| DC Field | Value | Language |
|---|
| dc.contributor.advisor | Krasnoproshin, V. V. | - |
| dc.contributor.author | Matskevich, V. V. | - |
| dc.date.accessioned | 2020-03-09T09:02:43Z | - |
| dc.date.available | 2020-03-09T09:02:43Z | - |
| dc.date.issued | 2020 | - |
| dc.identifier.citation | Krasnoproshin, V. V. Software technology for deep learning of belief neural networks / Victor V. Krasnoproshin, Vadim V. Matskevich // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OSTIS-2020) : сборник научных трудов / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. В. Голенков (гл. ред.) [и др.]. – Минск, 2020. – Вып. 4. – С. 257–262. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/38659 | - |
| dc.description.abstract | The paper provides the framework structure and contents description for solving applied problems using deep belief networks. Original network architecture, focused on parallel data processing, set of algorithms implementing training processes based on the annealing method and solving problems are proposed. The effectiveness of the described framework is demonstrated by the example of solving the problem of compressing color images. | ru_RU |
| dc.language.iso | en | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | материалы конференций | ru_RU |
| dc.subject | framework | ru_RU |
| dc.subject | annealing method | ru_RU |
| dc.subject | deep belief network | ru_RU |
| dc.subject | фреймворк | - |
| dc.subject | метод отжига | - |
| dc.subject | глубокая доверительная сеть | - |
| dc.title | Software technology for deep learning of belief neural networks | ru_RU |
| dc.title.alternative | Программная технология глубокого обучения доверительных нейронных сетей | ru_RU |
| dc.type | Статья | ru_RU |
| local.description.annotation | В докладе предлагается описание структуры и состава фреймворка для решения прикладных задач с использованием глубоких доверительных сетей. Предложены оригинальная архитектура сети, ориентированная на параллельную обработку данных, набор алгоритмов реализующих процессы обучения на основе метода отжига и решения задач. Эффективность работы описанного фреймворка демонстрируется на примере решения задачи сжатия цветных изображений. | - |
| Appears in Collections: | OSTIS-2020
|
