Homogeneous artificial neural network with a variable activation function of the neuron

Cover Page

Cite item

Full Text

Abstract

The model of homogeneous artificial neural network (ANN) with a variable activation function of the neuron isstudied. The program is developed on Python 3. Numerical experiments for artificial neural network training using classical nonlinear programming methods (gradient, Monte Carlo, coordinate descent) on the basis of empirical data of blood tests showed that such approach can be used for the ANN-models implementation in various fields.

About the authors

Aleksander Anatolevich Arzamastsev

Tambov State University named after G.R. Derzhavin

Email: arz_sci@mail.ru
Doctor of Technics, Professor, Head of Mathematical Modeling and Information Technologies Department Tambov, Russian Federation

Maksim Aleksandrovich Kislyakov

Tambov State University named after G.R. Derzhavin

Email: arz_sci@mail.ru
Student of Training Direction “Applied Mathematics and Informatics” of Mathematics, Natural Science and Information Technologies Institute Tambov, Russian Federation

Natalya Aleksandrovna Zenkova

Tambov State University named after G.R. Derzhavin

Email: arz_sci@mail.ru
Candidate of Psychology, Associate Professor of Mathematical Modeling and Information Technologies Department Tambov, Russian Federation

References

  1. Новиков А.С., Ежов А.А. Многослойная нейронная сеть Розенблатта и ее применение для решения задачи распознавания подписей // Известия ТулГУ. Технические науки. 2016. № 2. С. 188-197.
  2. Благовещенская Е.А., Зуев Д.В. Модификация метода RPROP для решения задач распознавания образов // Интеллектуальные технологии на транспорте. 2015. № 3. С. 46-49.
  3. Жиляков Е.Г., Лихошерстный А.Ю. Метод нейросетевого распознавания объектов на аэрокосмических изображениях земной поверхности // Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2011. № 13-1 (108). С. 115-120.
  4. Арзамасцев А.А., Неудахин А.В., Зенкова Н.А. Автоматизированная технология построения экспертных систем с интеллектуальным ядром на основе ИНС-моделей // Открытое образование. М., 2008. Вып. 3 (68). С. 35-39.
  5. Арзамасцев А.А., Зенкова Н.А., Неудахин А.В. Технология построения медицинской экспертной системы на основе аппарата искусственных нейронных сетей // Информационные технологии. 2009. № 8. С. 60-63.
  6. Арзамасцев А.А., Неудахин А.В. Методика разработки экспертных систем, использующих в качестве интеллектуального ядра ИНС-модели // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2008. Т. 13. Вып. 2-3. С. 219-222.
  7. Арзамасцев А.А., Фабрикантов О.Л., Зенкова Н.А., Белоусов Н.К. Оптимизация формул для расчета ИОЛ // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2016. Т. 21. Вып. 1. С. 208-213. doi: 10.20310/1810-0198-2016-21-1-208-213.
  8. Арзамасцев А.А., Зенкова Н.А., Чичук В.Н. Генерализация медицинских эмпирических данных с использованием ИНС-моделей // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2013. Т. 18. Вып. 1. С. 201-203.
  9. Мишин А.С., Арзамасцев А.А., Зенкова Н.А. Экспертная система для прогнозирования результатов лечения больных колоректальным раком, осложненных острой кишечной непроходимостью // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2012. Т. 17. Вып. 2. С. 649-658.
  10. Арзамасцев А.А., Зенкова Н.А. Система психологического тестирования на основе аппарата искусственных нейронных сетей // Искусственный интеллект. 2004. № 2. С. 237-242.
  11. Зенкова Н.А. Нейросетевое моделирование в психологических и социальных исследованиях // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2005. Т. 10. Вып. 1. С. 112-114.
  12. Крючин О.В., Арзамасцев А.А., Зенкова Н.А., Слетков Д.В. Нейросетевое моделирование социального объекта с использованием кластерных систем // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2010. Т. 15. Вып. 5. С. 372-375.
  13. Крючин О.В. Использование технологии искусственных нейронных сетей для прогнозирования временных рядов на примере валютных пар // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2010. Т. 15. Вып. 1. С. 312.
  14. Арзамасцев А.А., Крючин О.В., Азарова П.А., Зенкова Н.А. Универсальный программный комплекс для компьютерного моделирования на основе искусственной нейронной сети с самоорганизацией структуры // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2006. Т. 11. Вып. 4. C. 564-570.
  15. Арзамасцев А.А., Крючин О.В., Королев А.Н., Зенкова Н.А. Свидетельство об официальной регистрации программы для ЭВМ № 2007610622 «Многофункциональный программный комплекс для компьютерного моделирования на основе искусственной нейронной сети c самоорганизацией структуры». Заявка № 2006614383. Дата поступления 15 декабря 2006 г. Зарегистрировано в Реестре программ для ЭВМ 8 февраля 2007 г.
  16. Крючин О.В., Арзамасцев А.А. Параллельный алгоритм самоорганизации структуры искусственной нейронной сети // Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов, 2011. Т. 16. Вып. 1. C. 199-200.
  17. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. 1998. Т. 1. № 1. С. 11-24.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).