1. SCSIT
  2. Всі випуски
  3. Випуск 710, 2011
  4. Використання конкурентної ймовірнісної мережі у задачах обробки текстової інформації

Використання конкурентної ймовірнісної мережі у задачах обробки текстової інформації

SCSIT.
2011;
Випуск 710
: cc. 219 - 224
Authors: 

О. Шубкіна, І. Плісс, Є. Бодянський

Харківський національний університет радіоелектроніки

Запропоновано конкурентну ймовірнісну нейронну мережу, в якій параметр ширини активаційної функції настроюється автоматично. Запропонована штучна нейронна мережа використовується для обробки текстової інформації з метою створення семантичних анотацій текстових документів.

The competitive probabilistic neural network with activation function width automatic tuning is proposed. This neural network is used for text processing notably for semantic annotations of text documents creating.

конкурентна ймовірнісна нейронна мережа
обробка текстової інформації
  1. V. Uren, Ph. Cimiano, J. Iria, S. Handschuh, M. Vargas-Vera, E. Motta, F. Ciravegna. Semantic annotation for knowledge management: Requirements and a survey of the state of the art. Web Semantics:Science, Services and Agents on the World Wide Web 2006, Vol. 4, No. 1. P. 14–28.
  2. G. Xu, Ya. Zhang, L. Li. Web Mining and Social Networking: Techniques and Applications. –Springer: Web Information Systems Engineering and Internet Technologies Book Series, 2011. – 210 p.
  3. Resource Description Framework: Overview. [Електронний ресурс]. – Режим доступу: http://www.w3.org/RDF/.
  4. OWL Web Ontology Language: Overview. [Електронний ресурс]. – Режим доступу: http://www.w3.org/TR/owl-features/.
  5. D.F. Specht Probabilistic neural network. Neural Networks 1990, 3. P. 109–118.
  6. Бодянский Е.В., Шубкина О.В. Семантическое аннотирование текстовых документов с использованием модифицированной вероятностной нейронной сети // Системные технологи: Региональный межвузовский сборник научных трудов. – Днепропетровск, 2011. – Вып. 4 (75). – C. 48–55.
  7. L.H. Tsoukalas, R.E. Uhrig. Fuzzy and Neural Approaches in Engineering. – N.Y.: John Willey and Sons Inc., 1997. – 587 p.
  8. D.F. Spech. A general regression neural network. IEEE Trans. on Neural Networks 1991, 2. P. 568–576.
  9. O. Nelles. Nonlinear System Identification. – Berlin: Springer, 2001. – 785 p.
  10. D.R. Zahirniak, R. Chapman, S.K. Rogers, B.W. Suter, M. Kabriski, V. Pyatti. Pattern recognition using radial basis function network. Proc: 6-th Ann. Aerospace Application of AI Conf. Dayton, OH, 1990, Pp. 249–260.
  11. R. Callan. The Essence of Neural Networks. – London: Prentice Hall Europe, 1999. – 248 p.