штучна нейронна мережа (ШНМ)

Оброблення радіосигналів з допомогою штучних нейронних мереж (ШНМ) має великий потенціал досліджень, який можна обґрунтувати адаптивністю ШНМ до різних умов передавання та здатністю виявляти абстрактні закономірності зміни параметрів сигналів. У статті проведено огляд робіт інших авторів, присвячених різним способам використання ШНМ для оброблення радіосигналів. Беручи до уваги відомості в оглянутих роботах, було сформовано завдання дослідження, яке полягає в розробленні оптимізованої моделі ШНМ для оброблення радіосигналів.

Розроблено метод вибору оптимальної структури прихованих шарів штучної нейронної мережі (ШНМ), ідеєю якого є практичне застосування декількох внутрішніх структур ШНМ і розрахунку похибки роботи кожної структури прихованих шарів з використанням ідентичних наборів даних для навчання ШНМ, що виключає вплив специфіки даних у навчальній вибірці на результати роботи алгоритму.

Mathematical model is a good approach to deal with the coupling effects of governing parameters in algal bloom growth. Amongmanymodels to deal with combining factors and data-based supervised learning classifiers, the Artificial Neural Network (ANN) has the most significant impact on the development of bloom pattern.

In previous work (Hushchyna and Nguyen-Quang, 2017), we have introduced the Modified Redfield Ratio (MRR) to estimate algal blooms occurring in Mattatall Lake, Nova Scotia (Canada). The goals of this paper are to test this modified index based on nutrient level to estimate bloom patterns via field experimental data and by the mathematical simulation with a supervised learning model Artificial Neural Network.