procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.34822/1999-7604-2021-4-48-53procyber-398Research ArticleТЕХНИЧЕСКИЕ НАУКИEngeneeringНЕПАРАМЕТРИЧЕСКИЙ НЕЙРОСЕТЕВОЙ ГЕНЕРАТОР ПСЕВДОСЛУЧАЙНЫХ ВЕЛИЧИНNON-PARAMETRIC NEURAL NETWORK GENERATOR OF PSEUDO RANDOM VALUESЧерепановО. С.CherepanovO. S.

E-mail: ocherepanov@inbox.ru

E-mail: ocherepanov@inbox.ru

МаерА. В.MaerA. V.Курганский государственный университет, КурганРоссияKurgan State University, KurganRussian Federation20212812202104 (44)4853Copyright © Черепанов О.С., Маер А.В., 20212021Черепанов О.С., Маер А.В.Cherepanov O.S., Maer A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestcyber.ru/jour/article/view/398

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.

The aim of the study is to build a generator in a neural network basis and to create an algorithm for training a multilayer perceptron to solve the problem of pseudo-random values generation. Based on the results of the study on various distributions and sample sizes using computer modeling,the high efficiency of the proposed architecture and training scheme for the algorithm is shown.

искусственные нейронные сетигенератор псевдослучайных величиннепараметрический уровень.artificial neural networkspseudo-random variable generatornon-parametric level.ReferencesЭфрон Б. Нетрадиционные методы многомерного статистического анализа. М. : Финансы и статистика, 1998. 263 с.Эфрон Б. Нетрадиционные методы многомерного статистического анализа. М. : Финансы и статистика, 1998. 263 с.Davison A. C., Hinkley D. V. Bootstrap Methods and Their Application. Cambridge University Press, 1997.Davison A. C., Hinkley D. V. Bootstrap Methods and Their Application. Cambridge University Press, 1997.Bickel P., Freedman D. Some Asymptotic Theory for the Bootstrap // Ann Statist. 1981. Vol. 9, Is. 6. P. 1196–1217.Bickel P., Freedman D. Some Asymptotic Theory for the Bootstrap // Ann Statist. 1981. Vol. 9, Is. 6. P. 1196–1217.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.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.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. 403–407Маер 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. 403–407Devroye L. Non-uniform Random Variate Generation. N. Y. : Springer-Verlag, 1986. 843 p.Devroye L. Non-uniform Random Variate Generation. N. Y. : Springer-Verlag, 1986. 843 p.Батраков П. А., Маер А. В., Симахин В. А. Одномерный непараметрический датчик с учетом априорной информации // Омский науч. вестник. 2012. № 2. С. 42–47.Батраков П. А., Маер А. В., Симахин В. А. Одномерный непараметрический датчик с учетом априорной информации // Омский науч. вестник. 2012. № 2. С. 42–47.Васильев В. А., Добровидов А. В., Кошкин Г. М. Непараметрическое оценивание функционалов от распределений стационарных последовательностей. М. : Наука, 2004. 510 с.Васильев В. А., Добровидов А. В., Кошкин Г. М. Непараметрическое оценивание функционалов от распределений стационарных последовательностей. М. : Наука, 2004. 510 с.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.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.Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М. : ДМК Пресс, 2018. 652 с.Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М. : ДМК Пресс, 2018. 652 с.Джулли А. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и Tensorflow. М. : ДМК Пресс, 2018. 294 с.Джулли А. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и Tensorflow. М. : ДМК Пресс, 2018. 294 с.Parzen E. On Estimation of Probability Density Function and Mode // Ann Math Statist. 1962. Vol. 33, Is. 3. P. 1065–1076.Parzen E. On Estimation of Probability Density Function and Mode // Ann Math Statist. 1962. Vol. 33, Is. 3. P. 1065–1076.

The authors declare that there are no conflicts of interest present.