Journal articles on the topic 'Навчання нейронної мережі'
To see the other types of publications on this topic, follow the link: Навчання нейронної мережі.
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the top 50 journal articles for your research on the topic 'Навчання нейронної мережі.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Browse journal articles on a wide variety of disciplines and organise your bibliography correctly.
1
Федоряка, М., and K. Мелкумян. "Гібридний метод обробки зображень на конволюційних нейронних мережах." Адаптивні системи автоматичного управління 1, no. 38 (May 31, 2021): 72–76. http://dx.doi.org/10.20535/1560-8956.38.2021.233198.
Full textAbstract:
Стаття присвячена опису моделі конволюційної нейронної мережі для покращення роздільної здатності зображень на мобільних пристроях. В наш час мобільна фотографія стає все більш і більш популярною. Багато людей вибирають у якості основного пристрою для створення фото свій смартфон, оскільки це значно зручніше, швидше та дешевше за спеціалізовану камеру. Нажаль, висока роздільна здатність і якість фото доступна лише покупцям дорогих смартфонів. Саме тому актуальною є проблема покращення роздільної здатності та чіткості фотографій є неймовірно актуальною. Традиційні алгоритми без використання машинного навчання демонструють непогані результати і не потребують великого обсягу часу, потрібного на підбір наборів даних, що необхідні для тренування нейронної мережі, та, власне, на сам процес тренування. Проте, іх ефективність та якість результату значно гірша ніж у підходів з використанням нейронних мереж. Саме тому пропонується застосувати гібридний метод обробки зображень, що базується на конволюційних нейронних мережах. Структура мережі відрізняється від класичних підходів комбінацією обробки нейронною мережею та одним з більш традиційних алгоритмів обробки зображень. Запропонавана системавикористовує конволюційні нейронні мережі замість традиційних генеративних змагальних мереж. Запропонована архітектура мережі використовує автокодувальник, який вчиться на різких зображеннях шляхом вилучення ознак. Після навчання вихідне зображення пропускається через автокодувальник. Після видалення шумів та застосування корекцій, декодер створює з цих даних необхідне різке зображення. Після обробки нейронною мережею, застосовується алгоритм Unsharp Masking з буфером глибини для покращення контрасту і яскравості результуючого зображення. У статті наведено перелік переваг використання вищезазначеної системи.
Бібл. 5, іл. 1.
2
Pogrebnyak, S. V., and O. O. Vodka. "Моделювання механічної поведінки еластомірних матеріалів за допомогою штучної нейронної мережі." Scientific Bulletin of UNFU 28, no. 11 (December 27, 2018): 130–34. http://dx.doi.org/10.15421/40281123.
Full textAbstract:
У ХХІ ст. нейронні мережі широко використовують у різних сферах, зокрема в комп'ютерному моделюванні та механіці. Така популярність через те, що вони дають високу точність, швидко працюють та мають дуже широкий спектр налаштувань. Створено програмний продукт із використанням елементів штучного інтелекту для інтерполяції та апроксимації експериментальних даних. Програмне забезпечення повинно коректно працювати та давати результати з мінімальною похибкою. Інструментом розв'язання задачі було використання елементів штучного інтелекту, а точніше – нейронних мереж прямого поширення. Збудовано нейронну мережу прямого поширення. Її навчив вчитель із використанням методу зворотного розповсюдження похибки на основі навчаючої вибірки попередньо проведеного експерименту. Для тестування було побудовано декілька мереж різної структури, що отримували на вхід однаковий набір даних, якого не використовували під час навчання, але він був відомий з експерименту. Отже, було знайдено похибку мережі за кількістю виділеної енергії та середньоквадратичним відхиленням. Докладно описано тип мережі та її топологію. Метод навчання і підготовки навчаючої вибірки також описано математично. Внаслідок проведеної роботи збудовано та протестовано програмне забезпечення з використанням штучної нейронної мережі та визначено її похибку.
3
Ялова, Катерина, Ксенія Яшина, Тетяна Говорущенко, and Олександр Тарасюк. "СЕНТИМЕНТ АНАЛІЗ ЗАСОБАМИ НЕЙРОННОЇ МЕРЕЖІ." Математичне моделювання, no. 1(44) (July 1, 2021): 30–37. http://dx.doi.org/10.31319/2519-8106.1(44)2021.235906.
Full textAbstract:
У статті здійснено постановку завдання аналізу тональності вхідної текстової інформації, яке відноситься до розділу прикладної лінгвістики та обробки природньої мови. Розроблено двонаправлену нейронну мережу з довгою короткотривалою пам’яттю для розв’язання завдання сентимент аналізу. Обґрунтовано доцільність застосування додаткового шару для нейронної мережі з умовно випадковими полями. Для проведення навчання нейронної мережі застосовано корпус текстових повідомлень з соціальної мережі. Описано результати навчання, валідації та тестування розробленої нейронної мережі. Для оцінювання якості розпізнавання сентиментів застосовано метрики повноти (precision), точності (recall) та збалансованої міри F1. Найкращі значення розпізнавання на тестовому наборі даних були отримані для позитивного сентименту і склали precision = 61,92 %, recall = 69,21 %, F1 = 65,36 %.
4
Грицюк, Іванна, and Andrii Safonyk. "Розроблення інформаційної системи для спектрофотометричного аналізу." Modeling Control and Information Technologies, no. 5 (November 21, 2021): 135–36. http://dx.doi.org/10.31713/mcit.2021.44.
Full textAbstract:
Проаналізовано основні види архітектури нейронних мереж та обрано оптимальну архітектуру для процесу визначення іонів заліза спектрофотометричним методом, розроблено схему нейронної мережі, проаналізовано точність навчання та обрано аналізатор даних нейронної мережі. Для тестування роботи та отримання даних досліджень було розроблено веб-інтерфейс з використанням JavaScript фреймворк Vue.js.
5
Zhukovskyy, V. V., S. V. Shatnyi, and N. A. Zhukovska. "Нейронна мережа для розпізнавання та класифікації картографічних зображень ґрунтових масивів." Scientific Bulletin of UNFU 30, no. 5 (November 3, 2020): 100–104. http://dx.doi.org/10.36930/40300517.
Full textAbstract:
Запропоновано нейронну мережу для розпізнавання картографічних зображень ґрунтових масивів та класифікації ландшафтних ділянок за типами ґрунтових масивів із використанням нейронної мережі. Описано підходи до проектування архітектури, методів навчання, підготовки даних для проведення навчання, тренування та тестування нейронної мережі. Розроблено структурно-функціональну схему нейронної мережі, яка складається із вхідного, прихованих та вихідного шарів, кожен окремий нейрон описано відповідною активаційною функцією із підібраними ваговими коефіцієнтами. Показано доцільність застосування кількості нейронів, їх тип та архітектуру для проведення задачі розпізнавання та класифікації ділянок на кадастрових картах. Як вихідні дані використано відкриті державні інформаційні ресурси, в яких виділено окремі ділянки за типами ґрунтів, їх поширення та сформовано базу даних для навчання та тренування нейронної мережі. Проаналізовано ефективність, швидкодію та точність роботи нейронної мережі, зокрема, проведено комп'ютерну симуляцію із використанням сучасного програмного забезпечення та математичне моделювання обчислювальних процесів у середині структури нейронної мережі. Розроблено програмні засоби для попередньої підготовки та оброблення вхідних даних, подальшого тренування та навчання нейронної мережі та безпосередньо процесу розпізнавання та класифікації. Відповідно до отриманих результатів, розроблена модель та структура нейромережі, її програмні засоби реалізації показують високу ефективність як на етапі попереднього оброблення даних, так і загалом на етапі класифікації та виділення цільових ділянок ґрунтових масивів. Надалі наступним етапом досліджень є розроблення та інтеграція програмно-апаратної системи на основі розпаралелених та частково розпаралелених засобів обчислювальної техніки, що дасть змогу значно пришвидшити обчислювальні операції, досягти виконання процесів навчання та тренування нейронної мережі в режимі реального часу та без втрати точності. Подані наукові та практичні результати мають високий потенціал для інтеграції в сучасні інформаційно-аналітичні системи, системи аналізу та моніторингу за станом навколишнього середовища, технологічними об'єктами та об'єктами промисловості.
6
Проніна, О., and В. Дегтяр. "Використання нейронних мереж для коригування дефектів мовлення у дітей." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 44 (November 2, 2021): 127–33. http://dx.doi.org/10.36910/6775-2524-0560-2021-44-20.
Full textAbstract:
Визначення дефектів мовлення у дитини є актуальною науково-практичною задачею, оскільки своєчасне коректування мови дозволяє покращити комунікативні здібності дитини в майбутньому. Грунтуючись на аналізі наведеному в роботі логічним є використання згорткових нейронних мереж як інструменту виявлена дефекту і його виду. Робота присвячена розробці алгоритму для виявлена дефекту мови, що включає в себе підготовку даних для навчання моделі і використання згорткової нейронної мережі. Описана архітектура згорткової нейронної мережі, що була розроблена. Проведено експерименти для перевірки точності і адекватності розробленої моделі нейронної мережі, результати наведені у вигляді табличних даних
7
Іванов, С. М. "МЕТОД ПРОГНОЗУВАННЯ В ЕПОХІ - ПРОМИСЛОВОСТІ 4.0." Visnik Zaporiz'kogo nacional'nogo universitetu. Ekonomicni nauki, no. 2 (50) (August 12, 2021): 127–33. http://dx.doi.org/10.26661/2414-0287-2021-2-50-24.
Full textAbstract:
Для збільшення швидкості передачі даних, забезпечуючи доступ до багато- вимірних даних, використовується Big Data як інструмент в умовах промис- ловості 4.0. На основі моделі MapReduce ви можете використовувати сучасні інструменти для роботи з великими даними. Тому в роботі досліджуються великі дані як єдине централізоване джерело інформації для всієї предметної області. Крім того, у цій роботі пропонується структура системи прогнозування нейронної мережі, яка включає багато баз даних, де транзакції обробляються в режимі реального часу. Для прогнозування багатовимірних даних нейронної мережі розглядається і будується мережа в Matlab. Матриця вхідних даних та матриця цільових даних, які визначають вхідну статистичну інформацію, використовуються для навчання нейронної мережі. Розглянуто застосування алгоритму Левенберга-Марквардта для навчання нейронної мережі. Також представлені результати тренувального процесу нейронної мережі в Matlab. Представлені отримані результати прогнозування, що дозволяє зробити висно- вок про переваги нейронної мережі у багатовимірному прогнозуванні.
8
Мажара, І. П., and О. І. Тимочко. "Модель процесу управління повітряним рухом на основі нейронних нечітких мереж." Наука і техніка Повітряних Сил Збройних Сил України, no. 2(43), (May 11, 2021): 61–65. http://dx.doi.org/10.30748/nitps.2021.43.08.
Full textAbstract:
Нейронні мережі мають ряд переваг, необхідних для вирішення задачі моделювання інформаційної системи управління повітряним рухом. Але процес навчання мережі часто відбувається досить повільно. Для прискорення процесу навчання мережі ввести будь-яку апріорну інформацію (знання експерта) неможливо. До того ж аналіз навченої нейронної мережі досить складний, зазвичай вона являє собою чорний ящик для користувача. Усунути або мінімізувати існуючі недоліки нейронної мережі здатні системи на базі нечіткої логіки, які вирішують погано формалізовані задачі і пояснюють одержувані висновки роботи системи.
9
Загородній, О. "Принципи медичної діагностики злоякісного раку шкіри людини за допомогою штучних нейронних мереж." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 40 (September 19, 2020): 31–36. http://dx.doi.org/10.36910/6775-2524-0560-2020-40-05.
Full textAbstract:
Наведено принципи медичної діагностики онкологічних захворювань шкіри людини за допомогою штучних нейронних мереж. Розкрито аспекти розвитку штучного інтелекту, які дозволяють створювати на базі біологічних підходів інтелектуальні системи в різних областях застосування. Охарактеризовано етапи онкологічної діагностики, які є обов’язковими та мають фундаментальний вплив на подальше лікування пацієнта у разі діагностування злоякісного раку шкіри, результатом кожного з етапів є клінічний діагноз, морфологічний діагноз та патоморфологічний діагноз. Окреслено поняття меланоми та особливості її розвитку. Досліджено алгоритми автоматизованого комп'ютерного аналізу дерматологічних зображень, які забезпечують допомогу лікарям у постановці діагнозу та сприяють підвищенню точності діагностики. Розроблено структурну схему діагностування онкологічних захворювань шкіри людини за допомогою штучних нейронних мереж. В основі завдання диференціації патологій шкірних покривів людини лежить умовний поділ на 4 частини для вирішення завдань бінарної класифікації. Підкреслено, що навчання штучної нейронної мережі відбувається за допомогою наборів даних. Наголошується, що враховуючи завдання бінарної класифікації, у кожному напрямку застосування, наборам даних присвоюються мітки класу нуль та один, представлені у вигляді масиву. У статті розроблено детальний алгоритм, наведений у вигляді блок-схеми, здатний здійснювати постановку остаточного медичного діагнозу щодо захворювання шкіри на онкологічні патології за допомогою штучної нейронної мережі. Описаний алгоритм розроблений на основі штучних нейронних мереж, навчених вирішувати завдання бінарної класифікації. Результатом роботи штучної нейронної мережі є висновок приналежності вхідного значення до класів, на яких описана нейромережа проходила етап навчання.
10
Karpa, D. М., I. H. Tsmots, and Yu V. Opotiak. "Нейромережеві засоби прогнозування споживання енергоресурсів." Scientific Bulletin of UNFU 28, no. 5 (May 31, 2018): 140–46. http://dx.doi.org/10.15421/40280529.
Full textAbstract:
Досліджено та обґрунтовано вибір нейромережевих структур для оброблення статистичних даних з метою прогнозування та виявлення аномальних показників споживання енергоресурсів. Показано, що системам на основі нейронних мереж завжди протиставлялись експертні системи, які, на відміну від перших, очевидно програмувались. Середовище, в якому працює система, не завжди є статичним і потрібні методи опрацювання даних, які могли б адекватно реагувати на зміну середовища та вміти відповідно адаптувати отримувані результати. Нейронні мережі володіють такою особливістю, як вміння навчатись. Ця особливість і є основним аргументом для застосування таких структур у системах управління енергоефективністю. Розроблена архітектура мережі та застосований процес навчання дав змогу прогнозувати показники спожитої електроенергії з урахуванням багатьох параметрів. Особливістю розробленої архітектури є можливість здійснювати перенавчання у процесі функціонування, не перериваючи його. Використання адаптивного та безперервного навчання нейромережі дасть змогу виявляти аномальні показники даних. Точність такого виявлення було перевірено на реальній вибірці даних. Аналіз отриманих результатів показує, що використання нейронних мереж хоч і потребує швидкодії і часу на навчання, проте, під час класифікації вхідного вектора, швидкодія нейронної мережі перевищує будь-який алгоритм кластеризації.
11
Харченко, Н., and В. Сердаковський. "Нейронна мережа для діагностики хвороби Паркінсона за зображенням спіралі Архімеда." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 45 (December 23, 2021): 54–58. http://dx.doi.org/10.36910/6775-2524-0560-2021-45-08.
Full textAbstract:
У статті розглянуто актуальну проблему встановлення діагнозу Паркінсона на ранніх стадіях захворювання. Вибір теми дослідження обумовлено невиліковністю хвороби Паркінсона, отже вкрай гостро, на думку авторів є нагальне виявлення захворювання на ранніх стадіях. Констатовано, що діагностики, для точного встановлення діагнозу нині не існує, тому залишається проведення тестів для виявлення симптомів. Одним з таких, як слушно зауважують автори є малювання спіралі Архімеда, яке має доволі високу точність під час виявлення тремору спокою. Створення алгоритму для автоматичної обробки таких зображень може допомогти у проведені діагностики, а також моніторингу розвитку хвороби. Поєднання штучного інтелекту та інтернет медичних речей з часом зробить підключені пристрої для моніторингу стану здоров’я більш інтелектуальними. Нейронні мережі та величезні обсяги даних, що генеруються інтернет медичних речей, також можуть використовуватися для встановлення діагнозу. Авторами статті наголошено на фундаментальних можливостях нейронних мереж, їх сприятливій ролі у трансформації сфери радіології, шляхом заощадження часу та грошей медичних організацій. Розроблено нейронну мережу, яка зможе за зображенням намальованої спіралі Архімеда встановити діагноз. Дану мережу можна використовувати для проведення ранньої діагностики, а також подальшого моніторингу стану хвороби. Зважаючи на невелику вибірку зображень для навчання та тренування моделі авторами статті було прийняте рішення про збільшення вибірки шляхом перетворення зображень, а також використання згорткової нейронної мережі з попереднім навчанням. У результаті проведеної роботи було створено модель, яка має точність 93.7 відсотків яка дозволить автоматизувати процес діагностики хвороби на ранніх стадіях.
12
Teslyuk, V. M., and A. G. Kazarian. "Вибір оптимального типу штучної нейронної мережі для автоматизованих систем "розумного" будинку." Scientific Bulletin of UNFU 30, no. 5 (November 3, 2020): 90–93. http://dx.doi.org/10.36930/40300515.
Full textAbstract:
Розроблено метод вибору оптимального типу ШНМ, ідеєю якого є практичне використання декількох типів ШНМ, подальшого обчислення похибок роботи кожного типу з використанням ідентичних наборів даних для навчання ШНМ, що унеможливлює вплив на результати роботи алгоритму і специфіки даних у навчальній вибірці. Запропонований метод дає змогу визначити оптимальний тип ШНМ для керування побутовими приладами у будинку. Розглянуто особливості процесу розроблення програмного забезпечення, що дає змогу провести процеси навчання, випробування та отримати вихідні результати роботи алгоритму штучної нейронної мережі. Вибір штучної нейронної мережі використовують для автоматизації обчислення значень оптимальних температурних режимів у кімнатах будинку, налаштувань параметрів освітлювальних приладів та режимів роботи системи безпеки "розумного" будинку. Наведено результати дослідження взаємозв'язку між різними типами нейронних мереж, кількістю внутрішніх шарів штучної нейронної мережі і кількістю нейронів на кожному внутрішньому шарі та зміни похибки обчислень параметрів налаштувань відносно очікуваних результатів роботи. Вирішення кожної окремої поставленої задачі за допомогою систем "розумного" будинку потребує використання різних алгоритмів машинного навчання. Великі обсяги даних, що генеруються у системах "розумного" будинку, та різноманітність типів і форматів цих даних не дає змоги створити універсальний автоматизований механізм з використанням алгоритмів штучного інтелекту, який вирішував би проблеми безпеки, енергоефективності та підтримки комфортних умов проживання користувачів. Тому використання запропонованого методу вибору оптимального типу нейронної мережі, що найкраще підходить для вирішення кожної окремої задачі, забезпечує високі показники ефективності роботи систем "розумного" будинку з мінімальними значеннями похибки отриманих автоматизованих рішень порівняно з рішеннями, що прийняла людина.
13
Модло, Євгеній Олександрович, Ілля Олександрович Теплицький, and Сергій Олексійович Семеріков. "Електронні таблиці як засіб навчання нейромережевого моделювання технічних об’єктів бакалаврів електромеханіки." Theory and methods of learning mathematics, physics, informatics 13, no. 3 (December 25, 2015): 182–96. http://dx.doi.org/10.55056/tmn.v13i3.1000.
Full textAbstract:
Метою даного дослідження є розробка елементів методики використання мобільних електронних таблиць як засобу навчання нейромережевого моделювання технічних об’єктів бакалаврів електромеханіки.
Задачі дослідження:
Обґрунтування вибору нейронних мереж як засобу моделювання технічних об’єктів із прихованою або нечіткою структурою.
Реалізація алгоритму глибинного машинного навчання у середовищі мобільних електронних таблиць Google Sheets.
Об’єкт дослідження – процес професійної підготовки бакалаврів електромеханіки в технічних ЗВО, предмет – формування компетентності бакалавра електромеханіки в моделюванні технічних об’єктів.
Результати: 1) розроблено та реалізовано у середовищі мобільних електронних таблиць модель роботи інтелектуального датчику на основі нейронної мережі з двома прихованими шарами; 2) наведено приклади використання доповнення Solver для визначення вагових коефіцієнтів нейронної мережі.
Основні висновки: у процесі розробки елементів методики використання мобільних електронних таблиць як засобу навчання нейромережевого моделювання технічних об’єктів бакалаврів електромеханіки показано можливість та доцільність формування критичного мислення студентів.
14
Дзінько, Ростислав Ігорович. "Тренування штучних нейронних мереж з пороговою функцією активації методом оберненого поширення похибки." Адаптивні системи автоматичного управління 2, no. 21 (November 22, 2012): 23–28. http://dx.doi.org/10.20535/1560-8956.21.2012.30664.
Full textAbstract:
В даній статті розглядається спосіб тренування нейронних мереж прямого поширення сигналу з оберненим поширенням похибки з використанням порогової функції активації (Хевісайда). В зв’язку з тим, що порогова функція не є диференційовною на області визначення, прямо використовуватись при тренуванні штучних нейронних мереж вказаним методом вона не може. Саме тому дана робота пропонує метод імітації даної функції альтернативними, в результаті чого зростає швидкість навчання нейронної мережі до отримання певного порогового значення похибки
15
Zghoba, M. I., and Yu I. Hrytsiuk. "Прогнозування попиту на пасажирські перевезення таксі методами нейронної мережі." Scientific Bulletin of UNFU 31, no. 3 (April 29, 2021): 109–19. http://dx.doi.org/10.36930/40310317.
Full textAbstract:
Розглянуто особливості прогнозування попиту на пасажирські перевезення таксі методами нейронної мережі за різних наборів вхідних даних, складу параметрів архітектури мережі, конфігурації апаратного забезпечення та його потужності. З'ясовано, що для зменшення тривалості очікування нових замовлень та відстані до клієнтів доцільно використовувати відповідні інформаційно-аналітичні системи, робота яких ґрунтується на штучному інтелекті. Це дасть змогу вирішити проблему попиту на перевезення таксі у відповідний період доби з врахуванням погодних умов, святкових, вихідних і робочих днів, а також пори року. Врахування ж наявних транспортних об'єктів – авіарейсів, потягів чи автобусів значно покращують роботу такої дорадчої системи. Використана в роботі гібридна архітектура нейро-фаззі мережі дає змогу одночасно вирішувати завдання короткотермінового прогнозування попиту на пасажирські перевезення таксі, а також проводити діагностику самої мережі, що полягає у виявленні різких змін властивостей обчислювального процесу. Для досягнення відповідної точності прогнозу в роботі опрацьовано набори вхідних даних у кількості 4,5 млн поїздок таксі. Для зменшення тривалості процедури навчання нейронної мережі організовано паралельні обчислення між різними вузлами мережі за допомогою графічних процесорів. Проведено навчання нейронної мережі на центральному процесорі, одному та двох графічних процесорах відповідно. З'ясовано, що організація паралельних обчислень на декількох графічних процесорах не завжди зменшує тривалість процедури навчання мережі, оскільки витрати на синхронізацію градієнтів між активними процесами значно перевищують користь від паралельних розрахунків. Встановлено, що за умови великого обсягу даних для організації паралельних обчислень та відповідної архітектури нейронної мережі можна досягти деякого зменшення тривалості процедури її навчання. Визначено, що зменшення тривалості процедури навчання нейронної мережі залежить від таких чинників: її архітектури, кількості параметрів навчання, конфігурації апаратного забезпечення та організації паралельних розрахунків.
16
Бондар, О., and O. Лісовиченко. "Огляд та аналіз одного з підходів до навчання до навчання моделі нейронної мережі." Адаптивні системи автоматичного управління 2, no. 37 (May 31, 2021): 66–73. http://dx.doi.org/10.20535/1560-8956.37.2020.226815.
Full textAbstract:
У статті проведений огляд та аналіз одного з підходів до навчання моделі нейронної мережі. Створено список вимог до навчання моделі. У якості архітектури нейронної сітки розглянуто мережі прямого поширення (перцептрон та багатошаровий перцептрон) та обрано багатошаровий перцептрон. Вхідними даними для навчання та тестування моделі були відомості з ринку електричної енергії протягом одного року. Описано кожен етап побудови та навчання моделі, яка слугуватиме для прогнозування даних. Навчена модель протестована за допомогою визначення середньої абсолютної помилки у відсотках (MAPE). Побудовано графіки та таблиці, які показують залежність точності моделі від параметрів та вхідних даних при навчанні. Отримані результати можна використовувати для практичного застосування, зокрема для прогнозування економічних показників.
Бібл. 9, іл. 10, табл. 1.
17
Давидько, О. Б., А. О. Ладік, В. Б. Максименко, М. І. Линник, О. В. Павлов, and Є. А. Настенко. "КЛАСИФІКАЦІЯ УРАЖЕНЬ ЛЕГЕНЬ ПРИ COVID-19 НА ОСНОВІ ТЕКСТУРНИХ ОЗНАК ТА ЗГОРТКОВОЇ НЕЙРОННОЇ МЕРЕЖІ." Біомедична інженерія і технологія, no. 6 (November 17, 2021): 19–28. http://dx.doi.org/10.20535/2617-8974.2021.6.231887.
Full textAbstract:
Реферат – Проблематика. Визначення структури ураження легеневої тканини хворих на COVID-19 по типовим ознакам «матове скло», «бруківка», «консолідація» є важливою складовою обґрунтування діагнозу та лікувальних заходів на поточний момент терапії пацієнта. Найбільш поширеним засобом визначення стадії та типу ураження дихальних шляхів є аналіз рентген зображень та комп’ютерної томографії (КТ). Оскільки особливістю вірусної пневмонії SARS-CoV-2 є швидкий перехід від легких стадій до важких з розвитком цитокинового шторму і розповсюдження вірусу в артеріальний кровотік, то надійний та швидкий аналіз КТ зображень легень пацієнта є запорукою прийняття своєчасних лікувальних заходів. В даній роботі розглядаються можливості застосування засобів штучного інтелекту для вирішення задачі класифікації уражень легень при захворюванні COVID-19. Мета. Метою роботи є створення класифікаційної системи типу уражень легень при COVID-19 по типовим ознакам «матове скло», «бруківка», «консолідація» на основі згорткової нейронної мережі CNN та текстурних ознак, джерелом яких є матриці суміжності GLCM при різних значеннях кутів напрямку аналізу. Методика реалізації. Оскільки основою відмінностей різних типів ураження легеневої тканини на КТ зображеннях є відмінності у їх текстурних характеристиках, то в основу простору ознак класифікаційної системи закладемо елементи гістограм на основі матриць суміжності областей інтересу КТ зображень легень. У зв’язку з високими якостями перетворення простору ознак до потреб задач класифікації згортковими шарами мережі, засобом побудови класифікатора пропонується застосувати згорткову нейронну мережу. Для навчання системи ДУ “«Національний інститут фтизіатрії і пульмонології ім. Ф.Г. Яновського НАМН України» було надано 794 КТ зрізів від 20 пацієнтів із масками зображень, на яких виділені 4714 зони інтересу з означеними типами уражень легень. Була побудована модель семишарової згорткової нейронної мережі: із чотирма згортковими шарами, після перших трьох з яких йдуть агрегувальні шари. На вхід згорткової нейронної мережі одночасно подаються текстурні ознаки двох GLCM, які були отримані із сегментованих КТ зображень під різними кутами. В якості функції втрат була використана NLLLOSS. Шар активації Softmax визначає результат задачі класифікації. Результати дослідження. Побудована згорткова нейронна мережа на тестовій вибірці з 472 зображень має загальну точність класифікації у 83%, на класі «матове скло» - 90,1%, «бруківки» - 70,5%, «консолідація» – 54,2% та на робочій вибірці з 4714 ROI зображень має загальну точність у 98%, на класі «матове скло» - 98,6%, «бруківка» - 96,8%, «консолідація» – 95,4% Висновки. В роботі одержано модель з високою ефективністю класифікації типу уражень легень при COVID-19. Класифікатор побудовано на основі згорткової нейронної мережі та ознак текстури, джерелом яких є матриці суміжності областей інтересу КТ зображень легень. Ключові слова – GLCM, матриця суміжності, область інтересу, комп’ютерна томографія, COVID-19, згорткова нейронна мережа, ураження легень, матове скло, бруківка, консолідація.
18
Прочухан, Д. В. "Нейромережеве моделювання в реалізації системи визначення правильності носіння медичної маски." Системи обробки інформації, no. 1(164) (March 17, 2021): 65–72. http://dx.doi.org/10.30748/soi.2021.164.07.
Full textAbstract:
Розглянуто актуальну проблему визначення правильності одягнення медичної маски у людини. Для її вирішення запропоновано побудування моделі з використанням штучного інтелекту. Розглянуто механізм класифікації та обробки вхідних даних. Розроблено структуру згорткової нейронної мережі у вигляді моделі послідовної реалізації шарів згортки, агрегування, повного зв’язку. Обґрунтовано доцільність використання функції ReLU для активації вузлів. Застосовано метод Dropout для запобігання перенавчанню нейронної мережі. Вихідний шар реалізовано у вигляді одного нейрону з використанням функції активації сигмоїда. Оптимізація згорткової нейронної мережі здійснена методом стохастичного градієнтного спуску. Використано метод зворотного поширення помилки для навчання нейронної мережі. Розроблено програмний додаток на мові програмування Python. Використано бібліотеку Keras для забезпечення точності, правильності, повноти побудованої моделі. Проведено компіляцію з використанням бінарної перехресної ентропії в якості цільової функції. За допомогою розробленого додатку проведено ефективне навчання згорткової нейронної мережі на тестових вхідних зображеннях. Зважаючи на значні вимоги до апаратного забезпечення і програмних ресурсів, цей процес було здійснено під керуванням операційної системи Linux. Обмежена кількість періодів навчання забезпечила зменшення підсумкового часу навчання. Здійснено перевірку побудованої системи на контрольній множині. Отримано високі показники розпізнавання зображень. Працездатність програмного додатку перевірена з використанням різної апаратної і програмної конфігурації. Розроблена система може бути використані у галузях, які потребують контролю виконання правил безпеки під час пандемії.
19
Мальцев, A. "Щодо застосування глибокого навчання з підкріпленням у сучасних системах." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 44 (October 28, 2021): 37–43. http://dx.doi.org/10.36910/6775-2524-0560-2021-44-06.
Full textAbstract:
У статті розкрито принципи застосування глибокого навчання з підкріпленням у сучасних системах. Підкреслено, що у функції навчання з підкріпленням входить адаптація немарківської моделі прийняття рішень до ситуації, що склалася за рахунок аналізу передісторії процесу прийняття рішень, внаслідок чого підвищується якість прийнятих рішень. Описано принцип реалізації навчання з підкрі.пленням та схематично розкрито схему взаємодії агента з навколишнім середовищем. Для детального опису запропоновано використання 2D-задачі балансування полюсів, яку покладено в основу математичного аспекту. Наголошено, що у сучасних системах найбільш часто використовується дві схеми навчання з підкріпленням це метод часових різниць та метод Монте-Карло. Здійснено математичне обґрунтування кожного методу окремо та запропоновано архітектуру глибокої Q-мережі. Описано модельні та безмодельні методи, підкреслено, що модельні методи засновані на моделях навчання з підкріпленням, що змушують агента намагатися зрозуміти світ і створити модель для його подання. Безмодельні методи намагаються захопити дві функції, функцію переходу від станів і функцію винагороди, з цієї моделі агент має посилання і може планувати відповідно. Проте, зазначається, що немає необхідності вивчати модель, і агент може замість цього вивчати політику безпосередньо, використовуючи такі алгоритми, як Q-навчання або градієнт політики. Глибока Q-мережа, використовує згорткову нейронну мережу для прямої інтерпретації графічного представлення вхідного стану з навколишнім середовищем. Обґрунтовано, що глибоку Q-мережу можна розглядати як параметризовану мережу політики, яка постійно навчається для наближення оптимальної політики, а, математично, глибока Q-мережа використовує рівняння Беллмана для мінімізації функції втрат, що є ефективним для зниження часу. Однак використання нейронної мережі для наближення функції значення виявилося нестабільним і може призвести до розбіжностей через зміщення, що походить від корелятивних вибірок
20
Логвін, A. "Глибинне навчання для аудіо-додатків." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 42 (March 26, 2021): 72–78. http://dx.doi.org/10.36910/6775-2524-0560-2021-42-11.
Full textAbstract:
Розкрито принципи застосування глибокого навчання для нейронних мереж щодо розпізнавання аудіо-сигналів. Відокремлено області подання звуку. Підкреслено, що дослідження буде обмежено аудіо-сигналами. Описано принципи розбиття сигналу на складові елементи та їх вилучення із аудіо запису. Наведено схему формування розподілу аудіо-сигналу та запропоновано загальний підхід до задачі розпізнавання аудіо-сигналів. Він умовно поділений на три окремі етапи: обробка аудіо-запису та його перетворення у частотно-часову область, побудова спектрограми та її перетворення на формат з подальшим виведенням послідовності ознак у вигляді векторів. Визначений коефіцієнт накладання та середньозважений коефіцієнт перекриття (частковий збіг). Сформовано низку значень на основі проведеного експерименту, які показали, що на характеристики / параметри аудіо-додатків, сформовані за допомогою нейронної мережі з глибоким навчанням, має вплив метод підготовки даних, додавання шарів та формування спектру одиниць, що покращує результат за рахунок помноженого часу навчання, те саме стосується і періодичних з'єднань.
21
Акимов, В. "Алгоритми багаторівневого навчання для вирішення задачі класифікації захворювань шкіри." КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ: ОСВІТА, НАУКА, ВИРОБНИЦТВО, no. 36 (November 20, 2019): 97–102. http://dx.doi.org/10.36910/6775-2524-0560-2019-36-16.
Full textAbstract:
Захворювання шкіри сьогодні належать до розповсюджених медичних проблем. Кількість таких захворювань постійно зростає, незважаючи на розвиток медичної галузі. Рак шкіри є поширеним злоякісним новоутворенням і займає друге рангове місце у структурі онкологічної захворюваності населення України. Первинна діагностика таких хвороб здійснюється візуально, починаючи з клінічних обстежень, що можуть супроводжуватись дерматоскопічним аналізом, біопсією та гістопатологічною експертизою. У роботі виконано аналіз існуючих наукових публікацій щодо класифікації захворювань шкіри при використанні згорткових нейронних мереж, який показав, що на сьогодні існує незначна кількість публікацій з використанням глибокого навчання. Результати існуючих досліджень не містять достатнього рівня точності і результативності щодо класифікації захворювань шкіри, що підтверджує необхідність розробки нових згорткових нейронних мереж і їх подальших досліджень. Тому у роботі запропоновано технічне рішення щодо побудови згорткової нейронної мережі для класифікації захворювань шкіри.
22
Гавриленко, Олена, and Неля Новіченко. "ДОСЛІДЖЕННЯ ОПТИМІЗАТОРІВ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ БУДІВЕЛЬ ЗА АРХІТЕКТУРНИМ СТИЛЕМ." System technologies 5, no. 136 (May 29, 2021): 169–79. http://dx.doi.org/10.34185/1562-9945-5-136-2021-16.
Full textAbstract:
У статті розглянуто задачу класифікації зображень з тісними міжкласових взаємозв’язками – класифікація архітектурних стилів будівель, де велика кількість основних рис та ознак є спільною для декількох класів. Об’єктом дослідження є алго-ритм навчання нейронної мережі для розпізнавання архітектурних стилів будівель. Запропоновано метод навчання нейронної мережі для класифікації архітектурних стилів будівель за зображеннями будівель, що за меншу кількість часу навчання досягає більшої. Запропонований алгоритм оптимізатору реалізовано програмно і проведено експерименти для порівняння ефективності алгоритму.
23
Мельник, B., К. Мельник, and Б. Шульга. "Дослідження моделювання ідентифікатора емоцій людини за допомогою згорткової нейронної мережі з використанням KERAS." КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ: ОСВІТА, НАУКА, ВИРОБНИЦТВО, no. 36 (November 26, 2019): 109–22. http://dx.doi.org/10.36910/6775-2524-0560-2019-36-11.
Full textAbstract:
В даній статті наведено результати досліджень визначення емоцій людини за допомогою нейронних мереж. Розробка моделі для аналізу зображень проводилась за допомогою TensorFlow, а тренування реалізовувалось з використанням Keras. Вхідні дані використано з архіву kaggle.com - FER2013. Для аналізу зображеннь використано бібліотеку OpenCV. Мова програмування – Python 3. Даний набір інструментів вважається найпопулярнішим і найзручнішим для побудови нейронних мереж, а також систем глибинного навчання. Нейронні мережі і машинне навчання - найпопулярніші технології на даний момент. Особливо великих результатів можна досягнути поєднуючи цю технологію з іншими відомими – наприклад, з технологією об’єктно-орієнтованого програмування. Це поєднання технологій має широкий спектр застосування в різних областях, починаючи від звичайних фотосвітлин викладених в соціальних мережах, і закінчуючи контролем поведінки громадян держави або навіть планети. Аналіз емоцій дає можливість продуктовим і рекламним компаніям значно збільшити об’єм продаж, що в свою чергу збільшить прибутки [12]. Бути геніальним співбесідником, маючи можливість маніпулювати людьми знаючи що вони думають, проводити стрес-тести співробітників та оцінювати їхню реакцію, визначати реакцію людини на рекламу, оголошення, промову збирати обробляти і робити висновки. Список сфер використання обмежений лише фантазією і очікуємим результатом, тому тема цієї наукової роботи є актуальною.
24
Пікуляк, Микола Васильович, Микола Васильович Кузь, and Оксана Дмитрівна Ворощук. "УДОСКОНАЛЕННЯ ІНФОРМАЦІЙНОЇ ТЕХНОЛОГІЇ ПОБУДОВИ СИСТЕМИ ДИСТАНЦІЙНОЇ ОСВІТИ ІЗ ЗАСТОСУВАННЯМ ГІБРИДНОГО АЛГОРИТМУ НАВЧАННЯ." Information Technologies and Learning Tools 88, no. 2 (April 29, 2022): 167–85. http://dx.doi.org/10.33407/itlt.v88i2.4434.
Full textAbstract:
У статті виконано теоретичний аналіз нейро-нечітких систем, узагальнено та систематизовано їх основні характеристики, деталізовано особливості відомих алгоритмів розробки та обґрунтовано актуальність їх використання для побудови комп’ютеризованих навчальних програм. Представлено структурну модель адаптивної навчальної системи та описано систему вхідних навчальних правил, змодельованих за результатами проведеного експерименту. З метою визначення оцінки поточного рівня навченості студента введено ряд якісних показників (глибина навчання, ступінь та якість засвоєння), використання яких дозволило забезпечити повноту бази вхідних правил для здійснення нечіткого логічного виведення. Запропоновано метод на базі нечіткої нейронної мережі для побудови адаптивного модуля дистанційної системи передачі знань, застосування якого дає можливість підвищити швидкість та точність виконання обрахунків на етапі визначення навчального режиму відповідно до поточного рівня знань студента. Реалізовано адаптивний механізм побудови індивідуальної траєкторії навчання у системі дистанційної освіти на основі нечіткої нейронної мережі Мамдані. Розроблено гібридний алгоритм навчання нейро-нечіткої мережі та наведені етапи його функціонування. Досліджено особливості застосування гібридного алгоритму для визначення навчального режиму та встановлено переваги його використання шляхом паралельного й одночасного уточнення параметрів мережі. Запропоновано блок-схему гібридного алгоритму адаптивного навчального модуля, яка дозволяє мережі під час навчання модифікувати правила виведення відповідно до заданої точності навчання. Проведено експериментальне дослідження застосування гібридного алгоритму з використанням нечіткої нейронної мережі ANFIS в програмі MATLAB, що дозволило підтвердити ефективність запропонованої технології. Визначено перспективи використання математичного апарату нейромережевих технологій у дослідженні адаптивних характеристик автоматизованих навчальних систем.
25
Бажинов, О., Р. Заверуха, and Т. Бажинов. "Інформаційна комплексна система діагностики гібридних і електромобілів." Науковий журнал «Інженерія природокористування», no. 2(16) (December 1, 2020): 12–18. http://dx.doi.org/10.37700/enm.2020.2(16).12-18.
Full textAbstract:
Розглянуто штучні нейроні мережі в системі управління силовою установкою транспортного засобу з метою зменшення витрати енергії та діагностики off-line технічного стану тягової акумуляторної батареї. Отримано метод діагностики технічного стану силової установки, який використовує штучні нейронні мережі та системи нечіткого висновку для визначення технічного стану ДВЗ та тягової акумуляторної батареї.Метою роботи є підвищення ефективності діагностики функціональних систем гібридного та електромобіля шляхом оперативного синтезу управляючих впливів за енергетичними і якісними критеріями з урахуванням зовнішніх умов експлуатації. Обґрунтування методу діагностики технічного стану силової установки гібридного та електромобіля з використанням штучної нейронної мережі та системи нечіткого висновку. Дати наукове обґрунтування діагностичних параметрів силової установки гібридного автомобіля. В роботі використано штучні нейронні мережі в системі управління силовою установкою транспортного засобу з метою зменшення витрати енергії та діагностики off-line технічного стану тягової акумуляторної батареї. За допомогою симулятора навчається нейромережева модель автомобіля, яка використовує off-line навчання нейроконтролера. Якість навчання нейроконтролера визначається симулятором. При подальшому функціонуванні системи управління параметри нейронних мереж не змінюються. Відсутність адаптації вагових коефіцієнтів при функціюванні системи управління обґрунтовано тим, що це веде до втрати довго часовоїпам’яті системи управління при виникненні кратко часової несправності, а також можливості виникнення біфуркації при адаптації в нелінійних системах наведено на рисунку 1.Цільова функція оптимізації управління має на увазі мінімізацію витрати енергії при збереженні ступеню заряду тягової акумуляторної батареї при обмеженому діапазоні руху транспортного засобу в заданих умовах експлуатації.За результатами випробувань метода нейроуправління отримано, що нейроконтролер забезпечує зменшення витрати палива на 17 % і скорочує діапазон зміни ступеня зарядженості тягової акумуляторної батареї на 35 %, а також забезпечує мінімізацію викидів токсичних речовин.
26
Корнієнко, О. В., and С. О. Субботін. "ЗГОРТКОВА НЕЙРОМЕРЕЖА ДЛЯ ВИЯВЛЕННЯ ШАХРАЙСЬКИХ ОПЕРАЦІЙ З КРЕДИТНИМИ КАРТКАМИ." Automation of technological and business processes 11, no. 3 (November 11, 2019): 65–74. http://dx.doi.org/10.15673/atbp.v11i3.1503.
Full textAbstract:
В роботі вирішено завдання створення математичного забезпечення для побудови моделей кількісних залежностей на основі згорткових нейронних мереж. Запропоновано архітектуру згорткової нейронної мережі, що може використовуватися для даних, в яких вхідні значення не пов’язані між собою. В запропонованій архітектурі в якості першого шару використовується повнозв’язний шар. Завдяки цьому в процесі навчання нейронної мережі між вихідними значеннями нейронів першого шару можуть з’явитись зв’язки, що необхідні для роботи наступних згорткових шарів. Як і в звичайних згорткових нейромережах, згорткові шари можуть чергуватися із шарами підвибірки, але при цьому використовується одновимірна згортка. Після згорткових шарів використовуються повнозв’язні. В якості функції активації останнього шару використовується функція softmax, що дозволяє визначати ймовірності належності розпізнаваного екземпляра до кожного з класів. Вирішено практичне завдання виявлення шахрайських операцій з кредитними картками. Виконано побудову нейромережевих моделей, їх навчання та тестування на даних за транзакціями протягом 2 діб. Зазвичай кількість шахрайських операцій складає невелику частину від усіх операцій, тому метрика точності (accuracy) не може використовуватися для оцінки якості побудованої моделі. Для цього використано метрику AUPRC, що розраховується як площа під кривою залежності значень precision та recall. Завдяки використанню функції активації softmax на останньому шарі нейромережі, побудувати туку криву набагато простіше, ніж при використанні інших функцій активації. Порівняно результати тестування всіх побудованих моделей. За результатами тестування визначено, що якість запропонованої моделі вища, але на її навчання поребується більше часу.
27
Бeлоус, Р., Є. Крилов, and В. Анікін. "Поняття глибинного навчання та його використання для розпізнавання елементів на картографічних зображеннях." Адаптивні системи автоматичного управління 2, no. 37 (May 31, 2021): 3–7. http://dx.doi.org/10.20535/1560-8956.37.2020.226788.
Full textAbstract:
Об’єктом дослідження є процес оцифрування картографічних схем та зображень. У статті зроблено огляд основних рішень на сьогоднішній день, та їх недоліки. Також визначено варіант, для вирішення даної проблеми, запропоновано використати нейрону мережу, для розпізнавання зображення, а саме глибоке навчання. Глибоке навчання в свою чергу є класом алгоритмів машинного навчання, який використовує в собі багатошарову систему нелінійних фільтрів для відокремлення необхідних характеристик з перетвореннями.Метою роботи є зменшення часу на процес оцифровування архівів картографічних схем, за допомогою створення та навчання нейронної мережі з використання глибинного навчання.
Бібл. 5, іл. 5.
28
Білецький, Т. П., and Д. В. Федасюк. "Прогнозування дефектів у програмному забезпеченні алгоритмами глибинного навчання CNN та RNN." Scientific Bulletin of UNFU 31, no. 2 (April 29, 2021): 114–20. http://dx.doi.org/10.36930/40310219.
Full textAbstract:
Досліджено процес прогнозування дефектів у програмному забезпеченні (ПЗ) з використанням алгоритмів глибинного навчання. Показано, що цей процес складається з декількох основних етапів: пошук та підготовка даних, побудова абстрактного синтаксичного дерева (АСД), обхід дерева та кодування значень вершин у цілі числа, збалансування даних, побудова та навчання нейронної мережі. З'ясовано, що застосування цього процесу прогнозування дефектів у ПЗ може пришвидшити та полегшити пошук дефектів та відповідно знизити вартість їх виправлення. Встановлено, що передові алгоритми машинного навчання, які на цей момент використовуються на етапі побудови та навчання нейронної мережі, досі є недостатньо ефективними, щоб можна було застосовувати прогнозування дефектів у комерції, демонструючи нестабільну точність 40-60 %. За результатами досліджень встановлено, що застосування алгоритмів глибинного навчання дає точніші результати, ніж інші алгоритми машинного навчання. Для зниження дисперсії та підвищення середньої точності прогнозування запропоновано новий метод прогнозування дефектів у ПЗ на підставі поєднання двох останніх модифікацій алгоритмів глибинного навчання CNN та RNN за допомогою бінарного класифікатора логістична регресія. Проведено навчання нейронної мережі на наборі даних розміром 50 000 файлів вихідного коду, отриманих з 13-ти проєктів мовою Java. За результатами досліджень виявлено, що метод CNN+RNN в середньому дає на 10-9 % вищу точність, ніж RNN та на 2 % вищу точність, ніж CNN, що доводить доцільність використання поєднання алгоритмів глибинного навчання у задачі прогнозування дефектів. Проаналізовано точність методу CNN+RNN по кожному з ПЗ проектів з набору даних, унаслідок чого виявлено, що для 11-ти з 13-ти проєктів поєднання CNN+RNN дає не меншу точність, ніж окремо взяті CNN та RNN.
29
Безуб, Володимир. "ОСОБЛИВОСТІ ВИКОРИСТАННЯ НЕЙРОРЕГУЛЯТОРА ДЛЯ УПРАВЛІННЯ ТЕПЛОВИМИ МЕТАЛУРГІЙНИМИ ПРОЦЕСАМИ." System technologies 5, no. 136 (May 29, 2021): 39–45. http://dx.doi.org/10.34185/1562-9945-5-136-2021-04.
Full text
30
Захарченко, Раїса, Леонід Захарченко, Тетяна Кірюшатова, and Олена Штуца. "ДОСЛІДЖЕННЯ АЛГОРИТМІВ НАВЧАННЯ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ." Problems of information technologies, no. 27 (2020): 44–53. http://dx.doi.org/10.35546/2313-0687.2020.27.44-53.
Full text
31
Федорченко, Є. М., А. О. Олійник, С. К. Корнієнко, О. О. Степаненко, and М. В. Саман. "Розробка та дослідження генетичного методу для медичного діагностування цукрового діабету." Реєстрація, зберігання і обробка даних 23, no. 2 (June 29, 2021): 37–61. http://dx.doi.org/10.35681/1560-9189.2021.23.2.239216.
Full textAbstract:
У результаті дослідження розроблено інтелектуальну систему підтримки прийняття рішень для діагностування цукрового діабету, яка базується на моделях машинного навчання. Розроблено модифікований генетичний метод оптимізації параметрів нейронної мережі. Модифікація простого генетичного алгоритму, яку реалізовано в рамках виконання проєкту, дозволяє пришвидшити виконання підбору параметрів навчання нейронних мереж і підвищити результуючий показник точності порівняно з базовою версією простого генетичного алгоритму, за рахунок модифікації оператора мутації, а також, зміненого підходу до вибору особин для схрещення. Розроблена модель призначена для застосування у сфері медичного обслуговування та дозволяє з певною точністю визначати наявність ризику захворюваності пацієн-та на цукровий діабет за клінічними показниками стану здоров’я. Результатом застосування даної моделі є зменшення ймовірності по-милки лікаря, підвищення впевненості лікаря в прийнятому рішенні при постановці діагнозу та більша кількість врятованих життів за рахунок постановки вірного та своєчасного діагнозу.
32
Мінухін, С. В. "Дослідження моделі сегментації зображень з використанням розподілених режимів TensorFlow та згорткової нейронної мережі U-Net." Системи обробки інформації, no. 1(160), (March 30, 2020): 115–22. http://dx.doi.org/10.30748/soi.2020.160.15.
Full textAbstract:
Розглянуто модель сегментації медичних зображень з використанням різних розподілених режимів бібліотеки машинного навчання TensorFlow та згорткові мережі U-Net. Проведено аналіз можливостей розподілених обчислень для їх використання в TensorFlow. Описана побудована архітектура кластера робочих станцій та послідовність кроків для проведення експериментальних досліджень. Отримано оцінки втрат при навчанні у вигляді коефіцієнта Дайса, які свідчать про переваги використання синхронного режиму розподіленого навчання та в умовах масштабованості розгорнутого кластера.
33
Лавренчук, С., and Р. Ілюшик. "Дослідження технології обробки природної мови та машинного навчання при створенні chat-bot засобами Python." КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ: ОСВІТА, НАУКА, ВИРОБНИЦТВО, no. 37 (December 28, 2019): 36–42. http://dx.doi.org/10.36910/6775-2524-0560-2019-37-6.
Full textAbstract:
У статті розглянуто сучасні технології побудови додатка chat-bot, зокрема досліджено ефективність використання алгоритмів природної обробки мови, машинного навчання, а також застосування нової, більш продуктивної архітектури нейронної мережі.
34
Шубин, Богдан, Михайло Климаш, Андрій Масюк, and Андрій Осташевський. "Управління мережами мобільного зв’язку 5G за допомогою використання технологій штучного інтелекту." Information and communication technologies, electronic engineering 1, no. 1 (July 2021): 1–10. http://dx.doi.org/10.23939/ictee2021.01.001.
Full textAbstract:
Стаття стосується проблеми надмірного навантаження трафіком комірок базових станцій. З метою зменшення впливу цієї проблеми на якість послуг операторів мережі мобільного зв’язку запропоновано використовувати технологію штучного інтелекту (ШІ) для аналізу та прогнозування навантаження у мережі. ШІ чудово підходить для середовищ із безпровідним зв’язком, оскільки в ньому є безліч доступних даних для аналізу та отримання певних шаблонів. В статті запропоновано модель машинного навчання та архітектуру нейронної мережі для прогнозування навантаження на 5G комірки
35
Дакі, О. А., С. А. Олізаренко, Ю. Г. Якусевич, З. Я. Дорофєєва, and В. В. Тришин. "Інформаційна технологія розробки бази знань інтелектуальної системи автоматичного управління рухом судна." Системи озброєння і військова техніка, no. 3(67) (September 24, 2021): 52–60. http://dx.doi.org/10.30748/soivt.2021.67.07.
Full textAbstract:
Питання створення і використання універсальної інформаційної технології для промислової розробки бази знань (БЗ) інтелектуальної системи автоматичного управління рухом судна (ІСАУ) в умовах невизначеності навколишнього середовища при неповній інформації з використанням останніх досягнень в області нечіткої логіки і глибокого навчання є недостатньо дослідженими. У роботі представлена інформаційна технологія розробки БЗ ІСАУ рухом судна з використанням глибоких нейронних мереж і інтервальних нечітких логічних моделей. У процесі розробки інформаційної технології вирішені такі часткові завдання: розроблена структура і склад інформаційної технології розробки БЗ ІСАУ рухом судна; обґрунтований вибір нечіткої логічної моделі для формалізації процесу функціонування нечіткого регулятора ІСАУ рухом судна; обґрунтований вибір глибокої нейронної мережі для формального представлення моделі нейромережевого аналізатора ІСАУ рухом судна; обґрунтовано ефективність застосування інформаційної технології розробки БЗ ІСАУ рухом судна з використанням глибоких нейронних мереж і інтервальних нечітких логічних моделей. Перспективами подальших досліджень у цьому напрямку може бути розробка пропозицій щодо використання засобів автоматизованого проектування БЗ ІСАУ рухом судна з врахуванням представлення даної технології як сукупності функцій-процесів по розробці відповідної БЗ.
36
Tymockho, A., A. Samokish, and O. Aroslankin. "МЕТОДИКА ФОРМУВАННЯ НАВЧАЛЬНОЇ ВИБІРКИ ДЛЯ НАВЧАННЯ НЕЧІТКОЇ НЕЙРОННОЇ МЕРЕЖІ ПРИ АВТОМАТИЗАЦІЇ ПРОЦЕСУ ПРИЙНЯТТЯ РІШЕННЯ В ЗАДАЧАХ НАВЕДЕННЯ АВІАЦІЇ НА НАЗЕМНІ (МОРСЬКІ) ЦІЛІ." Системи управління, навігації та зв’язку. Збірник наукових праць 1, no. 59 (February 26, 2020): 7–11. http://dx.doi.org/10.26906/sunz.2020.1.007.
Full textAbstract:
В статті розроблено методика формування навчальної вибірки для навчання нечіткої нейронної мережі при автоматизації процесу прийняття рішення в задачах наведення авіації на наземні(морські) цілі. Для навчання нечіткої нейронної мережі необхідно використовувати навчальну вибірку. При підготовці навчальної вибірки для навчання нечіткої нейронної мережі процесу наведення авіації на наземні (морські) цілі існує проблема збору даних. Збір статистики на основі прикладів прийняття рішень в процесі наведення в реальних умовах застосування авіації по наземних (морських) цілях, займає багато часу, не дозволяє зібрати необхідну кількість статистичних даних для формування навчальної вибірки. Тому слід застосовувати імітаційне моделювання. Але складність, динамічність процесу наведення, та невизначеність, що зумовлена характером параметрів, які використовуються при вирішенні задачі наведення, не дозволяють застосовувати імітаційні моделі побудовані на основі традиційних методів. Це зумовлено тим, що навчальна вибірка не враховує невизначеність. Також імітаційні моделі побудовані на основі традиційних методів не враховують досвід та знання передового авіанавідника, тому отримана в результаті моделювання навчальна вибірка, не дозволить побудувати нечіткої нейронної мережі та навчити її відповідно до процесу прийняття рішення передового авіанавідника при наведені авіації на наземні (морські) цілі. Тому при побудові імітаційної моделі слід застосовувати моделі на основі математичного апарату нечіткої логіки та нечітких множин. В результаті проведеної роботи розроблено методику формування навчальної вибірки для навчання нечіткої нейронної мережі при автоматизації процесу прийняття рішення в задачах наведення авіації на наземні (морські) цілі та побудовано імітаційну модель. Дана модель дозволяє на основі вхідних даних отримувати параметри наведення, що визначаються передовим авіанавідником при вирішенні задачі наведення авіації на наземні (морські цілі). Застосування даної методики дозволило отримати навчальну вибірку, на основі якої можливе навчання ННМ для отримання інформаційної технології автоматизованої виробки рекомендацій щодо параметрів наведення авіації на наземні (морські) цілі на основі ННМ
37
Козак, Є. Б. "ПРИНЦИПИ ВПРОВАДЖЕННЯ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ У СФЕРІ ІНТЕЛЕКТУАЛЬНОГО ОБСЛУГОВУВАННЯ ПРОМИСЛОВОГО ОБЛАДНАННЯ." Таврійський науковий вісник. Серія: Технічні науки, no. 3 (November 2, 2021): 19–28. http://dx.doi.org/10.32851/tnv-tech.2021.3.3.
Full textAbstract:
У статті досліджено принципи впровадження моделей машинного навчання у сферу інтелектуального обслуговування промислового обладнання. Зазначено, що розумне вироб- ництво використовує передову аналітику даних для доповнення фізичних законів щодо підвищення ефективності роботи виробничих систем. Наголошується, що за широкого поширення датчиків та Інтернету речей (IoT) зростає потреба в обробці великих вироб- ничих даних, що характеризуються високим об’ємом, високою швидкістю і високою різ- номанітністю. Наведено схему промислової машини, яка використовується для перемо- тування та різання пакувальної плівки на виробництві. Детально розкрито виробничий процес та складено структурну схему налаштування системи, сформовано модель клас- теризації параметрів для виявлення збоїв у роботі промислової машини. Підкреслено, що дані, отримані від датчиків, фактично є дискретними даними часу, що відбираються за секунду часу, а декомпозиція даних часових рядів виявила тенденцію до зростання залиш- ків. Отримані часові ряди стаціонарувались за допомогою диференціації, а логарифмічне перетворення у свою чергу використовувалось для зменшення дисперсії даних часових рядів. При цьому наголошується, що диференціація усуває зміни рівня динамічного ряду, а отже, усуває тенденції та сезонність, причому середнє ковзне та стандартне відхи- лення знайдено незалежно від часу, на основі чого побудовано діаграму стаціонарності. Визначено етапи прогнозування та запропоновано модель інтегрованої ковзної середньої. У роботі запропоновано три моделі: метод опорних векторів, глибока нейронна мережа та наївний баєсів класифікатор, здійснено порівняння всіх трьох моделей та доведено, що модель глибокої нейронної мережі була більш ефективною в разі моделювання даних. Про- гнозна модель побудована для зменшення низькоякісних виробничих циклів та планування технічного обслуговування. Таким чином, наголошено, що машинне навчання на основі IoT допоможе подолати суттєві обмеження продуктивності та пов’язані з цим витрати на обслуговування, що в загальному випадку значно підвищить продуктивність виробничого обладнання.
38
Hlavcheva, D., and V. Yaloveha. "КАПСУЛЬНІ НЕЙРОННІ МЕРЕЖІ." Системи управління, навігації та зв’язку. Збірник наукових праць 5, no. 51 (October 30, 2018): 132–35. http://dx.doi.org/10.26906/sunz.2018.5.132.
Full textAbstract:
Предметом вивчення є історія становлення та розвиток теорії нейронних мереж, сучасні підходи до проблем розпізнавання та класифікації зображень. Особлива увага приділяється якісному огляду капсульних та згорткових нейронних мереж, принципів їх роботи та визначення основних відмінностей. Метою роботи є аналіз сучасного стану досліджень нейронних мереж та можливих перспектив розвитку цієї галузі. Завдання: проаналізувати історичний розвиток теорії нейронних мереж. Провести порівняння між типами нейронних мереж, що базуються на концепції глибокого навчання: згортковими та капсульними. Методом проведення дослідження є аналіз сучасної літератури та основних тенденцій розвитку глибокого навчання. Результатами проведеного дослідження є виявлення значущих відкриттів, що вплинули на розвиток нейронних мереж. Функціонування нейронних мереж базується на роботі нервової системи біологічних організмів. Зокрема, це принцип активності біологічного нейрону, ансамблі нейронів, виявлення «простих клітин» у зоровій корі мозку. На даний момент найбільший розвиток мають нейронні мережі, що засновані на концепції глибокого навчання, яка дозволяє багатошаровим обчислювальним моделям вивчати дані з кількома рівнями абстракції. Згорткові мережі, що використовують цю концепцію досягли значних успіхів у розпізнаванні зображень, відео та аудіо. Рекурентні мережі виявилися кращі у аналізі тексту та мови. Згорткові нейронні мережі маються низку недоліків, на яких наголошено у роботі. Капсульні нейронні мережі є вдосконаленням концепції згорткових нейронних мереж. В їх основі покладено «капсули», які призначені для виявлення характеристик об’єкта. Капсули як група нейронів характеризуються вектором активації. Запропонований відомими ученими векторний підхід дозволяє врахувати поворот та трансляцію об’єктів. Капсульні нейронні мережі потребують значно меншу навчальну вибірку, ніж згорткові. У висновках роботи визначаються основні перспективи розвитку теорії нейронних мереж, а також можливий стрімкий розвиток неконтрольованого навчання нейронних мереж. Наголошується на важливості критичного аналізу проблем нейронних мереж як вирішального фактору їх майбутнього розвитку.
39
Speranskyy, Viktor O., and Mihail O. Domanciuc. "Accelerating the learning process of a neural network by predicting the weight coefficient." Herald of Advanced Information Technology 4, no. 4 (December 23, 2021): 295–302. http://dx.doi.org/10.15276/hait.04.2021.1.
Full textAbstract:
The purpose of this study is to analyze and implement the acceleration of the neural network learning process by predicting the weight coefficients. The relevance of accelerating the learning of neural networks is touched upon, as well as the possibility of using prediction models in a wide range of tasks where it is necessary to build fast classifiers. When data is received from the array of sensors of a chemical unit in real time, it is necessary to be able to predict changes and change the operating parameters. After assessment, this should be done as quickly as possible in order to promptly change the current structure and state of the resulting substances.. Work on speeding up classifiers usually focuses on speeding up the applied classifier. The calculation of the predicted values of the weight coefficients is carried out using the calculation of the value using the known prediction models. The possibility of the combined use of prediction models and optimization models was tested to accelerate the learning process of a neural network. The scientific novelty of the study lies in the effectiveness analysis of prediction models use in training neural networks. For the experimental evaluation of the effectiveness of prediction models use, the classification problem was chosen. To solve the experimental problem, the type of neural network “multilayer perceptron” was chosen. The experiment is divided into several stages: initial training of the neural network without a model, and then using prediction models; initial training of a neural network without an optimization method, and then using optimization methods; initial training of the neural network using combinations of prediction models and optimization methods; measuring the relative error of using prediction models, optimization methods and combined use. Models such as “Seasonal Linear Regression”, “Simple Moving Average”, and “Jump” were used in the experiment. The “Jump” model was proposed and developed based on the results of observing the dependence of changes in the values of the weighting coefficient on the epoch. Methods such as “Adagrad”, “Adadelta”, “Adam” were chosen for training neural and subsequent verification of the combined use of prediction models with optimization methods. As a result of the study, the effectiveness of the use of prediction models in predicting the weight coefficients of a neural network has been revealed. The idea is proposed and models are used that can significantly reduce the training time of a neural network. The idea of using prediction models is that the model of the change in the weight coefficient from the epoch is a time series, which in turn tends to a certain value. As a result of the study, it was found that it is possible to combine prediction models and optimization models. Also, prediction models do not interfere with optimization models, since they do not affect the formula of the training itself, as a result of which it is possible to achieve rapid training of the neural network. In the practical part of the work, two known prediction models and the proposed developed model were used. As a result of the experiment, operating conditions were determined using prediction models.
40
RADIUK, P. "AN APPROACH TO ACCELERATE THE TRAINING OF CONVOLUTIONAL NEURAL NETWORKS BY TUNING THE HYPERPARAMETERS OF LEARNING." Computer Systems and Information Technologies 2, no. 2 (November 3, 2020): 32–37. http://dx.doi.org/10.31891/csit-2020-2-5.
Full textAbstract:
Over the last decade, a set of machine learning algorithms called deep learning has led to significant improvements in computer vision, natural language recognition and processing. This has led to the widespread use of a variety of commercial, learning-based products in various fields of human activity. Despite this success, the use of deep neural networks remains a black box. Today, the process of setting hyperparameters and designing a network architecture requires experience and a lot of trial and error and is based more on chance than on a scientific approach. At the same time, the task of simplifying deep learning is extremely urgent. To date, no simple ways have been invented to establish the optimal values of learning hyperparameters, namely learning speed, sample size, data set, learning pulse, and weight loss. Grid search and random search of hyperparameter space are extremely resource intensive. The choice of hyperparameters is critical for the training time and the final result. In addition, experts often choose one of the standard architectures (for example, ResNets and ready-made sets of hyperparameters. However, such kits are usually suboptimal for specific practical tasks. The presented work offers an approach to finding the optimal set of hyperparameters of learning ZNM. An integrated approach to all hyperparameters is valuable because there is an interdependence between them. The aim of the work is to develop an approach for setting a set of hyperparameters, which will reduce the time spent during the design of ZNM and ensure the efficiency of its work. In recent decades, the introduction of deep learning methods, in particular convolutional neural networks (CNNs), has led to impressive success in image and video processing. However, the training of CNN has been commonly mostly based on the employment of quasi-optimal hyperparameters. Such an approach usually requires huge computational and time costs to train the network and does not guarantee a satisfactory result. However, hyperparameters play a crucial role in the effectiveness of CNN, as diverse hyperparameters lead to models with significantly different characteristics. Poorly selected hyperparameters generally lead to low model performance. The issue of choosing optimal hyperparameters for CNN has not been resolved yet. The presented work proposes several practical approaches to setting hyperparameters, which allows reducing training time and increasing the accuracy of the model. The article considers the function of training validation loss during underfitting and overfitting. There are guidelines in the end to reach the optimization point. The paper also considers the regulation of learning rate and momentum to accelerate network training. All experiments are based on the widespread CIFAR-10 and CIFAR-100 datasets.
41
Grishmanov, E., I. Zakharchenko, P. Berdnik, and M. Kasyanenko. "ВИБІР МАТЕМАТИЧНОГО АПАРАТУ ДЛЯ ПОБУДОВИ ВЕКТОРНОЇ МОДЕЛІ ТЕКСТОВИХ ПОВІДОМЛЕНЬ ДЛЯ НАВЧАННЯ ГЛИБОКОЇ НЕЙРОННОЇ МЕРЕЖІ ПРОГНОЗУВАННЮ НЕСПРИЯТЛИВИХ АВІАЦІЙНИХ ПОДІЙ В ПОЛЬОТІ." Системи управління, навігації та зв’язку. Збірник наукових праць 2, no. 54 (April 11, 2019): 18–21. http://dx.doi.org/10.26906/sunz.2019.2.018.
Full textAbstract:
В роботі проводиться дослідження і вибір математичного апарату для побудови словника і векторної моделі текстових повідомлень для навчання глибокої гібридної нейронної мережі прогнозуванню несприятливих авіаційних подій в польоті. Для визначення вагових значень слів в текстових повідомленнях про несприятливі авіаційнї події в польоті при формуванні словника аналізуються вагові моделі на основі мір TF-IDF, TF-RF і TF-ICF. У якості методів векторного представлення текстової інформації в роботі досліджуються: «мішок слів», латентно-семантичний аналіз (Latent semantic analysis (LSA)), моделі векторного уявлення Word2Vec, Global Vectors (GloVe) та Doc2Vec. В результаті аналізу вказаних моделей і методів в якості базового підходу до формування словника уніграмм (біграмм) пропонується використовувати міру TF-ICF, а в якості моделі векторного уявлення слів (словосполучень) пропонується використовувати модель CBOW.
42
Проніна, O., and O. Яремко. "Аналіз згорткових нейронних мереж для розпізнавання порушення правил охорони праці на робочому місці." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 44 (November 2, 2021): 134–40. http://dx.doi.org/10.36910/6775-2524-0560-2021-44-21.
Full textAbstract:
Охорона праці являє собою ряд заходів і засобів, спрямованих на збереження здоров'я і працездатності людини. На різних виробництвах співробітники схильні до впливу на їх здоров'я різних негативних факторів, наприклад, носіння каски може врятувати співробітника від руйнування кісток черепа, струс головного мозку, всі ці травми відносяться до розряду важких з усіма наслідками, що випливають. Робота присвячена пошуку найкращої моделі згорткової нейронної мережі, яка буде мати найкращі показники у визначенні об'єктів, на яких модель навчилася і оптимальна у використанні програмного забезпечення. Для подальшого аналізу розмітка даних проводилася за допомогою програми labelImg, всі інші етапи навчання і тестування проводилися в середовищі Python. Набір даних включає в себе кілька розмічених класів, а саме: людина з каскою і без, людина в діелектричних рукавичках і без рукавичок, людина з сигаретою і без неї, людина в спеціального робочого взуття і без неї, людина в робочому одязі і в звичайній.
43
Melnyk, O. S., and R. P. Bazylevych. "Система ідентифікації оригіналу відео за його фрагментом з використанням згорткових нейронних мереж." Scientific Bulletin of UNFU 31, no. 3 (April 29, 2021): 94–100. http://dx.doi.org/10.36930/40310315.
Full textAbstract:
Розглянуто основні сучасні та популярні підходи до вирішення задач розпізнавання ознак зображень і відео. Встановлено переваги та недоліки актуальних методів оброблення візуальної інформації, а також сучасні невирішені проблеми, пов'язані із цим сегментом робіт. Спираючись на сучасний стан досліджень з цієї предметної області, запропоновано нову систему, призначення якої "навчитись" ідентифікувати відео за його фрагментом, враховуючи характеристики зображеного у відеоряді. Першим етапом аналізу відео є його розбиття на окремі кадри, враховуючи зміну ентропії, колірної схеми та структурні відмінності сцени. Спираючись на сучасні методи, реалізовано алгоритм перетворення відео в набір кадрів. Виявлено, що компактне представлення відео у вигляді набору ключових кадрів дає змогу виділити основні контекстні характеристики. Враховуючи сучасні методи визначення характеристик зображень та ефективність машинного навчання, вирішено застосувати згорткові нейронні мережі для визначення векторних представлень. Під час вибору коректної архітектури та моделі нейронної мережі здійснено порівняльний аналіз ефективності їх роботи з використанням бази ImageNet. В наступних етапах, роботу із відео буде представлено у вигляді маніпуляції із векторами характеристик кожного кадру. Запропоновано спосіб пошуку збігу фрагментів, враховуючи оцінку кута між векторами представлень кадрів. Для покращення оптимізації пошуку розглянуто способи застосування методів індексації векторного простору кадрів. Варто застосувати цей підхід оптимізації, щоб уникнути різкої деградації ефективності пошуку із збільшенням бази. Унаслідок виконаної роботи реалізовано програмну систему у вигляді вебаплікації, яка демонструє пошук відео за його фрагментом. Проте це тільки прототип для візуалізації процесу. Під час проведення експериментів оцінено вплив та залежність довжини відео, його роздільної здатності та обсягу тестової бази від ефективності процесу пошуку. Передусім ця робота є актуальною через цінність досліджень в напрямку розвитку методів оброблення та аналізу відеоконтенту. Виявлено, що ця система має подальший розвиток та право на існування, якщо врахувати майбутні оптимізації пошуку та покращення вилучення дескрипторів.
44
Chernenko, P., and V. Miroshnyk. "SHORT-TERM ELECTRICAL LOAD FORECASTING FOR THE ELECTRICAL SUPPLY COMPANY WITH DEEP NEURAL NETWORK." Praci Institutu elektrodinamiki Nacionalanoi akademii nauk Ukraini 2018, no. 50 (July 18, 2018): 5–11. http://dx.doi.org/10.15407/publishing2018.50.005.
Full text
45
Vitynskyi, P. B., and R. O. Tkachenko. "Нейроподібна структура для задач прогнозування в умовах коротких вибірок даних." Scientific Bulletin of UNFU 29, no. 5 (May 30, 2019): 147–50. http://dx.doi.org/10.15421/40290529.
Full textAbstract:
Задача прогнозування є однією із пріоритетних задач бізнесу. З ростом інструментарію прогнозування, а також із бурхливим розвитком потужностей комп'ютерної техніки цій задачі приділяють дедалі більше уваги. На сьогодні більшість менеджерів провідних компаній мають змогу застосовувати інформаційні системи на основі складного математичного апарату для аналізу даних. Проте проблема розуміння алгоритмів, закладених в основі таких інформаційних систем, а також правильний підбір моделі прогнозування є важливою проблемою, оскільки некоректні прогнози можуть призвести до прийняття неправильного рішення. Проблема поглиблюється у разі опрацювання недостатньої кількості даних, що характерно для розв'язання низки задач. Зокрема, для розв'язання задач прогнозування попиту на новий товар чи нову послугу організації, зокрема в системах електронної комерції, необхідна достатня кількість даних для реалізації процедур навчання. Проте їх невелика кількість, під час застосування наявних методів, призводить до неточних, некоректних прогнозів. Саме тому виникає потребу удосконалення наявних та пошуку нових рішень розв'язання задачі прогнозування в умовах коротких вибірок даних. У роботі запропоновано новий, розроблений авторами, інструмент обчислювального інтелекту для ефективного розв'язання цієї задачі. Описано нейроподібну структуру для підвищення точності розв'язання задач прогнозування в умовах коротких вибірок даних. ЇЇ побудовано з використанням штучної нейронної мережі узагальненої регресії та гібридної нейроподібної структури Моделі Послідовних Геометричних Перетворень з RBF ядром. Подано алгоритмічну реалізацію побудови методу подвоєння входів, що знаходиться в основі роботи системи. Проаналізовано процедури підбору оптимальних параметрів для її роботи. Проведено експериментальне моделювання роботи нейроподібної структури для розв'язання задачі прогнозування. Отримані результати показали високу точність її роботи. Ефективність використання розробленої структури підтверджено порівнянням її роботи з наявними – багатошаровим перцептроном, штучною нейронною мережею узагальненої регресії та машиною опорних векторів. Розроблена нейроподібна структура демонструє точність на основі MAPE відповідно у більше ніж 3, 6 та 10 разів вищу порівняно із відомими методами. Розроблену структуру можна використовувати у багатьох сферах, зокрема електронній комерції, бізнес-аналітиці, тощо.
46
Настенко, Є., В. Максименко, С. Поташев, В. Павлов, В. Бабенко, С. Рисін, О. Матвійчук, and В. Лазоришинець. "ЗАСТОСУВАННЯ МЕТОДУ ГРУПОВОГО УРАХУВАННЯ АРГУМЕНТІВ ДЛЯ ПОБУДОВИ АЛГОРИТМІВ ДІАГНОСТИКИ ІШЕМІЧНОЇ ХВОРОБИ СЕРЦЯ." Біомедична інженерія і технологія, no. 5 (May 12, 2021): 1–9. http://dx.doi.org/10.20535/2617-8974.2021.5.227141.
Full textAbstract:
Проблематика. Метод групового урахування аргументів є доволі недооціненим інструментом для отримання високоточних прогностичних моделей. Перший варіант штучної нейронної мережі (які користуються величезною популярністю в світі машинного навчання) був отриманий в 1965 році українським вченим Олексієм Івахненко, який як раз використовував метод групового урахування аргументів для навчання мережі. Відомо, що даний підхід має місце фактично в будь-якій проблематиці, і не виключенням є задача розпізнавання ішемічної хвороби серця по відеоданим спекл-трекінг ехокардіографії. Вирішення подібної задачі є актуальним, оскільки це надасть можливість аналізувати ехокардіограми навіть якщо вони не оснащені технологією спекл-трекінг.
Мета. Методом групового урахування аргументів за даними спекл-трекінг ехокардіографії побудувати класифікаційні алгоритми діагностики порушень кінематики скорочень лівого шлуночка серця у хворих на ішемічну хворобу серця в умовах стану спокою, та при застосуванні ехострестесту із добутаміновою пробою.
Методика реалізації. Національним інститутом серцево-судинної хірургії імені М.М. Амосова були надані відеодані, отримані за допомогою методу спекл-трекінг ехокардіографії, яким було обстежено 56 пацієнтів з підозрою на ішемічну хворобу серця. Серед них лише у 16 пацієнтів патологію виявлено не було. Ехокардіографія реєструвалась у B-режимі за трьома позиціями: довгої вісі, 4-камерної та 2-камерної позиціях. Усього для дослідження було використано 6245 кадрів відео потоку: 1871 – без порушень серцевої діяльності, та 4374 – при наявності патології під час обстеження.
Результати дослідження. Методом групового урахування аргументів було одержано 12 моделей класифікації з урахуванням доз добутаміну (0, 10, 20 і 40 мкг), точність яких на екзаменаційній вибірці варіювалась від 81.7% до 97.4%. Також були отримані 3 моделі класифікації без урахування доз добутаміну, які на екзаменаційній вибірці показали точність в межах 75.2-82.2%.
Висновки. Отримані високоточні моделі класифікації методом групового урахування аргументів. Дані моделі можна буде застосувати для аналізу ехокардіограм, отриманих у B-режимі на обладнанні, яке не оснащене технологією спекл-трекінг.
Ключові слова: метод групового урахування аргументів; спекл трекінг ехокардіографія; ехострестест з добутаміном; ішемічна хвороба серця.
47
Яровой, Тихон. "МОДЕЛЮВАННЯ СИСТЕМ ЗАБЕЗПЕЧЕННЯ ДЕРЖАВНОЇ БЕЗПЕКИ." Public management 20, no. 5 (December 29, 2020): 229–40. http://dx.doi.org/10.32689/2617-2224-2019-5(20)-229-240.
Full textAbstract:
Запропоновано модель системи забезпечення державної безпеки як дієвого інструменту реалізації інтересів громадян і суспіль- ства з урахуванням внутрішніх та зовнішніх факторів впливу.
Досліджено можливості застосування математичних методів для опти- мального вибору засобів захисту від загроз та небезпек в державному управлінні. Вивчено способи застосування штучного інтелекту для встановлення критеріїв безпеки держави. Зокрема, розглянуто оптимізаційно-імітаційні методи, які дають можливість завдяки певній кількості ітерацій, отрима- ти приближене до оптимального значення показників, що досліджуються.
Визначено їх практичне значення, з метою подальшого застосування у сферах: аналізу загроз національної безпеки; аналізу ринку засобів захи- сту від таких загроз; оброблення інформації про характеристики загроз (можливості прояву та шкоди); оброблення інформації про можливості запобігання загроз; розроблення алгоритмів оптимального вибору варіантів захисту.
Досліджено функціональні залежності рівня безпеки держави від низки факторів впливу, що можуть бути застосовані при моделюванні безпеки дер- жави, що дає можливість визначити рівні безпеки.
Досліджено теоретичні аспекти застосування штучних нейронних ме- реж, які можуть використовуватись e процесі моделювання безпеки держа- ви. Особливістю їх використання можна вважати те, що велика кількість вхідних показників, якими характеризується рівень держаної безпеки, може бути проаналізована машинним способом, з використанням алгоритмів машинного навчання. Це дає можливість проводити класифікації різних станів, наприклад, загроз, ризиків та небезпек. І хоча не вирішеним аспектом залишається вибір певної ваги впливу вхідних параметрів нейронної мережі, їх самонавчання у поєднанні з імітаційними методами математичного моде- лювання, в подальшому можуть вирішити питання оптимізації оцінювання рівня безпеки держави.
48
Чумаченко, Олена Іллівна. "Інтелектуальна система оцінки тривалості обслуговування запитів." Адаптивні системи автоматичного управління 1, no. 20 (November 23, 2012): 24–31. http://dx.doi.org/10.20535/1560-8956.20.2012.30700.
Full textAbstract:
В даній статті виконано дослідження методів вирішення задачі управління дзвінками в колл-центрі при використанні інтелектуальних нейронних мереж. Виконано огляд існуючих рішень для колл-центрів та приведені їх недоліки. Враховуючи вимоги колл-центрів до модулю управління зроблена постановка задачі та виконано огляд методів її вирішення. Для реалізації модулю «інтелектуального додзвону» вибрані нейронні мережі, а саме багатошаровий персептрон. Приведена архітектура мережі, проведено її навчання та виконано аналіз результатів її роботи. Виходячи з середньоквадратичних відхилень між фактичними та прогнозованими результатами, пр. збільшенні розмірів навчальної вибірки похибка прогнозів мережі прямує до 0, це значить що архітектура нейромережі підібрана вірно.
49
Vitynskyi, P. B., R. O. Tkachenko, and I. V. Izonin. "Ансамбль нейромереж GRNN на підставі зміщених поверхонь відгуку для задач електронної комерції." Scientific Bulletin of UNFU 29, no. 9 (December 26, 2019): 142–46. http://dx.doi.org/10.36930/40290925.
Full textAbstract:
Розв'язок задач електронної комерції, які здебільшого характеризуються нелінійними поверхнями відгуку, є важливим завданням. Застосування сучасних засобів обчислювального інтелекту не завжди є доречним зважаючи на складність реалізації процедур навчання і налагодження. Неітеративні засоби та нейронні мережі без навчання також не забезпечують задовільної точності результату. З огляду на це у роботі описано новий ансамбль на підставі нейронних мереж узагальненої регресії. Основна ідея розробленого ансамблю полягає в лінеаризації поверхні відгуку, що задається даними наявної вибірки. Для цього отримана за допомогою мережі GRNN поверхня подається на вхід лінійної нейроподібної структури. Така комбінація забезпечує підвищення точності роботи ансамблю під час розв'язання поставленої задачі. Описаний ансамбль застосовано для розв'язання задачі прогнозування ціни на вживані автомобілі. Експериментальним способом підібрано оптимальні параметри його роботи. Шляхом порівняння із відомими методами встановлено найвищу точність його роботи. Результати експериментальних досліджень порівняно з теоретичними оцінками на підставі висновків теореми Кондорсе про журі присяжних. Розроблений ансамбль нейронних мереж узагальненої регресії на підставі зміщення поверхонь відгуку та з додатковим використанням нейроподібних структур Моделі послідовних геометричних перетворень варто застосовувати під час розв'язання різноманітних задач електронної комерції підвищеної точності.
50
Nazirova, T. A., and A. B. Kostenko. "Застосування технології Neural Network для управління пацієнтопотоком у медичній установі." Scientific Bulletin of UNFU 28, no. 6 (June 27, 2018): 136–39. http://dx.doi.org/10.15421/40280627.
Full textAbstract:
На сьогодні на основі технології Neural Network розроблено безліч програмних комплексів для прогнозування різних явищ, статистичного оброблення даних, методів класифікації даних, розпізнавання образів, оптимізації деяких процесів тощо. Здатність до самонавчання та вилучення знань з даних є одним з найкорисніших та вражаючих властивостей штучних нейронних мереж, успадкованих ними від мозку, як від свого прототипу. Світова практика використання штучного інтелекту свідчить про можливості отримувати нові, невідомі раніше закономірності, які не відразу знаходять пояснення, а іноді і не вкладаються в рамки офіційної науки. У багатьох параметрах технології нейронних мереж перевершують наявні традиційні алгоритми, тому по праву вважаються актуальними для активного застосування на цей час. Нейронні мережі – потужний метод моделювання, що дає змогу відтворювати складні нелінійні залежності, що актуально для систем прийняття рішень в управлінні пацієнтопотоком у медичних установах. У цьому дослідженні розглянуто сутність нейронних мереж, їх особливості здатності до навчання (налаштування архітектури і синаптичних зв'язків). Також виявлено і перспективи розвитку застосування і використання штучних нейронних мереж для застосування розподілу пацієнтів для здійснення профілактичного медичного огляду.