Оптимізіція параметрів навчання нейромережевої системи обробки інформації митного контролю

Мороз, Б. І.; Коноваленко, С. М.; Moroz, B. I.; Konovalenko, S. N.

dc.contributor.author	Мороз, Б. І.
dc.contributor.author	Коноваленко, С. М.
dc.contributor.author	Moroz, B. I.
dc.contributor.author	Konovalenko, S. N.
dc.date.accessioned	2017-06-09T07:37:43Z
dc.date.available	2017-06-09T07:37:43Z
dc.date.issued	2017-06-09
dc.identifier.citation	1. Основи митної справи в Україні: Підручник / За ред. П.В. Пашка. – К.: Знання, 2008. – 652 с. 2. Семенко О.М.-М. Підвищення ефективності роботи по протидії контрабанді та порушенням митних правил, митного контролю за рахунок впровадження автоматизованої системи аналізу та управління митними ризиками на основі Fuzzyтехнології / О.М.-М. Семенко. – К.: LAT & K, 2008. – 238 с. 3. Митні інформаційні технології: навч. посібник / О.Ф. Волик, О.В. Кащеєва, І.В. Дорда та ін. / За ред. П.В. Пашка. – К. : Знання, 2011. – 391 с. 4. Konovalenko Sergii Preprocessing "raw" data sets as an important aspect of intelligent information processing / Sergii Konovalenko // International Book Series "Information Science and Computing". Artificial Intelligence Driven Solutions to Business and Engineering Problems. – Rzeszow and Sofia: ITHEA, 2012. – Book 27. – P. 133-139. 5. SPSS: Искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей: Пер. с нем. / Ахим Бююль, Петер Цёфель. – СПб.: ООО "ДиаСофтЮП", 2005. – 608 с. 6. Коноваленко С.М. Деякі аспекти розвитку системи аналізу ризиків порушення митного законодавства / С.М. Коноваленко, Б.І. Мороз // Вісник Національного технічного університету "Харківський політехнічний інститут". – Харків: НТУ "ХПІ", 2011. – № 17. – C. 109-114. 7. Коноваленко С. Применение нейронных сетей в рамках концепции "электронная таможня" / С. Коноваленко, Б. Мороз // International Book Series "Information Science and Computing". Applicable Information Models. – Sofia: ITHEA, 2011. – Book 22. – P. 104-110. 8. Christopher M. Bishop Pattern Recognition and Machine Learning (Information Science and Statistics). – Springer, 2007. – P. 738. 9. Andrew Ng Machine Learning Online Course Режим доступу: http://www.coursera.org.	uk_UA
dc.identifier.issn	2079-0031
dc.identifier.uri	http://hdl.handle.net/123456789/2496
dc.description.abstract	Розглянуто аспекти підвищення якості навчання нейронних мереж типу багатошаровий персептрон за рахунок аналізу та корегування таких параметрів, як крок навчання градієнтного методу, об’єм вхідного вектору, пераметр регуляризації. Графічно показано можливі залежності цільової функції від цих параметрів та приведено заходи, щодо зменшення негативного впливу певної ситуації. Іл.: 3. Бібліогр.: 9 назв.	uk_UA
dc.language.iso	uk	uk_UA
dc.publisher	Национальный технический университет «ХПИ»	uk_UA
dc.relation.ispartofseries	Вестник Национального технического университета “ХПИ”. Тематический выпуск “Информатика и моделирование”;2013, № 39
dc.subject	нейронна мережа	uk_UA
dc.subject	цільова функція	uk_UA
dc.subject	градієнтний метод	uk_UA
dc.subject	переробка інформації	uk_UA
dc.subject	митна служба	uk_UA
dc.subject	neural network	uk_UA
dc.subject	target function	uk_UA
dc.subject	gradient method	uk_UA
dc.title	Оптимізіція параметрів навчання нейромережевої системи обробки інформації митного контролю	uk_UA
dc.title.alternative	Optimization of parameters training a neural network of the system information processing of customs control	uk_UA
dc.type	Article	uk_UA