Dirbtinių neuronų tinklų taikymo apžvalga

Suzdalev, Ivan; Stankūnas, Jonas

Use this url to cite publication: https://hdl.handle.net/20.500.14911/137505

Dirbtinių neuronų tinklų taikymo apžvalga

Details

Publication Type (CRIS)

Straipsnis recenzuojamoje Lietuvos konferencijos medžiagoje / Article in peer-reviewed Lithuanian conference proceedings (P1f)

Publication Type (eLABa)

Straipsnis recenzuotame konferencijos darbų leidinyje / Article published in peer-reviewed conference proceedings (P1d)

Author(s)

Author	Affiliation
Suzdalev, Ivan	Aeronautikos inžinerijos katedra / Department of Aeronautical Engineering (0842)
Stankūnas, Jonas	Aeronautikos inžinerijos katedra / Department of Aeronautical Engineering (0842)

Title

Dirbtinių neuronų tinklų taikymo apžvalga

[lt]

Ivan Suzdalev, Jonas Stankūnas

Title in other language

Review of artificial neural network applications

[en]

Is part of

15-osios Lietuvos jaunųjų mokslininkų konferencijos Mokslas - Lietuvos ateitis 2012 metų teminės konferencijos Aviacijos technologijos straipsnių rinkinys, 2012 m. balandžio 13 d

Published In

Year	Start Page	End Page
2012	1	5

Publisher

Vilnius : Technika, 2012

Extent

p. 1-5

URI

URI	Access Rights
https://hdl.handle.net/20.500.14911/137505
Straipsnis	Viso teksto dokumentas (atviroji prieiga) / Full Text Document (Open Access)

Cited references

Science / Art Area

Technologijos mokslai / Technological sciences (T)

Field of Science / Art

Matavimų inžinerija / Measurement engineering (T010)

Keywords (lt)

Keywords (en)

Abstract (lt)

Šiame straipsnyje yra apžvelgiamas dirbtinių neuronų tinklų taikymas skirtingose mokslo srityse. Apžvelgiamos įvairios tinklų topologijos, tinklų apmokymo algoritmai. Yra pabrėžiamas šio matematinio tinklo taikymas uždaviniuose, kuriems sunku suformuoti klasikinį skaitinį apibrėžtą sprendimą. Šiame straipsnyje taip pat apžvelgiami tinklų įėjimo duomenys ir jų paruošimo metodai.

Abstract (en)

This article reviews the application of artificial neural networks in different science spheres. Topologies and network training algorithms are discussed. Focus is drawn to the application of such mathematical model to tasks, for which it is hard to formulate a classical numerical solution. The article also reviews neuron input data and methods for their preparation.