| DC Field | Value | Language |
|---|
| dc.contributor.author | Головко, В. А. | - |
| dc.contributor.author | Крощенко, А. А. | - |
| dc.date.accessioned | 2015-04-16T06:55:59Z | |
| dc.date.accessioned | 2017-07-18T09:10:17Z | - |
| dc.date.available | 2015-04-16T06:55:59Z | |
| dc.date.available | 2017-07-18T09:10:17Z | - |
| dc.date.issued | 2015 | - |
| dc.identifier.citation | Головко, В. А. Применение нейронных сетей глубокого доверия для выделения семантически значимых признаков / В. А. Головко, А. А. Крощенко // Открытые семантические технологии проектирования интеллектуальных систем = Open Semantic Technologies for Intelligent Systems (OSTIS-2015) : материалы V междунар. науч.-техн. конф. (Минск, 19-21 февраля 2015 года)/ редкол. : В. В. Голенков (отв. ред.) [и др.]. – Минск : БГУИР, 2015. – С. 481-486. | ru_RU |
| dc.identifier.isbn | 978-985-543-034-7 | - |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/4138 | - |
| dc.description.abstract | В работе приводятся основные принципы построения и обучения нейронной сети глубокого доверия для выделения семантически значимых признаков на основе выборки CIFAR-10. Для предобучения нейронной сети глубокого доверия применяется разработанных подход, базирующийся на минимизации ошибки реконструкции видимых и скрытых образов для ограниченной машины Больцмана (RBM). | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | материалы конференций | ru_RU |
| dc.subject | Оstis | ru_RU |
| dc.subject | семантическая сеть | ru_RU |
| dc.subject | нейронная сеть глубокого доверия | ru_RU |
| dc.subject | ограниченная машина Больцмана | ru_RU |
| dc.subject | ошибка реконструкции | ru_RU |
| dc.subject | метод обратного распространения ошибки | ru_RU |
| dc.title | Применение нейронных сетей глубокого доверия для выделения семантически значимых признаков | ru_RU |
| dc.title.alternative | Appliying deep belief neural networks to extraction valueble semantic features | ru_RU |
| dc.type | Article | ru_RU |
| local.description.annotation | The main principles of construction and learning
deep belief neural networks for extraction valuable semantic features are proposed. The proposed approach is based on minimization of reconstruction mean square error, which we can obtain using a simple iterations of
Gibbs sampling. | - |
| Appears in Collections: | OSTIS-2015
|
