Una red neuronal probabilística - página 2

 

Aquí hay otro recorte del libro de texto.


 
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?

¿Qué tiene que ver un perceptrón lineal? Un MLP, o perceptrón multicapa, o en ruso, un perceptrón multicapa, dividirá cualquier espacio complejo en clases. La diferencia es el maestro, PNN es una tarea de clasificación, MLP es una tarea de aproximación en su mayor parte. A esta tarea la llamamos la red.

 
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.


Basándose en su lógica, ¿en qué clase clasificaría unared neuronalconvolucional ? Podría utilizar fácilmente un MLP para la clasificación probabilística, pero no sería una red PNN.

Hubo una acalorada discusión sobre PNN (https://forum.mql4.com/ru/9502) en su día cuando Batter ganó el concurso, aunque recomiendo investigarlo.


En primer lugar, la PNN tiene diferencias arquitectónicas, es decir, cómo se conectan las neuronas entre sí, las capas ocultas y de salida no están totalmente conectadas.

Recomiendo encontrar y leer dos artículos de Donald Specht: Probabilistic Neural Networks for Classification and Mapping o Associative Memory and Probabilistic Neural Networks.


Uno de los artículos trata de la PNN en la atacha.

 
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.


¿Qué querías decir exactamente con tu post? ¿Es que MLP no puede resolver los problemas de PNN? ¿O la PNN no es adecuada para las tareas de MLP?

Si no es así, no tiene sentido producir conceptos que tratan de lo mismo: la transformación no lineal.

O tal vez usted quiere decir que tienen una matriz diferente, en lo que la diferencia fundamental específica, por favor, ilustrar con ejemplos concretos, sin hacer referencia a la wiki y para leer artículos, libros se medirá o qué?


Arquitectura de una red PNN/GRNN

En 1990, Donald F. Specht propuso un método para formular el método del vecino ponderado descrito anteriormente en forma de red neuronal. A continuación se muestra un diagrama de unared PNN/GRNN:

Todas las redes PNN/GRNN tienen cuatro capas:

    • Capa de entrada - Hay una neurona en la capa de entrada para cada variable de predicción. En el caso de las variables categóricas, se utilizan N-1 neuronas donde N es el número de categorías. Las neuronas de entrada (o el procesamiento anterior a la capa de entrada) normaliza el rango de los valores restando la mediana y dividiendo por el rango intercuartil. Las neuronas de entrada transmiten los valores a cada una de las neuronas de la capa oculta.

    • Capa oculta - Esta capa tiene una neurona para cada caso del conjunto de datos de entrenamiento. La neurona almacena los valores de las variables predictoras del caso junto con el valor objetivo. Cuando se le presenta el vector x de valores de entrada de la capa de entrada, una neurona oculta calcula la distancia euclidiana del caso de prueba desde el punto central de la neurona y, a continuación, aplica la función del núcleo RBF utilizando el valor o los valores sigma. El valor resultante se pasa a las neuronas de la capa de patrones.

    • Capa de patrón / capa de suma - La siguiente capa de la red es diferente para las redes PNN y para las redes GRNN. En las redes PNN hay una neurona patrón para cada categoría de la variable objetivo. La categoría objetivo real de cada caso de entrenamiento se almacena con cada neurona oculta; el valor ponderado que sale de una neurona oculta se alimenta sólo a la neurona patrón que corresponde a la categoría de la neurona oculta. Las neuronas patrón suman los valores de la clase que representan (por lo tanto, es un voto ponderado para esa categoría).

      Para las redes GRNN, sólo hay dos neuronas en la capa de patrones. Una neurona es la unidad de suma del denominador y la otra es la unidad de suma del numerador. La unidad de suma del denominador suma los valores de peso procedentes de cada una de las neuronas ocultas. La unidad sumadora del numerador suma los valores de los pesos multiplicados por el valor objetivo real de cada neurona oculta.

    • Capa de decisión - La capa de decisión es diferente para las redes PNN y GRNN. En el caso de las redes PNN, la capa de decisión compara los votos ponderados para cada categoría objetivo acumulados en la capa de patrones y utiliza el mayor voto para predecir la categoría objetivo.

      En el caso de las redes GRNN, la capa de decisión divide el valor acumulado en la unidad de suma del numerador entre el valor de la unidad de suma del denominador y utiliza el resultado como valor objetivo predicho.



    ¿Y cuáles son las principales diferencias con MLP?

    Todos los autores producen conceptos; su propósito no es promover la ciencia, sino ganar dinero con los libros y artículos, al igual que los "escritores de acciones".


    PS Diferentes autores sobre NN a veces difieren en los mismos conceptos y definiciones, por lo que no tiene sentido referirse a algunos de ellos para aclarar los términos.

    PPS Lo importante es entender cómo funciona una neurona por transformación no lineal. Eso es todo, no se necesita nada más.

     
    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.


    La primera y principal diferencia es cómo se interpretan las salidas de la red y cómo se hace esta interpretación sin ambigüedad (relativa).

    En el caso de la PNN, la red está diseñada para clasificar/clasificar datos, por lo que no está totalmente mallada, mientras que la MLP sí lo está.


    Otra diferencia es que PNN puede utilizar diferentes funciones de activación para diferentes capas, por ejemplo, para la capa de salida se utiliza una función de base radial,

    mientras que el MPL utiliza tradicionalmente la misma función de activación para todas las capas.


    La PNN puede resolver los problemas de la MPL, pero ya no será una PNN, sino una variación basada en una arquitectura que no sea de base completa, y también al revés.


    En cuanto a la transformación no lineal, sí estoy de acuerdo, cualquier NS es una transformación no lineal (o lineal, el perseptrón monocapa también es un NS) y es importante entender cómo funciona,

    Pero dejas de lado un hecho más, NS tiene en cuenta la arquitectura interna de las conexiones - olvidas que el aparato matemático se basa en un prototipo biológico y un cognitrón, por ejemplo, es lo más parecido a su

    implementación.


    El autor del hilo se interesó por el aparato matemático, los artículos y las primeras fuentes que mejor lo revelan. :) Y los rasgos distintivos que te di de inmediato: la arquitectura. Y no es el deseo de los autores

    Para "dejar su huella en el arte", todo es más simple y más complicado - se necesita una regla inequívoca de interpretación de los resultados, con diferentes datos de entrada (datos de diferentes áreas de aplicación).

     
     
    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) Eso es lo que he dicho, se trata del profesor.

    2) Hmm, ¿quién prohíbe utilizar una fuerza f de activación diferente para cada neurona de la red en MLP? O más bien, el factor de curvatura en la activación f-i, ya que (la activación f-i) es la misma para todas las redes y todas las neuronas, su forma puede variar desde la lógica escalonada, en forma de s, hasta la lineal recta.

    ,

    10 es el coeficiente de curvatura.

    3) Bueno, si es así, entonces no hay necesidad de hacer un escándalo.

    4) No contradice lo que he dicho.

    5) ¿Sigues ciegamente a las autoridades de los libros y no investigas por ti mismo? No deberías. El margen de maniobra es ilimitado, y si se siguen los conceptos de los libros, a menudo contradictorios, es muy probable que se pierdan cosas muy importantes .... hmm, te estás perdiendo muchas cosas.


    En general, llámalo como quieras, la esencia de la transformación no lineal de una neurona no cambiará.


    Buena suerte.

     

    joo писал(а) >>

    ¿Vamos a tener una pelea de libros o qué?

    Lista de archivos en mi biblioteca

    En las redes:

    Un estudio de caso sobre el uso de redes neuronales para realizar trabajos técnicos.pdf
    Patrones y probabilidades de Forex.pdf
    Gorban A.N. Neuroinformática. Qué somos, a dónde vamos, cómo medir nuestro camino.pdf
    Haykin S. Filtrado de Kalman y redes neuronales.djvu
    IskusstvennyeNeironnyeSeti.TeoriyaIPraktika_cover.jpeg
    Jonsson F. Markus. Localización de vehículos en mapas de terreno reales digitalizados. Parte 1.doc
    Jonsson F. Markus. Encontrar la ruta óptima para vehículos en mapas de terreno reales digitalizados. Parte 2.doc
    Krose B. Introducción a las redes neuronales. 1996.djvu
    Long, Parks Neural Network Modeling.djvu
    Modelización y negociación del EURUSD.pdf
    Manual_de_redes_neuronales_de_previsión_de_tendencias.pdf
    rbfkalman.pdf
    ToshibaNeuronChip.pdf
    Uso de las redes neuronales recurrentes para la previsión del mercado de divisas.pdf
    Barskyi A.B. Redes neuronales de reconocimiento, control y toma de decisiones. 2004.pdf
    Berkinblit M.B. Redes neuronales 1993.djvu
    Bastens D. Redes neuronales y mercados financieros. Toma de decisiones en el comercio.djvu
    Vapnik V.N. Reconstrucción de la dependencia a partir de datos empíricos. 1997.djvu
    Voronovsky G.K. Genetic Algorithms, Artificial Neural Networks and Virtual Reality Problems. pdf
    Galushkin A.I. Teoría de las redes neuronales. Volumen 1 2000.djvu
    Goldstein B.S. Redes inteligentes. 2000.djvu
    Gorban A.N. Teorema de aproximación generalizado y capacidades computacionales de las redes neuronales.pdf
    Gorbunova E.O. Universalidad algorítmica de la máquina cinética de Kirdin.pdf
    Gorbunova E.O. Métodos de neuroinformática. Finitud y determinación de programas simples para la máquina cinética de Kirdin.pdf
    Jane Anil K. Introducción a las redes neuronales artificiales.pdf
    Dorrer M.G. Predicción intuitiva de las relaciones de grupo mediante redes neuronales.pdf
    Dorrer M.G. Métodos de neuroinformática. Aproximación de funciones multidimensionales mediante un predictor de semicapas con transductores arbitrarios.pdf
    Dubrovich V.I. Subbotin S.A. Algoritmo de aprendizaje acelerado de perseptrones.pdf
    Ezhov A. Shumsky S. Neurocomputing and its applications in economics and business.djvu
    Zhukov L.A. Uso de las tecnologías de redes neuronales para el trabajo de investigación educativa.pdf
    Zaentsev I.V. Modelos básicos de redes neuronales. 1999.pdf
    Zakharov V.N. Khoroshevsky V.F. Artificial Intelligence. Volumen 3. Software y hardware 1990.djvu
    Callan R. Conceptos básicos de redes neuronales.djvu
    Kgur P.G. Redes neuronales y neurocomputadoras.pdf
    Komashinsky V.I. Redes neuronales y su aplicación en sistemas de control y comunicación 2003.pdf
    Korotky S. Redes neuronales de Hopfield y Hamming.pdf
    Korotky S. Redes neuronales. Algoritmo de retropropagación.pdf
    Korotky S. Redes neuronales. Aprender sin profesor.pdf
    Korotky S. Redes neuronales. Conceptos básicos.pdf
    Krisilov V.A. Kondartiuk A.V. Conversión de los datos de entrada de la red neuronal para mejorar la discriminabilidad.pdf
    Krisilov V.A. Oleshko D.N. Métodos de aceleración del entrenamiento de redes neuronales.doc
    Krisilov, V.A., Chumichkin, K.V. Aceleración del aprendizaje de redes neuronales mediante la simplificación adaptativa de las muestras de aprendizaje.
    Krisilov V.A. Presentación de los datos iniciales en tareas de previsión de redes neuronales.pdf
    Kruglov V.V. Lógica difusa y redes neuronales artificiales.djvu
    Kruglov, Borisov - Redes neuronales artificiales. Teoría y práctica, 2002.djvu
    Kruglov, Borisov - Redes neuronales artificiales. Teoría y práctica, 2002.txt
    Liu B. Teoría y práctica de la programación indefinida, 2005.djvu
    McCulloch W., Pitts W. Cálculo lógico de las ideas relativas a la actividad neuronal.pdf
    Markel J.D. Predicción lineal del habla. 1980.djvu
    Mirkes E.M. Neurocomputadora. Proyecto de norma. 1998.pdf
    Nabhan T.N. Zomaya A. Sobre los problemas de creación de estructuras de redes neuronales para la optimización del rendimiento.pdf
    Napalkov A. V., Pragina L. L. - El cerebro humano y la inteligencia artificial.docx
    Oleshko D.N. Aumento de la calidad y la velocidad del entrenamiento de las redes neuronales en una tarea de la previsión del comportamiento de las series temporales.doc
    Oleshko D.N. Aumentar la calidad y la velocidad del aprendizaje de las redes neuronales.doc
    Ostrovsky S. Redes neuronales para el procesamiento de la información 2000.djvu
    Pitenko A.A. Uso de tecnologías de redes neuronales para resolver problemas analíticos en SIG.pdf
    Senashova M.Y. Errores de las redes neuronales. Cálculo de errores en los pesos sinápticos. 1998.pdf
    Subbotin S.A. Neurocibernética en la URSS-CEI - Análisis de inventos y patentes.pdf
    Tarasenko R.A. Elección del tamaño de la descripción de la situación en la formación de la muestra de entrenamiento para las redes neuronales en las tareas de previsión de series temporales.doc
    Tarasenko R.A. Estimación preliminar de la calidad de la selección del entrenamiento para redes neuronales en tareas de previsión de series temporales.doc
    Terekhov S.A. Aspectos tecnológicos del aprendizaje automático de redes neuronales. 2006.pdf
    Tyumentsev Yu.V. Sistemas autónomos inteligentes: un reto para las tecnologías de la información.pdf
    Wosserman, F. Ingeniería neuroinformática.doc
    Wosserman, F. Ingeniería neuroinformática. Teoría y práctica.doc
    Haikin S. Redes neuronales - curso completo.djvu
    Tsaregorodtsev V.G. Producción de conocimiento semiempírico a partir de tablas de datos mediante redes neuronales artificiales entrenables.pdf


    En DSP:

    Arndt J. Algoritmos para programadores ideas y código fuente.pdf
    Les Thede Diseño práctico de filtros analógicos y digitales. 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. Procesamiento digital de señales DSP y aplicaciones. 2001.pdf
    Eificher E. Jervis B. Procesamiento digital de señales. Un enfoque práctico. 2004.djvu
    Anokhina A.M. Procesamiento digital de señales en sistemas de medición de experimentos físicos. Cálculo de filtros.pdf
    Antonyu A. Filtros digitales. Análisis y diseño. 1983.djvu
    Arutyunov P.A. Teoría y aplicación de las mediciones algorítmicas.1990.djvu
    Belodedov M.V. Métodos de diseño de filtros digitales. 2004.pdf
    Bleihut R. Algoritmos rápidos para el procesamiento digital de señales. 1989.djvu
    Bogner, R. Konstantinidis, A. Introducción en el filtrado digital. 1976.djvu
    Bracewell R. La transformación de Hartley. Teoría y práctica. 1990.djvu
    Vinokurov A. GOST 28147-89 algoritmo de cifrado su uso y realización para los ordenadores de la plataforma Intel x86.djvu
    Vorobyev V.I. Gribunin V.G. Teoría y práctica de la transformada wavelet. 1999.djvu
    Gold, B. Procesamiento digital de señales. 1973.djvu
    Goldenberg L.M. Procesamiento digital de señales. 1990.djvu
    Gutnikov V.S. Filtrado de señales de medición. 1990.djvu
    Davidov A.V. Procesamiento digital de señales.docx
    Davidov A.V. PROCESAMIENTO DE SEÑALES DIGITALES.pdf
    Dakhnovich A.A.pdf
    Denisenko A.N. Señales. Radioingeniería teórica.djvu
    Zalmanzon L.A. Transformadas de Fourier, Walsh y Haar. Parte 1.djvu
    Zalmanzon L.A. Transformadas de Fourier, Walsh y Haar. Parte 2.djvu
    Zalmanzon L.A. Transformadas de Fourier, Walsh y Haar. Parte 3.djvu
    Zverev V.A. Stromkov A.A. Extracción de señales del ruido por métodos numéricos 2001.djvu
    Kay, S.M. Métodos modernos de análisis espectral.djvu
    Kolos M.V. Métodos óptimos de filtrado digital. 2000.pdf
    Komarov A.V. Procesadores digitales de señales. 2003.doc
    Krisilov V.A. Poberezhnik S.M. Aproximación de dependencias complejas mediante series polinómicas y armónicas de estructura flexible.pdf
    Krisilov V.A. Problemas de falsa compacidad en el espacio de características discretas en tareas de taxonomía. pdf
    Kuo B. Teoría y diseño de sistemas de control digital. 1986.djvu
    Lazarev, S. Transformada rápida de Fourier para el procesamiento de señales en dispositivos de automatización.pdf
    Lebedev A.N. Métodos de modelización digital. 1988.pdf
    Lukin A. Introducción al procesamiento digital de señales. 2002.djvu
    Nussbaumer G. Transformada rápida de Fourier y algoritmos de convolución. 1985.djvu
    Olsson G. Sistemas digitales de automatización y control. Parte 1. 2001.djvu
    Olsson G. Sistemas digitales de automatización y control. Parte 2. 2001.djvu
    Oppenheim A.V. Procesamiento digital de señales. 1979.djvu
    Ostapenko A.G. Filtros recursivos en microprocesadores. 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
    Recomendación UIT G721rus.djvu
    Comparación de los algoritmos ADICM de las Recomendaciones G726 y G727 de la UIT.djvu
    Recomendación UIT G726 Anexo A.djvu
    Recomendaciones UIT G727.djvu
    Recomendaciones UIT G727 Apéndice A.djvu
    Robinson E.A. History of Spectral Estimation Theory Development. 1982.djvu
    Rossiev A.A. Modelización de datos de curvas para la recuperación de huecos en tablas.pdf
    Sato Y. Signal Processing.djvu
    Sergienko A.B. Procesamiento digital de señales. 2003.djvu
    Siebert W.M. Circuitos, señales, sistemas. Parte 1. 1988.djvu
    Sibert, U.M. Circuitos, señales, sistemas. Parte 2. 1988.djvu
    Sizikov V.S. Métodos estables de tratamiento de los resultados de las mediciones 1999.pdf
    Sinclair, Jan. Introducción a la ingeniería de audio digital. 1990.djvu
    Solonina A. Ulakhovich D. Algoritmos y procesadores de procesamiento digital de señales. 2002.djvu
    Solonina A.I. Fundamentos del procesamiento digital de señales. 2005.djvu
    Stepanov A.V. Métodos de procesamiento informático de señales de sistemas de radiocomunicación.doc
    Trachtman A.M. Fundamentos de la teoría de señales discretas en intervalos finitos. 1975.djvu
    Widrow B. Procesamiento adaptativo de señales. 1989.djvu
    Walt Kester Procesamiento Digital de Señales. Analog Devices.pdf
    Fink L.M. Signals, Interference, Errors. Parte 1. 1984.djvu
    Fink, L.M. Señales, interferencias y errores. Parte 2. 1984.djvu
    Fink L.M. Teoría de la transmisión de mensajes discretos Parte 1 1970.djvu
    Fink L.M. Teoría de la transmisión de mensajes discretos Parte 2 1970.djvu
    Flanagan D.L. Análisis, síntesis y percepción del habla. 1968.djvu
    Franks L. Teoría de la señal. 1974.djvu
    Harkevich A.A. Lucha contra la interferencia. 1965.djvu
    Hemming, R.W. Filtros digitales. 1980.djvu
    Huang T.S. Algoritmos rápidos en el procesamiento digital de imágenes 1984.djvu
    Shchatilov V. Perspectivas de aplicación de las nuevas soluciones de dispositivos analógicos en los modernos sistemas de comunicación digital.pdf
    Yaroslavsky L.P. Procesamiento digital de señales en óptica y holografía.djvu


    Si alguien lo necesita puedo subirlo a cualquier servidor ftp

     
    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


    ¿Puedes hacerlo en Narod?
     
    gumgum >>:


    На Narod можеш?

    Sólo describe lo que hay que hacer y cómo hacerlo. Lo rellenaré cuando termine y te lo haré saber.