Використано підхід на основі автоасоціативних нейронних мереж, які є мережами прямого поширення.
Метою навчання мережі є якомога точніше відтворення на виході даних, які подаються на вхід. Якщо вхідні дані містять пропуски, похибка навчання може бути досить значною. Тоді вносяться зміни у значення пропущених елементів і навчання повторюється. Коли похибка не перевищуватиме порогового значення, матрицю вхідних даних уже без пропусків можна зберегти як частину повної бази.
Основні переваги
- навчання мережі на основі моделі геометричних перетворень;
- висока швидкість із встановленням лінійних або нелінійних залежностей між вхідними даними за одну ітерацію;
- оперативне здійснення повторного навчання при надходженні нових вхідних даних або при змінах у значеннях пропущених елементів.
Вирішує проблеми
зменшення впливу відсутності, неповноти або нерелевантності даних вимірів та спостережень у технічних, природничих та економічних системах на формування висновків і прийняття управлінських рішень.
Пропонуємо
продаж ліцензії, спільне доопрацювання розробки до промислового рівня
Підрозділи, яких стосується розробка