Preview

Вестник кибернетики

Расширенный поиск

НЕПАРАМЕТРИЧЕСКИЙ НЕЙРОСЕТЕВОЙ ГЕНЕРАТОР ПСЕВДОСЛУЧАЙНЫХ ВЕЛИЧИН

https://doi.org/10.34822/1999-7604-2021-4-48-53

Полный текст:

Аннотация

Цель работы – построение генератора в нейросетевом базисе и создание алгоритма обучения многослойного перцептрона для решения задачи генерации псевдослучайных величин. По результатам исследования на различных распределениях и объемах выборки с использованием компьютерного моделирования показана высокая эффективность предложенной архитектуры и схемы обучения алгоритма.

Об авторах

О. С. Черепанов
Курганский государственный университет, Курган
Россия

E-mail: ocherepanov@inbox.ru



А. В. Маер
Курганский государственный университет, Курган
Россия


Список литературы

1. Эфрон Б. Нетрадиционные методы многомерного статистического анализа. М. : Финансы и статистика, 1998. 263 с.

2. Davison A. C., Hinkley D. V. Bootstrap Methods and Their Application. Cambridge University Press, 1997.

3. Bickel P., Freedman D. Some Asymptotic Theory for the Bootstrap // Ann Statist. 1981. Vol. 9, Is. 6. P. 1196–1217.

4. Tereshchenko E. P., Teskin O. I., Simakhin V. A. Bootstrap Models for Interval Estimation of Longevity Characteristics of Sequential Systems From Small // J Math Sci. 1996. Vol. 81, № 4. P. 2811‒2817.

5. Маер А. В., Симахин В. А. Непараметрические датчики случайных векторов // Оптика атмосферы и океана. Физика атмосферы : сб. материалов XVI Междунар. симпозиума. Иркутск, 12–15 октября 2009 г. Томск, 2009. С. 403–407

6. Devroye L. Non-uniform Random Variate Generation. N. Y. : Springer-Verlag, 1986. 843 p.

7. Батраков П. А., Маер А. В., Симахин В. А. Одномерный непараметрический датчик с учетом априорной информации // Омский науч. вестник. 2012. № 2. С. 42–47.

8. Васильев В. А., Добровидов А. В., Кошкин Г. М. Непараметрическое оценивание функционалов от распределений стационарных последовательностей. М. : Наука, 2004. 510 с.

9. Лемешко Б. Ю., Лемешко С. Б., Чимитова С. Н. Статистический анализ данных, моделирование и исследование вероятнстных закономерностей. Компьютерный подход. Новосибирск : Изд-во НГТУ, 2011. 888 с.

10. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М. : ДМК Пресс, 2018. 652 с.

11. Джулли А. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и Tensorflow. М. : ДМК Пресс, 2018. 294 с.

12. Parzen E. On Estimation of Probability Density Function and Mode // Ann Math Statist. 1962. Vol. 33, Is. 3. P. 1065–1076.


Рецензия

Для цитирования:


Черепанов О.С., Маер А.В. НЕПАРАМЕТРИЧЕСКИЙ НЕЙРОСЕТЕВОЙ ГЕНЕРАТОР ПСЕВДОСЛУЧАЙНЫХ ВЕЛИЧИН. Вестник кибернетики. 2021;(4 (44)):48-53. https://doi.org/10.34822/1999-7604-2021-4-48-53

For citation:


Cherepanov O.S., Maer A.V. NON-PARAMETRIC NEURAL NETWORK GENERATOR OF PSEUDO RANDOM VALUES. Proceedings in Cybernetics. 2021;(4 (44)):48-53. (In Russ.) https://doi.org/10.34822/1999-7604-2021-4-48-53

Просмотров: 19


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1999-7604 (Online)