Моделирование и разработка численных методов обучения нейронных сетей суперпозиционной линейно-нелинейной структуры

Введение
1 Исследование процесса нейросетевого моделирования и численных методов обучения нейронных сетей прямого распространения
1.1 Структура нейронных сетей прямого распространения
1.2 Исследование процесса нейросетевого моделирования
1.3 Численные методы обучения нейронных сетей и их связь с методами оптимизации.
1.3.1 Постановка задачи обучения
1.3.2 Численные методы обучения на основе методов безусловной оптимизации .
1.3.3 Численные методы обучения на основе методов решения нелинейных задач о наименьших квадратах
1.3.4 Процедура обратного распространения ошибки Постановка задач диссертационного исследования.
2 Разработка численных методов обучения нейросетевых моделей, учитывающих их суперпозиционную линейнонелинейную структуру
2.1 Применение блочных рекуррентноитерационных процедур в задачах обучения нейронных сетей
2.1.1 Использование блочных рекуррентноитерационных процедур в обучении нейронных сетей
2.1.2 Применение блочных процедур для последовательного наращивания структуры
2.2 Использование базового линейнонелинейного соотношения в процессе обучения
2.3 Разработка численного метода обучения нейронных сетей на
основе базового линейнонелинейного соотношения
2.3.1 Разработка метода обучения нейронных сетей стандартной структуры.
2.3.2 Распространение метода на многослойные многовыходные нейронные сети с нелинейной функцией активации в выходном слое.
Выводы.
3 Сравнительный анализ алгоритмических реализаций числен ных методов обучения
3.1 Разработка методики проведения вычислительных экспериментов по сравнению эффективности алгоритмов обучения . .
3.2 Структура программного комплекса для сравнительного исследования эффективности численных методов обучения . . .
3.2.1 Алгоритмизация процесса исследования эффективности алгоритмов обучения.
3.2.2 Структура программного комплекса исследователя . .
3.3 Результаты сравнительного анализа эффективности алгоритмов обучения
Выводы.
4 Управление ценовой политикой на основе использования ней
росетевых моделей
4.1 Разработка алгоритма принятия решений по управлению ценовой политикой предприятий
4.2 Структура программного комплекса нейросетевого моделирования для решения практических задач.
4.2.1 Алгоритмизация процесса практического использования нейронных сетей .
4.2.2 Структура программного комплекса нейросетевого моделирования .
4.3 Моделирование спроса и оптимизация тарифной политики ОАО Липецкэлектросвязь на основе использования нейронных сетей.
4.3.1 Построение нейросетевой модели спроса населения на услуги междугородной связи.
4.3.2 Оптимизация тарифной политики ОАО Липецкэлектросвязь
Выводы.
Заключение
Библиографический список
Приложения
Введение
Актуальность