A probabilistic neural network - page 2

[Artem Titarenko]

Here's another clipping from the textbook.

[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?

What does a linear perceptron have to do with it? An MLP, or multilayer perceptron, or in Russian, a multilayer perceptron, will divide any complex space into classes. The difference is the teacher, PNN is a classification task, MLP is an approximation task for the most part. What task, we call the grid.

[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.

Based on your logic, to what class would you classify aconvolutional neural network? I could easily use MLP for probabilistic classification, but it would not be a PNN net.

There was a heated discussion about PNN (https://forum.mql4.com/ru/9502) back in the day when Batter won the contest, I recommend looking into it though.

First of all PNN has architectural differences, i.e. how neurons are connected to each other, hidden and output layers are not fully connected.

I recommend finding and reading two articles by Donald Specht: Probabilistic Neural Networks for Classification and Mapping or Associative Memory and Probabilistic Neural Networks.

One of the articles deals with PNN in the 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.

So what exactly did you want to say with your post? Is it that MLP can't solve PNN problems? Or is PNN not suitable for MLP tasks?

If not, there is no point in producing concepts that are all about the same thing - non-linear transformation.

Or maybe you want to say that they have a different matrix, in what specific fundamental difference, please illustrate by specific examples, without referring to the wiki and to read articles, books will be measured or what?

Architecture of a PNN/GRNN Network

In 1990, Donald F. Specht proposed a method to formulate the weighted-neighbor method described above in the form of a neural network. He called this a "Probabilistic Neural Network". Here is a diagram of a PNN/GRNN network:

All PNN/GRNN networks have four layers:

• Input layer - There is one neuron in the input layer for each predictor variable. In the case of categorical variables, N-1 neurons are used where N is the number of categories. The input neurons (or processing before the input layer) standardizes the range of the values by subtracting the median and dividing by the interquartile range. The input neurons then feed the values to each of the neurons in the hidden layer.

• Hidden layer - This layer has one neuron for each case in the training data set. The neuron stores the values of the predictor variables for the case along with the target value. When presented with the x vector of input values from the input layer, a hidden neuron computes the Euclidean distance of the test case from the neuron's centre point and then applies the RBF kernel function using the sigma value(s). The resulting value is passed to the neurons in the pattern layer.

• Pattern layer / Summation layer - The next layer in the network is different for PNN networks and for GRNN networks. For PNN networks there is one pattern neuron for each category of the target variable. The actual target category of each training case is stored with each hidden neuron; the weighted value coming out of a hidden neuron is fed only to the pattern neuron that corresponds to the hidden neuron's category. The pattern neurons add the values for the class they represent (hence, it is a weighted vote for that category).

  For GRNN networks, there are only two neurons in the pattern layer. One neuron is the denominator summation unit the other is the numerator summation unit. The denominator summation unit adds up the weight values coming from each of the hidden neurons. The numerator summation unit adds up the weight values multiplied by the actual target value for each hidden neuron.

• Decision layer - The decision layer is different for PNN and GRNN networks. For PNN networks, the decision layer compares the weighted votes for each target category accumulated in the pattern layer and uses the largest vote to predict the target category.

  For GRNN networks, the decision layer divides the value accumulated in the numerator summation unit by the value in the denominator summation unit and uses the result as the predicted target value.

• 
  

And what are the principal differences from MLP?

Every author produces concepts; their purpose is not to promote science, but to make money on books and articles, as well as the "stock writers".

PS Different authors on NN sometimes differ in the same concepts and definitions, so there is no point in referring to some of them to clarify the terms.

PPS What is important is an understanding of how a neuron works by non-linear transformation. That's it, nothing else is needed.

[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.

The first and main difference is how the outputs of the network are interpreted and how this interpretation is made unambiguous (relative).

In the case of PNN, the network is designed to classify/clustering data, hence it is not fully meshed, MLP is fully meshed.

Another difference is that PNN can use different activation functions for different layers, e.g. for the output layer a radial basis function is used,

while MPL traditionally uses the same activation function for all layers.

PNN can solve MPL problems, only it won't be a PNN anymore, but a variation based on a non full-coherent architecture, just the other way round as well.

Regarding non-linear transformation, yes I agree, any NS is a non-linear transformation (or linear, single layer perseptron is also a NS) and it is important to understand how it works,

But you leave out one more fact, NS takes into account the internal architecture of connections - you forget that the mathematical apparatus is based on a biological prototype and a cognitron, for example, is closest to its

implementation.

The author of the thread was interested in the mathematical apparatus, the articles and first sources best reveal it. :) And the distinguishing features I gave you at once - the architecture. And it's not the authors' desire

To "leave their mark in the art", everything is simpler and more complicated - you need an unambiguous rule of interpretation of the outputs, with different input data (data from different application areas).

[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) That's what I said, it's about the teacher.

2) Hmm, who forbids using a different activation f-force for each neuron in the network in MLP? Or rather, the curvature factor in the activation f-i, since it (activation f-i) is the same for all networks and all neurons, its shape can vary from logical stepwise, s-shaped to straight linear.

,

10 is the curvature coefficient.

3) Well, if it is so, then there is no need to make a fuss.

4) It does not contradict what I said.

5) You blindly follow book authorities and don't do any research yourself? You should not. There is unlimited scope for imagination here, and if you follow, often contradictory, book concepts, there is a great probability of missing out on very important.... hmm, you're missing out on a lot.

In general, call it what you like, the essence of non-linear transformation of a neuron will not change.

Good luck!

[Andrey Dik]

joo писал(а) >>

Are we going to have a book fight or what?

List of files in my library

On networks:

A case study on using neural networks to perform technical.pdf
Forex Patterns and Proababilities.pdf
Gorban A.N. Neuroinformatics. What are we, 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. Vehicle Pathfinding on Digitised Real Terrain Maps. Part 1.doc
Jonsson F. Markus. Finding the Optimal Path for Vehicles on Digitized Real Terrain Maps. Part 2.doc
Krose B. 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
Barskyi A.B. Neural Networks Recognition, Control, Decision Making. 2004.pdf
Berkinblit M.B. Neural Networks 1993.djvu
Bastens D. Neural networks and financial markets. Decision-making in trading.djvu
Vapnik V.N. Dependence reconstruction from empirical data. 1997.djvu
Voronovsky G.K. Genetic Algorithms, Artificial Neural Networks and Virtual Reality Problems. pdf
Galushkin A.I. Theory of Neural Networks. Volume 1 2000.djvu
Goldstein B.S. Intelligent Networks. 2000.djvu
Gorban A.N. Generalized approximation theorem and computational capabilities of neural networks.pdf
Gorbunova E.O. Algorithmic universality of the Kirdin kinetic machine.pdf
Gorbunova E.O. Methods of neuroinformatics. Finiteness and determinacy of simple programs for the Kirdin kinetic machine.pdf
Jane Anil K. Introduction to Artificial Neural Networks.pdf
Dorrer M.G. Intuitive prediction of group relationships by neural networks.pdf
Dorrer M.G. Methods of neuroinformatics. Approximation of multidimensional functions by a semi-layer predictor with arbitrary transducers.pdf
Dubrovich V.I. Subbotin S.A. Algorithm of Accelerated Learning of Perseptrons.pdf
Ezhov A. Shumsky S. Neurocomputing and its applications in economics and business.djvu
Zhukov L.A. Using neural-network technologies for educational research work.pdf
Zaentsev I.V. Neural networks basic models. 1999.pdf
Zakharov V.N. Khoroshevsky V.F. Artificial Intelligence. Volume 3. Software and hardware 1990.djvu
Callan R. Basic concepts of neural networks.djvu
Kgur P.G. Neural networks and neurocomputers.pdf
Komashinsky V.I. Neural networks and their application in control and communication systems 2003.pdf
Korotky S. Hopfield and Hamming neural networks.pdf
Korotky S. Neural networks. Back propagation algorithm.pdf
Korotky S. Neural networks. Learning without a teacher.pdf
Korotky S. Neural networks. Basic concepts.pdf
Krisilov V.A. Kondartiuk A.V. Conversion of neural network input data to improve discriminability.pdf
Krisilov V.A. Oleshko D.N. Methods of acceleration of training of neural networks.doc
Krisilov, V.A., Chumichkin, K.V. Acceleration of Neural Network Learning by Adaptive Simplification of Learning Samples.
Krisilov V.A. Presentation of the initial data in tasks of neural network forecasting.pdf
Kruglov V.V. Fuzzy Logic and Artificial Neural Networks.djvu
Kruglov, Borisov - Artificial Neural Networks. Theory and practice, 2002.djvu
Kruglov, Borisov - Artificial Neural Networks. Theory and practice, 2002.txt
Liu B. Theory and practice of indefinite programming, 2005.djvu
McCulloch W., Pitts W. Logical calculus of ideas relating to neural activity.pdf
Markel J.D. Linear speech prediction. 1980.djvu
Mirkes E.M. Neurocomputer. Draft standard. 1998.pdf
Nabhan T.N. Zomaya A. On problems of creating neural network structures for performance optimisation.pdf
Napalkov A. V., Pragina L. L. - The Human Brain and Artificial Intelligence.docx
Oleshko D.N. Increase of quality and speed of training of neural networks in a task of the forecasting of behavior of time series.doc
Oleshko D.N. Increasing the Quality and Speed of Neural Network Learning.doc
Ostrovsky S. Neural Networks for Information Processing 2000.djvu
Pitenko A.A. Using Neural Network Technologies to Solve Analytical Problems in GIS.pdf
Senashova M.Y. Errors of neural networks. Calculation of errors in synaptic weights. 1998.pdf
Subbotin S.A. Neurocybernetics in the USSR-CIS - Analyses of Inventions and Patents.pdf
Tarasenko R.A. Choice of size of description of a situation at formation of training sample for neural networks in tasks of forecasting of time series.doc
Tarasenko R.A. Preliminary estimation of the training selection quality for neural networks in tasks of time series forecasting.doc
Terekhov S.A. Technological aspects of neural network machine learning. 2006.pdf
Tyumentsev Yu.V. Intelligent Autonomous Systems - a Challenge for Information Technologies.pdf
Wosserman, F. Neurocomputer Engineering.doc
Wosserman, F. Neurocomputer engineering. Theory and practice.doc
Haikin S. Neural networks - complete course.djvu
Tsaregorodtsev V.G. Semi-empirical knowledge production from data tables by means of trainable artificial neural networks.pdf

On DSP:

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
Eificher E. Jervis B. Digital Signal Processing. A Practical Approach. 2004.djvu
Anokhina A.M. Digital processing of signals in measuring systems of physical experiment. Calculation of filters.pdf
Antonyu A. Digital filters. Analysis and design. 1983.djvu
Arutyunov P.A. Theory and application of algorithmic measurements.1990.djvu
Belodedov M.V. Design methods for digital filters. 2004.pdf
Bleihut R. Fast algorithms for digital signal processing. 1989.djvu
Bogner, R. Konstantinidis, A. Introduction in Digital Filtering. 1976.djvu
Bracewell R. The Hartley Transform. Theory and practice. 1990.djvu
Vinokurov A. GOST 28147-89 encryption algorithm its using and realisation for computers of Intel x86 platform.djvu
Vorobyev V.I. Gribunin V.G. Theory and practice of wavelet transform. 1999.djvu
Gold, B. Digital Signal Processing. 1973.djvu
Goldenberg L.M. Digital Signal Processing. 1990.djvu
Gutnikov V.S. Filtering of Measuring Signals. 1990.djvu
Davidov A.V. Digital Signal Processing.docx
Davidov A.V. DIGITAL SIGNAL PROCESSING.pdf
Dakhnovich A.A.pdf
Denisenko A.N. Signals. Theoretical radio engineering.djvu
Zalmanzon L.A. Fourier, Walsh and Haar Transforms. Part 1.djvu
Zalmanzon L.A. Fourier, Walsh, Haar transforms. Part 2.djvu
Zalmanzon L.A. Fourier, Walsh, Haar transforms. Part 3.djvu
Zverev V.A. Stromkov A.A. Signal extraction from noise by numerical methods 2001.djvu
Kay, S.M. Modern spectral analysis methods.djvu
Kolos M.V. Optimal digital filtering methods. 2000.pdf
Komarov A.V. Digital signal processors. 2003.doc
Krisilov V.A. Poberezhnik S.M. Approximation of complex dependences by structure-flexible polynomial and harmonic series.pdf
Krisilov V.A. False compactness problems in discrete feature space in taxonomy tasks. pdf
Kuo B. Theory and design of digital control systems. 1986.djvu
Lazarev, S. Fast Fourier transform for signal processing in automation devices.pdf
Lebedev A.N. Methods of digital modelling. 1988.pdf
Lukin A. Introduction in digital signal processing. 2002.djvu
Nussbaumer G. Fast Fourier Transform and convolution algorithms. 1985.djvu
Olsson G. Digital Automation and Control Systems. Part 1. 2001.djvu
Olsson G. Digital Automation and Control Systems. Part 2. 2001.djvu
Oppenheim A.V. Digital Signal Processing. 1979.djvu
Ostapenko A.G. Recursive filters on microprocessors. 1988.djvu
Rabiner L. Gould B. Theory and Application of Digital Signal Processing. 1978.djvu
Rabiner L.R. Shafer R.V. Digital Signal Processing. 1981.pdf
Radiotekhnika ¹03 2000_00.djvu
ITU Recommendation G721rus.djvu
ITU Recommendations G726 and G727 ADICM Algorithm Comparison.djvu
ITU G726 Recommendation Annex A.djvu
ITU G727 Recommendations.djvu
ITU G727 Recommendations Appendix A.djvu
Robinson E.A. History of Spectral Estimation Theory Development. 1982.djvu
Rossiev A.A. Curve data modelling for gap recovery in tables.pdf
Sato Y. Signal Processing.djvu
Sergienko A.B. Digital signal processing. 2003.djvu
Siebert W.M. Circuits, signals, systems. Part 1. 1988.djvu
Sibert, U.M. Circuits, signals, systems. Part 2. 1988.djvu
Sizikov V.S. Stable Methods of Processing of Measurement Results 1999.pdf
Sinclair, Jan. Introduction in Digital Audio Engineering. 1990.djvu
Solonina A. Ulakhovich D. Algorithms and processors of digital signal processing. 2002.djvu
Solonina A.I. Fundamentals of digital signal processing. 2005.djvu
Stepanov A.V. Methods of computer signal processing of radio communication systems.doc
Trachtman A.M. Fundamentals of discrete signals theory on finite intervals. 1975.djvu
Widrow B. Adaptive Signal Processing. 1989.djvu
Walt Kester Digital Signal Processing. Analog Devices.pdf
Fink L.M. Signals, Interference, Errors. Part 1. 1984.djvu
Fink, L.M. Signals, Interference, Errors. Part 2. 1984.djvu
Fink L.M. Theory of Discrete Message Transmission Part 1 1970.djvu
Fink L.M. Theory of Discrete Message Transmission Part 2 1970.djvu
Flanagan D.L. Analysis, synthesis and perception of speech. 1968.djvu
Franks L. Signal Theory. 1974.djvu
Harkevich A.A. Struggle with Interference. 1965.djvu
Hemming, R.W. Digital Filters. 1980.djvu
Huang T.S. Fast algorithms in digital image processing 1984.djvu
Shchatilov V. Prospects of New Analog Devaces Solutions Application in Modern Digital Communication Systems.pdf
Yaroslavsky L.P. Digital signal processing in optics and holography.djvu

If anybody needs I can upload to any ftp server

[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

Can you get it on Narod?

[Andrey Dik]

gumgum >>:

На Narod можеш?

Just describe what to do and how to do it. I'll fill it in when I'm done and I'll let you know.