| dc.contributor.author | Головко, Владимир Адамович | |
| dc.contributor.author | Крощенко, Александр Александрович | |
| dc.coverage.spatial | Минск | ru_RU |
| dc.date.accessioned | 2023-11-02T10:51:14Z | |
| dc.date.available | 2023-11-02T10:51:14Z | |
| 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. научно-технической конференции, Минск, 19–21 февраля 2015 г. / редкол. : В. В. Голенков (отв. ред.) [и др.]. – Минск : БГУИР, 2015. – С. 481–486. – Библиогр.: с. 486 (8 назв.). | ru_RU |
| dc.identifier.uri | https://rep.bstu.by/handle/data/36816 | |
| dc.description | Golovko Vladimir Adamovich, Kroshchanka Alexander Alexandrovich.Appliying deep belief neural networks to extraction valueble semantic features | ru_RU |
| 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.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 | Научный доклад (Working Paper) | ru_RU |
| dc.identifier.udc | 004.89 | ru_RU |
| dc.abstract.alternative | 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. | ru_RU |
