.djvu
Гольдштейн Б.С. Интеллектуальные сети. 2000.djvu
Горбань А.Н. Обобщенная аппроксимационная теорема и вычисительные возможности нейронных сетей.pdf
Горбунова Е.О. Алгоритмическая универсальность кинетической машины Кирдина.pdf
Горбунова Е.О. Методы нейроинформатики. Финитность и детерминированность простых программ для кинетической машины Кирдина.pdf
Джейн Анил К. Введение в искусственные нейроные сети.pdf
Доррер М.Г. Интуитивное предсказание нейросетями взаимоотношений в группе.pdf
Доррер М.Г. Методы нейроинформатики. Аппроксимация многомерных функций полутораслойным предиктором с произвольными преобразователями.pdf
Дубрович В.И. Субботин С.А. Алгоритм ускоренного обучения персептронов.pdf
Ежов А. Шумский С. Нейрокомпьютинг и его применения в экономике и бизнесе.djvu
Жуков Л.А. Использование нейросетевых технологий для проведения учебно-исследовательских работ.pdf
Заенцев И.В. Нейронные сети основные модели. 1999.pdf
Захаров В.Н. Хорошевский В.Ф. Искусственный интеллект. Том 3. Программные и аппаратные средства 1990.djvu
Каллан Р. Основные концепции нейронных сетей.djvu
Кгур П.Г. Нейронные сети и нейрокомпьютеры.pdf
Комашинский В.И. Нейронные сети и их применение в системах управления и связи 2003.pdf
Короткий С. Нейронные сети Хопфилда и Хэмминга.pdf
Короткий С. Нейронные сети. Алгоритм обратного распространения.pdf
Короткий С. Нейронные сети. Обучение без учителя.pdf
Короткий С. Нейронные сети. Основные положения.pdf
Крисилов В.А. Кондартюк А.В. Преобразование входных данных нейросети с целью улучшения различимости.pdf
Крисилов В.А. Олешко Д.Н. Методы ускорения обучения нейронных сетей.doc
Крисилов В.А. Чумичкин К.В. Ускорение обучения нейронных сетей за счет адаптивного упрощения обучающей выборки.pdf
Крислов В.А. Представление исходных данных в задачах нейросетевого прогнозирования.pdf
Круглов В.В. Нечеткая логика и искуственные нейроные сети.djvu
Круглов, Борисов - Искусственные нейронные сети. Теория и практика, 2002.djvu
Круглов, Борисов - Искусственные нейронные сети. Теория и практика, 2002.txt
Лю Б. Теория и практика неопределенного программирования 2005.djvu
Мак-Каллок У., Питтс В. Логическое исчисление идей, относящихся к нервной активности.pdf
Маркел Дж.Д. Линейное предсказание речи. 1980.djvu
Миркес Е.М. Нейрокомпьютер. Проект стандарта. 1998.pdf
Набхан Т.Н. Зомая А. О проблемах создания нейросетевых структур для оптимизации функционирования.pdf
Напалков А. В., Прагина Л. Л. - Мозг человека и искусственный интеллект.docx
Олешко Д.Н. Повышение качества и скорости обучения нейронных сетей в задаче прогнозирования поведения временных рядов.doc
Олешко Д.Н. Повышение качества и скорости обучения нейроных сетей.doc
Островский С. Нейронные сети для обработки информации 2000.djvu
Питенко А.А. Использование нейросетевых технологий при решении аналитических задач в ГИС.pdf
Сенашова М.Ю. Погрешности нейронных сетей. Вычисление погрешностей весов синапсов. 1998.pdf
Субботин С.А. Нейрокибернетика в СССР-СНГ - Аналитических обзор изобретений и патентов.pdf
Тарасенко Р.А. Выбор размера описания ситуации при формировании обучаюей выборки для нейронных сетей в задачах прогнозирования временных рядов.doc
Тарасенко Р.А. Предварительая оценка качества обучающей выборки для нейроных сетей в адачах прогнозирования временных рядов.doc
Терехов С.А. Технологические аспекты обучения нейросетевых машин. 2006.pdf
Тюменцев Ю.В. Интеллектуальные автономные системы - вызов информационным технологиям.pdf
Уоссермен Ф. Нейрокомпьютерная техника.doc
Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика.doc
Хайкин С. Нейронные сети - полный курс.djvu
Царегородцев В.Г. Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей.pdf

По ЦОС:

Arndt J. Algorithms for programmers ideas and source code.pdf
Les Thede Practical Analog and Digital Filter Design. 2004.pdf
O'Leary 2002 DSP directory.pdf
Paillard B. An Introduction To Digital Signal Processors. 2002.pdf
Rorabauch, Britton Digital Filter Designer`s Handbook. 1989.pdf
Stranneby, Dag. Digital Signal Processing DSP and Applications. 2001.pdf
Айфичер Э. Джервис Б. Цифровая обработка сигналов. Практический подход. 2004.djvu
Анохина А.М. Цифровая обработка сигналов в измерительных системах физического эксперимента. Расчет фильтров.pdf
Антонью А. Цифровые фильтры. Анализ и проектирование. 1983.djvu
Арутюнов П.А. Теория и применение алгоритмических измерений.1990.djvu
Белодедов М.В. Методы проектирования цифровых фильтров. 2004.pdf
Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов. 1989.djvu
Богнер Р. Константинидис А. Введение в цифровую фильтрацию. 1976.djvu
Брейсуэлл Р. Преобразование Хартли. Теория и практика. 1990.djvu
Винокуров А. Алгоритм шифрования ГОСТ 28147-89 его использование и реализация для компьютеров платформы Intel x86.djvu
Воробьев В.И. Грибунин В.Г. Теория и практика вейвлет преобразования. 1999.djvu
Голд Б. Цифровая обработка сигналов. 1973.djvu
Гольденберг Л.М. Цифровая обработка сигналов. 1990.djvu
Гутников В.С. Фильтрация измерительных сигналов. 1990.djvu
Давыдов А.В. ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ.docx
Давыдов А.В. ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ.pdf
Дахнович А.А.pdf
Денисенко А.Н. Сигналы. Теоретическая радиотехника.djvu
Залманзон Л.А. Преобразования Фурье, Уолша, Хаара. Часть 1.djvu
Залманзон Л.А. Преобразования Фурье, Уолша, Хаара. Часть 2.djvu
Залманзон Л.А. Преобразования Фурье, Уолша, Хаара. Часть 3.djvu
Зверев В.А. Стромков А.А. Выделение сигналов из помех численными методами 2001.djvu
Кей С.М. Современные методы спектрального анализа.djvu
Колос М.В. Методы оптимальной цифровой фильтрации. 2000.pdf
Комаров А.В. Цифровые сигнальные процессоры. 2003.doc
Крисилов В.А. Побережник С.М. Аппроксимация сложных зависимостей структурно-гибкими полиномиальными и гармоническими рядами.pdf
Крисилов В.А. Проблемы ложной компактности в дискретном пространстве признаков в задачах таксономии.pdf
Куо Б.Теория и проектирование цифровых систем управления. 1986.djvu
Лазарев С. Быстрое преобразование Фурье для обработки сигналов в устройствах автоматизации.pdf
Лебедев А.Н. Методы цифрового моделирования. 1988.pdf
Лукин А. Введение в цифровую обработку сигналов. 2002.djvu
Нуссбаумер Г. Быстрое преобразование Фурье и алгоритмы вычисления сверток. 1985.djvu
Олссон Г. Цифровые системы автоматизации и управления. Часть 1. 2001.djvu
Олссон Г. Цифровые системы автоматизации и управления. Часть 2. 2001.djvu
Оппенгейм А.В. Цифровая обработка сигналов. 1979.djvu
Остапенко А.Г. Рекурсивные фильтры на микропроцессорах. 1988.djvu
Рабинер Л. Гоулд Б. Теория и применение цифровой обработки сигналов. 1978.djvu
Рабинер Л.Р. Шафер Р.В. Цифровая обработка речевых сигналов. 1981.pdf
Радиотехника №03 2000_00.djvu
Рекомендации ITU G721rus.djvu
Рекомендации ITU G726 и G727 Сравнение алгоритмов АДИКМ.djvu
Рекомендации ITU G726 Приложение A.djvu
Рекомендации ITU G727.djvu
Рекомендации ITU G727 Приложение А.djvu
Робинсон Э.А. История развития теории спектрального оценивания. 1982.djvu
Россиев А.А. Моделирование данных при помощи кривых для восстановления пробелов в таблицах.pdf
Сато Ю. Обработка сигналов.djvu
Сергиенко А.Б. Цифровая обработка сигналов. 2003.djvu
Сиберт У.М. Цепи, сигналы, системы. Часть 1. 1988.djvu
Сиберт У.М. Цепи, сигналы, системы. Часть 2. 1988.djvu
Сизиков В.С. Устойчивые методы обработки результатов измерений 1999.pdf
Синклер Ян. Введение в цифровую звукотехнику. 1990.djvu
Солонина А. Улахович Д. Алгоритмы и процессоры цифровой обработки сигналов. 2002.djvu
Солонина А.И. Основы цифровой обработки сигналов. 2005.djvu
Степанов А.В. Методы компьютерной обработки сигналов систем радиосвязи.doc
Трахтман А.М. Основы теории дискретных сигналов на конечных интервалах. 1975.djvu
Уидроу Б. Адаптивная обработка сигналов. 1989.djvu
Уолт Кестер Цифровая обработка сигналов. Analog Devices.pdf
Финк Л.М. Сигналы, помехи, ошибки. Часть 1. 1984.djvu
Финк Л.М. Сигналы, помехи, ошибки. Часть 2. 1984.djvu
Финк Л.М. Теория передачи дискретных сообщений Часть 1 1970.djvu
Финк Л.М. Теория передачи дискретных сообщений Часть 2 1970.djvu
Фланаган Д.Л. Анализ, синтез и восприятие речи. 1968.djvu
Френкс Л. Теория сигналов. 1974.djvu
Харкевич А.А. Борьба с помехами. 1965.djvu
Хемминг Р.В. Цифровые фильтры. 1980.djvu
Хуанг Т.С. Быстрые алгоритмы в цифровой обработке изображений 1984.djvu
щатилов В. Перспективы применения новых решений Analog Devaces в современных цифровых системах связи.pdf
Ярославский Л.П. Цифровая обработка сигналов в оптике и голографии.djvu

Если кому надо могу залить на общедоступный какойнибудь ftp сервер

Kann man es auf Narod bekommen?

[Andrey Dik]

gumgum >>:

На Narod можеш?

Beschreiben Sie einfach, was zu tun ist und wie man es tut. Ich werde sie ausfüllen, wenn ich fertig bin, und Ihnen Bescheid geben.