Journal articles on the topic 'Нейронна мержа'

У статті описано перспективні напрямки застосування нейронних мереж у конструкторській діяльності. Наголошено, що в умовах сьогодення нейромережеві технології знайшли застосування в економіці, медицині, промисловості, багатьох інших галузях науки і техніки, здатні вирішувати практично будь-які завдання, пов'язані з моделюванням, прогнозуванням, оптимізацією. Наголошено на проблематиці дослідження, підкреслено, що виробничі процеси характеризуються величезним розмаїттям динамічно взаємодіючих параметрів і зазвичай надто складні до створення адекватних аналітичних моделей, а у деяких випадках вдалі з погляду адекватності описуваному процесу аналітичні математичні моделі виявляються неспроможними через високі вимоги до обчислювальної потужності. Запропоновано дві моделі нейронних мереж: глибока нейронна мережа та згорткова нейронна мережа, робота яких направлена на використання у конструкторській діяльності яка спрямована на проектування лонжерону автомобіля. Описано та схематично запропоновано блок-схему зворотного проектування профілів лонжеронів, а також сформовано багатошарову архітектуру згорткової нейронної мережі, яка використовується у конструкторській діяльності, яка складається із згорткового шару, шару об’єднання та повністю пов’язаного шару та сформовано архітектуру глибокої нейронної мережі, яка використовується у конструкторській діяльності направленій на проектування лонжерону автомобіля. Наголошено, що на відміну від моделі згорткової нейронної мережі, дані навантаження розглядаються як ціле, а не поділяються на статичні та динамічні, а зворотне проектування з використанням глибокої нейронної мережі здійснюється за допомогою стандартних бібліотек. Підкреслюється, що нейромережеві технології можуть бути корисними при створенні набору базових програмних моделей-блоків, наділених певними властивостями, що відповідають деяким реальним процесам або явищам, для подальшого їх комбінування в більш складних системах конструювання. Причому найскладніша частина такого набору модулів це саме середовище взаємодії таких блоків, яке у перспективі також може бути побудовано на основі нейронних мереж.

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.

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.

Робота присвячена аналізу інформаційних технологій хронобіологічного моніторингу кардіосистем, розробці систему підтримки прийняття рішень для лікаря-дослідника на базі методів класифікації з використанням нейронних мереж таких як імовірностна неронна мережа PNN (Probabilistic Neural Networks), багатошаровий персептрон MLP NN (Multi-Layer Perceptron), каскадно-кореляційна мережа CasCor (Cascade Correlation). У результаті отримано наступне: найкращим класифікатором є нейромережа каскадної кореляції з 85-88% точністю класифікації. Найгіршим класифікатором стала ймовірнісна нейронна мережа, оскільки точність цього алгоритму залежить від розміру набору даних.

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.

У роботі запропоновано та побудовано систему розпізнавання томографічних і рентгенівських знімків для пошуку і локалізації патологій. Дана система включає блоки: введення інформації про пацієнта, обробки медичних зображень, для встановлення висновку, для класифікації виявлених патологій, базу даних, підготовки звіту. У статті приділено увагу особливостям розробки згорткової нейронної мережі для класифікації томографічних і рентгенівських знімків в системі розпізнавання, призначеної для пошуку і локалізації патологій. В результаті, було запропоновано згорткову нейронну мережу для класифікації томографічних і рентгенівських знімків в запропонованій системі розпізнавання, призначеної для пошуку і локалізації патологій.

Анотація. Система розпізнавання облич – це технологія, здатна зіставляти людське обличчя з цифровим зображенням або відеокадром з базою даних осіб, зазвичай використовується для автентифікації користувачів за допомогою служб перевірки особистості, працює шляхом точного визначення і вимірювання рис обличчя по даному зображенню. Системи розпізнавання обличчя використовуються сьогодні в усьому світі урядами та приватними компаніями, їх ефективність різна, і деякі системи раніше були списані через їх неефективність. Отже, створення програми для розпізнавання людського обличчя є актуальною темою. Метою статті є дослідження теоретичних аспектів розробки системи розпізнавання людського обличчя. Процедура розпізнавання обличчя просто вимагає, щоб будь-який пристрій, оснащений цифровою фотографічною технологією, генерував і отримував зображення та дані, необхідні для створення та запису біометричного малюнка обличчя людини, якого необхідно ідентифікувати. Розглянуто основні алгоритми розпізнавання людського обличчя: розпізнавання обличчя з використанням різних поверхонь облич, метод облич Фішера, метод аналізу головних компонентів та машина опорних векторів, метод каскадів Хаара. Наведено їх переваги та недоліки. Наведено застосування згорткової нейронної мережі до розпізнавання облич. Запропоновано реалізацію алгоритму роботи системи розпізнавання обличчя. В даній роботі проаналізовано наявні алгоритми та системи виявлення та розпізнавання обличчя, зважені їх переваги та недоліки. Розглянуто використання згорткової нейронної системи з метою розпізнавання обличчя. Проаналізовано на практиці відсоток точності розпізнавання людського обличчя та продуктивність, враховуючі такі фактори як освітлення, якість зображення, кількість облич на зображенні використовуючи бібліотеку з відкритим вихідним кодом Face recognition із сімейства бібліотек DLib в основі якої лежить згорткова нейронна мережа.

В данной работе представлена технология распознавания сельскохозяйственных культур по данным дистанционного зондирования Земли. Апробация технологии была проведена на сельскохозяйственных землях Белгородской области Российской Федерации. В соответствии со статистикой севооборота были выбраны следующие сельскохозяйственные культуры: пшеница, ячмень, кукуруза, подсолнечник, соя, сахарная свекла, многолетние травы и пары. В качестве входных данных были использованы мультиспектральные снимки со спутника Sentinel-2 уровня обработки MSI L2A, а именно каналы RGB-спектра, SWIR и NIR. Из полученных данных были составлены временные ряды в вегетационные периоды за 2018–2020 годы. Разработан алгоритм устранения пропусков данных в дни высокой облачности для повышения качества распознавания. В качестве модели классификатора была использована сверточно-рекуррентная нейронная сеть. Разработанная модель на тестовых данных показала общую меру точности f-мера 88,7 %. Предложенная архитектура нейронной сети также применима в других регионах со схожей посевной структурой, фенологическими показателями культур и схожими климатическими условиями.

У статті описано новий підхід до класифікації часових рядів на основі їх візуалізації. Часовий ряд подається у вигляді чорно-білого зображення своєї рекурентної діаграми. В якості класифікатора зображень використовується згорткова нейронна мережа. Даними для класифікації є реалізації електрокардіограм, які містять записи здорових людей та пацієнтів з діагнозом ішемія. Результати досліджень вказують на добру точність класифікації порівняно з іншими методами та потенційні можливості цього підходу.

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

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.

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.

Для оцінки ризику сумісного прийняття помилкових рішень пілотом та авіадиспетчером в особливих випадках в польоті (ОВП) була розроблена чотиришарова рекурентна нейронна мережа з додатковими входами – зсувами: перший шар (вхід) – збитки при виникненні ОВП в залежності від виду польотної ситуації; другий шар (прихований) – нормативний час на виконання технологічних процедур з парирування ОВП; третій шар (прихований) – нормативна послідовність виконання технологічних процедур з парирування ОВП; четвертий шар (вихід) – оцінка ризику при виникненні ОВП. Розроблена нейромережева модель за рахунок зсувів дає змогу врахувати взаємодію між пілотом та авіадиспетчером при виконанні технологічних процедур з парирування ОВП і за допомогою зворотного зв’язку коригувати прогнозовану оцінку ризику сумісного прийняття помилкових рішень на основі динамічних даних про дотримання операторами узгоджених нормативів часу та нормативної послідовності дій. За допомогою нейроемулятора NeuroSolutions на прикладі ОВП “Відмова та пожежа двигуна на повітряному судні при наборі висоти після зльоту” побудовано та навчено з вчителем процедурою оберненого поширення помилки багатошарового прямонаправленого персептрона зі зсувами.

На сьогодення соціалізація особистостей за спільними інтересами є надзвичайно важливим процесом під час ізоляції людей із-за подовженості світової пандемії. Паралельно більшість людей завжди намагаються спростити та автоматизувати всі основні життєві процеси, які зазвичай займають багато вільного часу. Це ж стосується і процесу соціалізації особистості. Машинне навчання та SEO-технології на даний момент є надзвичайно важливими в контексті розроблення ІС опрацювання та аналізу великих даних . Практично кожна популярна серед великої кількості людей ІС використовує відповідні механізми соціалізації. Головною функцією ІС соціалізації особистостей за спільними інтересами є пошук релевантних користувачів, тому основним завданням є написати оптимізований алгоритм, який максимально автоматизує процес соціалізації користувачів. В даному випадку створений спеціальний алгоритм на основі таких алгоритмів, як алгоритм Левенштейна, розширення вибірки, N-грам та моделі Noisy Channel. До наукової новизни одержаних результатів варто віднести розроблення нового алгоритму аналізу користувацької інформації та пошуку найбільш релевантних користувачів ІС відповідно до проаналізованого тексту повідомлень профілю на основі вже існуючих алгоритмів Левенштейна, розширення вибірки, N-грам та моделі Noisy Channel. Для створення динамічної ІС соціалізації використано шаблон асинхронного програмування. Удосконалено згорткову нейронну мережу, що дозволило ефективно здійснювати пошук людських обличь на фото та перевіряти наявність вже існуючих людей в БД ІС. Система дозволить ефективно та швидко здійснювати підбір, аналіз, опрацювання текстових даних та формування кінцевого результату. В системі використовуються SEO-технології для ефективного та якісного інтелектуального пошуку та опрацювання відповідних даних за потребою конкретного користувача. Нейронна мережа дозволяє ефективно здійснювати ідентифікацію користувача по його фото. Загалом використовувані алгоритми дозволяють створити зручну ІС соціалізації з використанням необхідних для цього алгоритмів. Варто зазначити важливість оптимізації наявної в ІС, в першу чергу це повна асинхронність системи, що дозволить уникнути всіх довгих очікувань та важких в плані опрацювання та аналізу запитів, система дозволяє ефективно та динамічно працювати з різними обсягами великих даних, здійснювати їх аналіз, опрацювання та формування нових даних необхідних користувачам ІС. Також використовується хмарний сервіс, який дозволить здійснити розподіл даних, відповідно можна буде зберігати всі найбільш важкі дані в хмарному середовищі і з використанням простого програмного інтерфейсу ІС за допомогою запитів здійснювати завантаження всіх необхідних даних. Таким чином, можна стверджувати, що створення даної ІС є важливим як і в соціальному плані, так і в плані реалізації всіх алгоритмів, які забезпечують необхідний функціонал ІС.

Забезпечення біометричної безпеки має важливе значення в більшості сценаріїв перевірки справжності користувача та його ідентифікації. Розпізнавання, засноване на зразках райдужної оболонки, є важливою областю досліджень, покликаної забезпечити надійну, просту і швидку підсистему ідентифікації користувачів системи, яка використовує камеру (її можна використовувати у будь-якій системі, яка має механізм авторизації, де необхідна гарантія підвищеної безпеки). Мета роботи полягає у встановленні основних етапів алгоритму ідентифікації (класифікації) користувачів системи на основі обробки зображення сітківки ока із зіницею. Алгоритм розпізнавання райдужної оболонки ока для реєстрації користувачів системи включає такі етапи - попередня обробка зображення: зображення проходить різні фільтри (серед них фільтр Гауса та низько-частотні фільтри, гістограмні перетворення); - препроцессінг: 1) локалізація внутрішніх і зовнішніх меж області райдужної оболонки ока з використанням генетичного алгоритму; 2) нормалізація зображення, 3) виокремлення значущої інформації; - класифікація (або зіставлення із елементами БД) - виконана на основі двошарового персептрону (ДП). Для оцінки алгоритмів розпізнавання райдужної оболонки використано базу даних оцифрованих 100 зображень очей у відтінках сірого від 50 різних людей (класів). Експерименти проводилися у два етапи: 1) сегментація і 2) розпізнавання райдужної оболонки. На першому етапі для локалізації райдужних оболонок застосовується алгоритм прямокутної області. На другому етапі виконується класифікація малюнка райдужної оболонки за допомогою мережі. Сформовані множини навчання й тестування (відповідно 60 зображень очей від 30 різних людей; 40 зображень очей від 20 різних людей). Виявлені райдужки для класифікації після нормалізації та посилення масштабуються за допомогою усереднення. Це допомагає зменшити розмір мережі. Потім зображення подаються матрицями, які є вхідним сигналом для мережі. Виходами ДП є класи візерунків райдужки. Для класифікації райдужної оболонки використовується алгоритм нейронного навчання. Точність розпізнавання на множині навчання становила 95,25%; на множині тестування - 89%. Ключові слова - біометрія, розпізнавання райдужної оболонки ока, нейронна мережа

The article discusses the use of neuro-fuzzy control systems as a tool for managing non-deterministic objects in real time. The application of classical methods description of the control system assumes that the control objects are described by linear dynamic links of low order. This assumption often leads to the fact that classical control systems in practice do not provide the specified indicators of fast and efficient management. This article discusses modern control tools structural models of a discrete quasi-invariant automated control system. Typical procedures correspond to business processes of nondeterministic discrete objects. The decision to use marketing, resource and production procedures is made on the basis of analysis of the degree of compliance; in this case, business processes in the economic object. This approach combines the advantages of the principle of using typical subsystems of automated control systems and the process approach. Presented in this article is the analysis of an automated control system, which is based on the use of typical models of discrete automated control systems. According to the proposed solution in an automated control system in real time, it is proposed to use a neuro-fuzzy control system as a function of the object and the system’s transfer ratio. The neuro-fuzzy control system is based on the process of learning an artificial neural network (ANN), which allows you to determine the rules of fuzzy inference (FIS). Once the fuzzy output parameters are defined, the neural network operates standard. In this integrated model, the neural network training algorithm (ANN) is used to determine the parameters of the fuzzy output system (FIS). On the other hand, the neural network learning mechanism does not depend on statistical information, but is standard for the chosen artificial neural network architecture. The ANFIS automated control sys-tem determines that each quantity is represented by only one fuzzy set. The ANFIS neural network learning procedure has no restrictions on modifying membership functions. To ensure the learning speed of the neural network and the adaptability of the software implementation, the model Takagi T., Sugeno M. this is based on a high-performance neural network learning procedure. The article proposes the ANFIS model, which considers an algorithm based on seven fuzzy rules.Keywords: neuro-fuzzy control systems, ANFIS model, neural network (ANN), rules of fuzzy inference (FIS). У статті розглянуто використання нейронечітких систем управління як інструмента для управління недетермінованими об’єктами в реальному масштабі часу. Обговорюються сучасні інструменти управління, структурні моделі дискретної квазіінваріантної автоматизованої системи управління. Представлене у статті аналізування автоматизованої системи управління заснований на застосуванні типових моделей дискретних автоматизованих систем управління. Відповідно до пропонованого рішення, в автоматизованій системі управління в реальному масштабі часу як опція об’єкта і передавальний коефіцієнт системи пропонується використовувати нейронечітку систему управління. Нейронечітка система управління заснована на процесі навчання штучної нейронної мережі (ANN), що дає змогу визначити правила нечіткого виведення (FIS). У статті пропонується модель ANFIS, яка виконана із застосуванням нечіткої системи Takagi T., Sugeno M., а також розглянуто алгоритм, який побудований на основі семи нечітких правил.Ключові слова: нейронечіткі системи управління, модель ANFIS, нейронна мережа (ANN), правила нечіткого виведення (FIS).

Наукові дослідження стають ефективними тоді, коли природу подій чи явищ можна розглядати з єдиних позицій, виробити універсальний підхід до них, сформувати загальні закономірності. Більшість сучасних фундаментальних наукових проблем і високих технологій тісно пов’язані з явищами, які лежать на границях різних рівнів організації. Природничі та деякі з гуманітарних наук (економіка, соціологія, психологія) розробили концепції і методи для кожного із ієрархічних рівнів, але не володіють універсальними підходами для опису того, що відбувається між цими рівнями ієрархії. Неспівпадання ієрархічних рівнів різних наук – одна із головних перешкод для розвитку дійсної міждисциплінарності (синтезу різних наук) і побудови цілісної картини світу. Виникає проблема формування нового світогляду і нової мови.Теорія складних систем – це одна із вдалих спроб побудови такого синтезу на основі універсальних підходів і нової методології [1]. В російськомовній літературі частіше зустрічається термін “синергетика”, який, на наш погляд, означує більш вузьку теорію самоорганізації в системах різної природи [2].Мета роботи – привернути увагу до нових можливостей, що виникають при розв’язанні деяких задач, виходячи з уявлень нової науки.На жаль, теорія складності не має до сих пір чіткого математичного визначення і може бути охарактеризована рисами тих систем і типів динаміки, котрі являються предметом її вивчення. Серед них головними є:– Нестабільність: складні системи прагнуть мати багато можливих мод поведінки, між якими вони блукають в результаті малих змін параметрів, що управляють динамікою.– Неприводимість: складні системи виступають як єдине ціле і не можуть бути вивчені шляхом розбиття їх на частини, що розглядаються ізольовано. Тобто поведінка системи зумовлюється взаємодією складових, але редукція системи до її складових спотворює більшість аспектів, які притаманні системній індивідуальності.– Адаптивність: складні системи часто включають множину агентів, котрі приймають рішення і діють, виходячи із часткової інформації про систему в цілому і її оточення. Більш того, ці агенти можуть змінювати правила своєї поведінки на основі такої часткової інформації. Іншими словами, складні системи мають здібності черпати скриті закономірності із неповної інформації, навчатися на цих закономірностях і змінювати свою поведінку на основі нової поступаючої інформації.– Емерджентність (від існуючого до виникаючого): складні системи продукують неочікувану поведінку; фактично вони продукують патерни і властивості, котрі неможливо передбачити на основі знань властивостей їх складових, якщо розглядати їх ізольовано.Ці та деякі менш важливі характерні риси дозволяють відділити просте від складного, притаманного найбільш фундаментальним процесам, які мають місце як в природничих, так і в гуманітарних науках і створюють тим самим істинний базис міждисциплінарності. За останні 30–40 років в теорії складності було розроблено нові наукові методи, які дозволяють універсально описати складну динаміку, будь то в явищах турбулентності, або в поведінці електорату напередодні виборів.Оскільки більшість складних явищ і процесів в таких галузях як екологія, соціологія, економіка, політологія та ін. не існують в реальному світі, то лише поява сучасних ЕОМ і створення комп’ютерних моделей цих явищ дозволило вперше в історії науки проводити експерименти в цих галузях так, як це завжди робилось в природничих науках. Але комп’ютерне моделювання спричинило розвиток і нових теоретичних підходів: фрактальної геометрії і р-адичної математики, теорії хаосу і самоорганізованої критичності, нейроінформатики і квантових алгоритмів тощо. Теорія складності дозволяє переносити в нові галузі дослідження ідеї і підходи, які стали успішними в інших наукових дисциплінах, і більш рельєфно виявляти ті проблеми, з якими інші науки не стикалися. Узагальнюючому погляду з позицій теорії складності властиві більша евристична цінність при аналізі таких нетрадиційних явищ, як глобалізація, “економіка, що заснована на знаннях” (knowledge-based economy), національні і світові фінансові кризи, економічні катастрофи і ряд інших.Однією з інтригуючих проблем теорії є дослідження властивостей комплексних мережеподібних високотехнологічних і інтелектуально важливих систем [3]. Окрім суто наукових і технологічних причин підвищеної уваги до них є і суто прагматична. Справа в тому, що такі системи мають системоутворюючу компоненту, тобто їх структура і динаміка активно впливають на ті процеси, які ними контролюються. В [4] наводиться приклад, коли відмова двох силових ліній системи електромережі в штаті Орегон (США) 10 серпня 1996 року через каскад стимульованих відмов призвели до виходу із ладу електромережі в 11 американських штатах і 2 канадських провінціях і залишили без струму 7 млн. споживачів протягом 16 годин. Вірус Love Bug worm, яких атакував Інтернет 4 травня 2000 року і до сих пір блукає по мережі, приніс збитків на мільярди доларів.До таких систем відносяться Інтернет, як складна мережа роутерів і комп’ютерів, об’єднаних фізичними та радіозв’язками, WWW, як віртуальна мережа Web-сторінок, об’єднаних гіперпосиланнями (рис. 1). Розповсюдження епідемій, чуток та ідей в соціальних мережах, вірусів – в комп’ютерних, живі клітини, мережі супермаркетів, актори Голівуду – ось далеко не повний перелік мережеподібних структур. Більш того, останнє десятиліття розвитку економіки знань привело до зміни парадигми структурного, функціонального і стратегічного позиціонування сучасних підприємств. Вертикально інтегровані корпорації повсюдно витісняються розподіленими мережними структурами (так званими бізнес-мережами) [5]. Багато хто з них замість прямого виробництва сьогодні займаються системною інтеграцією. Тому дослідження структури та динаміки мережеподібних систем дозволить оптимізувати бізнес-процеси та створити умови для їх ефективного розвитку і захисту.Для побудови і дослідження моделей складних мережеподібних систем введені нові поняття і означення. Коротко опишемо тільки головні з них. Хай вузол i має ki кінців (зв’язків) і може приєднати (бути зв’язаним) з іншими вузлами ki. Відношення між числом Ei зв’язків, які реально існують, та їх повним числом ki(ki–1)/2 для найближчих сусідів називається коефіцієнтом кластеризації для вузла i:. Рис. 1. Структури мереж World-Wide Web (WWW) і Інтернету. На верхній панелі WWW представлена у вигляді направлених гіперпосилань (URL). На нижній зображено Інтернет, як систему фізично з’єднаних вузлів (роутерів та комп’ютерів). Загальний коефіцієнт кластеризації знаходиться шляхом осереднення його локальних значень для всієї мережі. Дослідження показують, що він суттєво відрізняється від одержаних для випадкових графів Ердаша-Рені [4]. Ймовірність П того, що новий вузол буде приєднано до вузла i, залежить від ki вузла i. Величина називається переважним приєднанням (preferential attachment). Оскільки не всі вузли мають однакову кількість зв’язків, останні характеризуються функцією розподілу P(k), яка дає ймовірність того, що випадково вибраний вузол має k зв’язків. Для складних мереж функція P(k) відрізняється від розподілу Пуассона, який мав би місце для випадкових графів. Для переважної більшості складних мереж спостерігається степенева залежність , де γ=1–3 і зумовлено природою мережі. Такі мережі виявляють властивості направленого графа (рис. 2). Рис. 2. Розподіл Web-сторінок в Інтернеті [4]. Pout – ймовірність того, що документ має k вихідних гіперпосилань, а Pin – відповідно вхідних, і γout=2,45, γin=2,1. Крім цього, складні системи виявляють процеси самоорганізації, змінюються з часом, виявляють неабияку стійкість відносно помилок та зовнішніх втручань.В складних системах мають місце колективні емерджентні процеси, наприклад синхронізації, які схожі на подібні в квантовій оптиці. На мові системи зв’язаних осциляторів це означає, що при деякій критичній силі взаємодії осциляторів невелика їх купка (кластер) мають однакові фази і амплітуди.В економіці, фінансовій діяльності, підприємництві здійснювати вибір, приймати рішення доводиться в умовах невизначеності, конфлікту та зумовленого ними ризику. З огляду на це управління ризиками є однією з найважливіших технологій сьогодення [2, 6].До недавніх часів вважалось, що в основі розрахунків, які так чи інакше мають відношення до оцінки ризиків лежить нормальний розподіл. Йому підпорядкована сума незалежних, однаково розподілених випадкових величин. З огляду на це ймовірність помітних відхилень від середнього значення мала. Статистика ж багатьох складних систем – аварій і катастроф, розломів земної кори, фондових ринків, трафіка Інтернету тощо – зумовлена довгим ланцюгом причинно-наслідкових зв’язків. Вона описується, як показано вище, степеневим розподілом, “хвіст” якого спадає значно повільніше від нормального (так званий “розподіл з тяжкими хвостами”). У випадку степеневої статистики великими відхиленнями знехтувати вже не можна. З рисунку 3 видно, наскільки добре описуються степеневою статистикою торнадо (1), повені (2), шквали (3) і землетруси (4) за кількістю жертв в них в США в ХХ столітті [2]. Рис. 3. Системи, які демонструють самоорганізовану критичність (а саме такі ми і розглядаємо), самі по собі прагнуть до критичного стану, в якому можливі зміни будь-якого масштабу.З точки зору передбачення цікавим є той факт, що різні катастрофічні явища можуть розвиватися за однаковими законами. Незадовго до катастрофи вони демонструють швидкий катастрофічний ріст, на який накладені коливання з прискоренням. Асимптотикою таких процесів перед катастрофою є так званий режим з загостренням, коли одна або декілька величин, що характеризують систему, за скінчений час зростають до нескінченності. Згладжена крива добре описується формулою,тобто для таких різних катастрофічних явищ ми маємо один і той же розв’язок рівнянь, котрих, на жаль, поки що не знаємо. Теорія складності дозволяє переглянути деякі з основних положень ризикології та вказати алгоритми прогнозування катастрофічних явищ [7].Ключові концепції традиційних моделей та аналітичних методів аналізу і управління капіталом все частіше натикаються на проблеми, які не мають ефективних розв’язків в рамках загальноприйнятих парадигм. Причина криється в тому, що класичні підходи розроблені для опису відносно стабільних систем, які знаходяться в положенні відносно стійкої рівноваги. За своєю суттю ці методи і підходи непридатні для опису і моделювання швидких змін, не передбачуваних стрибків і складних взаємодій окремих складових сучасного світового ринкового процесу. Стало ясно, що зміни у фінансовому світі протікають настільки інтенсивно, а їх якісні прояви бувають настільки неочікуваними, що для аналізу і прогнозування фінансових ринків вкрай необхідним став синтез нових аналітичних підходів [8].Теорія складних систем вводить нові для фінансових аналітиків поняття, такі як фазовий простір, атрактор, експонента Ляпунова, горизонт передбачення, фрактальний розмір тощо. Крім того, все частіше для передбачення складних динамічних рядів використовуються алгоритми нейрокомп’ютинга [9]. Нейронні мережі – це системи штучного інтелекту, які здатні до самонавчання в процесі розв’язку задач. Навчання зводиться до обробки мережею множини прикладів, які подаються на вхід. Для максимізації виходів нейронна мережа модифікує інтенсивність зв’язків між нейронами, з яких вона побудована, і таким чином самонавчається. Сучасні багатошарові нейронні мережі формують своє внутрішнє зображення задачі в так званих внутрішніх шарах. При цьому останні відіграють роль “детекторів вивчених властивостей”, оскільки активність патернів в них є кодування того, що мережа “думає” про властивості, які містяться на вході. Використання нейромереж і генетичних алгоритмів стає конкурентноздібним підходом при розв’язанні задач передбачення, класифікації, моделювання фінансових часових рядів, задач оптимізації в галузі фінансового аналізу та управляння ризиком. Детермінований хаос пропонує пояснення нерегулярної поведінки і аномалій в системах, котрі не є стохастичними за природою. Ця теорія має широкий вибір потужних методів, включаючи відтворення атрактора в лаговому фазовому просторі, обчислення показників Ляпунова, узагальнених розмірностей і ентропій, статистичні тести на нелінійність.Головна ідея застосування методів хаотичної динаміки до аналізу часових рядів полягає в тому, що основна структура хаотичної системи (атрактор динамічної системи) може бути відтворена через вимірювання тільки однієї змінної системи, фіксованої як динамічний ряд. В цьому випадку процедура реконструкції фазового простору і відтворення хаотичного атрактора системи при динамічному аналізі часового ряду зводиться до побудови так званого лагового простору. Реальний атрактор динамічної системи і атрактор, відтворений в лаговому просторі по часовому ряду при деяких умовах мають еквівалентні характеристики [8].На завершення звернемо увагу на дидактичні можливості теорії складності. Розвиток сучасного суспільства і поява нових проблем вказує на те, що треба мати не тільки (і навіть не стільки) експертів по деяким аспектам окремих стадій складних процесів (професіоналів в старому розумінні цього терміну), знадобляться спеціалісти “по розв’язуванню проблем”. А це означає, що істинна міждисциплінарність, яка заснована на теорії складності, набуває особливого значення. З огляду на сказане треба вчити не “предметам”, а “стилям мислення”. Тобто, міждисциплінарність можна розглядати як основу освіти 21-го століття.

Вступ. Останнім часом теорія складних мереж стала ефективним інструментом дослідження складних структур: технологічних (наприклад, Інтернет-мережа, www, транспортні мережі), соціальних (мережі співробітництва, мережі мобільного телефонного зв’язку), біологічних (екологічні мережі, функціональні мережі мозку, мережі білкових взаємодій) [1]. Вузли в таких мережах – це елементи складних систем, а зв’язки між вузлами – взаємодії між елементами.Web 2.0 дозволив створити навчальні системи, засновані на принципах, так званої, кібернетики другого порядку. Учень тепер став активним елементом системи, яка не тільки контролює й направляє його діяльність, але й дозволяє своєю думкою впливати на функціонування й наповнення самої системи. Такий підхід є основою для виникнення системних ефектів [2].Дж. Сіменс і С. Даунс у власній теорії конективізму багато в чому продовжують ідеї, висловлені німецьким філософом В. Флуссером. У рамках конективізму, навчання – це процес створення мережі. Вузлами можуть бути люди, організації, бібліотеки, web-сайти, книги, журнали, бази даних або будь-яке інше джерело інформації. Сукупність зв’язаних вузлів стає мережею. Мережі можуть поєднуватися між собою. Кожний вузол у мережі може бути мережею більш низького рівня. Вузли, що втратили актуальність і цінність поступово зникають. Комплекси вузлів збуджують або гальмують один одного й у результаті їхнього взаємозв’язку утворюється блок. Збуджуючий або гальмуючий вплив один на одного можуть чинити й блоки – групи вузлів, кожен з яких видає власний загальний вихідний сигнал, що відповідає результуючій вазі всіх вхідних сигналів, отриманих від інших вузлів. Блоки організовані ієрархічно. Оскільки величезна кількість вузлів функціонує одночасно й на різних рівнях організації, обробка носить паралельний характер. Утворюючи персональну навчальну мережу, в мозкових структурах слухача згідно конекціонізму формується нейронна мережа.Конективізм і масові відкриті дистанційні курси. Застосування ідей конективізму знайшло відображення у практиці масових відкритих дистанційних курсів (МВДК), які останнім часом досить широко використовуються у закордонній педагогічній діяльності.З метою вивчення тенденцій розвитку МВДК в листопаді 2012 року автором було проведено дослідження «Конективізм і масові відкриті дистанційні курси» [3]. У результаті Інтернет-анкетування було опитано 62 респондента з України, Росії, Білорусії, Азербайджану, Грузії, Лівану та Німеччини (рис. 1). Переважну кількість учасників опитування (77 %) склали викладачі й наукові співробітники, 8 % – керівники відділів освітніх установ, 5 % – аспіранти (рис. 2). Враховуючи те, що були задіяні респонденти зайняті в сфері дистанційної освіти, можна говорити про високу вірогідність відомостей, отриманих у ході дослідження (випадково опинилися на сайті з опитуванням лише 2% учасників). а бРис. 1. Розподіл учасників: а – за країнами, б – за віком При перебуванні в Інтернет-мережі переважна більшість опитаних витрачає значну долю свого часу на пошук інформації (92 %), а вже потім на навчання й спілкування (рис. 3). Рис. 2. Склад вибіркової сукупностіРис. 3. Розподіл витрат часу учасників при перебуванні в Інтернет Особливістю отриманих результатів є те, що 71 % респондентів не вважають конективізм повноцінною (самостійною) теорією навчання, з них 45 % відносять конективізм до різновиду неформального навчання, що реалізується в контексті концепції освіти впродовж всього життя, 18% вважають конективізм педагогічною ідеєю (рис. 4). Рис. 4. Чи можна вважати конективізм повноцінною теорією навчання 60 % респондентів приймали участь у МВДК, з них 40 % задоволені результатами свого навчання, 18 % не можуть оцінити результат, а 2 % залишилися розчарованими (рис. 5).76 % вважають, що ідеї конективізму сприяють підвищенню ефективності навчальної діяльності (рис. 6). Рис. 5. Задоволеність від власної участі в МВДКРис. 6. Чи сприяють конективістські ідеї підвищенню рівня ефективності навчальної діяльності 40 % вважають, що найголовніше у МВДК – це уміння працювати в співробітництві, 32 % вважають, що найголовнішим є вміння самостійно організовувати та проводити такі курси, 24 % вважають, що МВДК – це засіб для апробацій положень конективізму (рис. 7).На питання, чи можливо отримати реальні знання при навчанні у МВДК думки учасників розділилися майже порівну: 52 % вважають, що це цілком можливо, а 42 % вважають, що отримані знання можуть бути тільки фрагментарними (рис. 8). Рис. 7. Найважливіше при навчанні в МВДК Рис. 8. Чи можливо отримати реальні знання при навчанні в МВДК Понад 50 % вважають, що велику кількість учасників МВДК можна пояснити нульовою ціною та відсутністю зобов’язань сторін (рис. 9).До основних переваг процесу навчання у масових відкритих дистанційних курсах учасники віднесли:відсутність вікових, територіальних, освітніх і професійних обмежень,відкритість і безкоштовність, гнучкість навчання,отримання нової інформації безпосередньо від фахівців предметної області,самомотивація та самоорганізація слухачів,обмін досвідом і колективна робота у співробітництві,формування умов взаємного навчання в спілкуванні,охоплення широкої (масової) аудиторії,пряме використання всіх переваг комп’ютерної підтримки навчального процесу (від електронних підручників до віртуальних середовищ),процес участі й навчання в МВДК допускає обмін не тільки інформацією, але й, що особливо цінно, напрямами її пошуку,розширення персональної навчальної мережі,можливість неформального підвищення знань,можливість оцінювання робіт інших слухачів курсу,використання в курсах різноманітного навчального контенту (текстова, аудіо-, відео- і графічна інформація), а також форумів і блогів,основний інформаційний матеріал знаходиться поза сайтом курсу. Рис. 9. Чи можна пояснити ріст числа учасників МВДК тільки нульовою ціною та відсутністю зобов’язань сторін До основних недоліків процесу навчання в масових відкритих дистанційних курсах учасники віднесли:відсутність особистого контакту конкретного слухача й педагога, як наслідок, довіри (міжособистісне телекомунікаційне спілкування в силу свого опосередкованого характеру не здатне (з ряду причин технічного, економічного й психологічного плану) повною мірою заповнити відсутність безпосереднього спілкування),використовування різних платформ,високі вимоги до професіоналізму викладачів (тьюторів),надлишок та хаотичність навчальної інформації,відсутність у слухачів навичок самоосвіти, фільтрації й взаємодії,неможливість проконтролювати автора виконаних робіт (ідентифікації),обмежений адміністративний вплив з боку викладача,не вміння спілкуватися інформативно й результативно (закритість вітчизняних викладачів),трудомісткий і тривалий процес розробки навчального курсу (контенту), його супроводу і консультація великої кількості слухачів,технічні проблеми забезпечення практичних (лабораторних) занять,труднощі моніторингу процесу підготовки слухача,необхідність достатньої сформованості мотивації навчання (актуально для молодших за віком і менш критично для дорослих слухачів),імовірність появи технічних проблем доступу до курсів,обмежений зворотний зв’язок з педагогом (тьютором),більшість МВДК на сьогодні розраховані на можливості техніки, а не на людину як індивіда,недостатня кількість часу на обробку всіх наявних навчальних матеріалів,кожний учасник самостійно регулює свою діяльність в курсі.Проблеми конективізму як теорії навчання. Із результатів дослідження зрозуміло, що комплекс ідей конективізму навряд чи можна вважати повноцінною (самостійною) теорією навчання, скоріше це один із різновидів неформального навчання в рамках концепції освіти впродовж всього життя. Розглянемо деякі положення [4].I. Слухач сам установлює мету навчання, читає тільки той матеріал, що йому доступний і подобаєтьсяПринципи автодидактики розроблені В. О. Курінським в рамках т. з. «постпсихології» [5]. Як визначає сам автор, «автодидактикою здавна називають самонавчання. Нікому з нас не вдається її уникнути – всім доводиться доходити до чогось самостійно, розраховуючи на свої власні сили. У кінцевому рахунку, в яких би вчителів ми ні вчилися, ми перш за все учні самих себе».Із 8 правил, сформульованих В. О. Курінським, наведемо деякі загальні положення:а) необхідно робити тільки те, що викликає інтерес (спочатку треба створити актуалізацію інтересу). Інтерес створюється не з якогось зовнішнього матеріалу, а в нас самих, коли ми перемикаємо свою увагу з однієї частини предмета або тексту – на іншу;б) не слід намагатися все запам’ятовувати одразу (але треба намагатися, щоб сприйняття було як можна повнішим). Треба управляти своєю увагою;в) не слід прагнути повного засвоєння матеріалу;г) треба прагнути до самоспостереження. Людина обов’язково повинна стежити за тим, як ставляться до її вчинків інші люди (результати спостереження свого внутрішнього стану і того, що думають інші доповнюють один одного);д) незасвоєння попереднього матеріалу не є причиною того, щоб не ознайомитися з матеріалом наступним.II. Знання перебувають у співтовариствах і комп’ютерних мережахНа нашу думку, тут відбувається деяка підміна понять, адже в комп’ютерних мережах розміщені дані. А чи стануть вони знаннями? Можуть стати, але в результаті перетворення й аналізу цих даних при вирішенні конкретних завдань. Ми можемо прослухати передачу (лекцію) на незнайомій для нас мові, при цьому одержимо дані, але не інформацію (і відповідно не знання). Ми можемо записати ці дані на компакт-диск – зміниться форма подання даних, відбудеться нова реєстрація, а відповідно сформуються й нові дані.Д. Вайнбергер зазначає: «Коли знання стає мережевим, самий розумний у кімнаті вже не лектор, що виступає перед слухачами, і навіть не колективний розум всіх присутніх. Сама розумна людина в кімнаті – це сама кімната, тобто мережа, утворена із зв’язків між людьми та їхніми ідеями, які, у свою чергу, пов’язані з тим, що перебуває за межами кімнати. Це зовсім не означає, що мережа стає наділеною інтелектом. Однак знання стають буквально немислимими без мережі, яка їх забезпечує…» [6].Отже, потенційні знання є технічним і технологічним заручником (програмно-апаратна й ментальна складові). Згідно принципу канадського філософа М. Маклюена, «засіб передачі повідомлення і є зміст повідомлення»: для того, щоб зрозуміти зміст повідомлення, необхідно розуміти, як саме влаштований інформаційний канал, по якому надходить повідомлення та як специфіка цього каналу впливає на саму інформацію.III. Акт навчання полягає у створенні зовнішньої мережі вузлів, які слухачі підключають у формі джерел інформації й знаньЧи може підключення до джерела інформації структурувати та сформувати знання учня? Очевидно, що це тільки елемент процесу навчання – можна підключитися до будь-яких потенційних джерел інформації, але не аналізувати і не обробляти їх у подальшому. На нашу думку, інтерес представляє застосування поняття цінності створюваної слухачем мережі.Ще на початку XX століття на можливість кількісної оцінки цінності соціальної мережі звернув увагу Д. А. Сарнов, який показав, що цінність радіо- або телевіщальної мережі зростає пропорційно кількості глядачів (слухачів) n. Дійсно цінність мережі тим вище, чим вище число її елементів (вузлів). Пізніше Р. Меткалф звернув увагу на те, що цінність всієї системи зростає навіть швидше, ніж число її елементів n. Адже кожен елемент мережі може бути з’єднаний з n−1 іншими елементами, і, таким чином, цінність для нього пропорційна n−1. Оскільки в мережі всього n елементів, то цінність всієї мережі пропорційна n(n−1).На основі цього закону Д. Рід сформулював закон для мереж, які утворюють групи. Цінність такої мережі пропорційна 2n−n−1, що визначається числом підмножин (груп) множини з n агентів за винятком одиночних елементів і порожньої множини. Закон Ріда виражає зв’язок між обчислювальними та соціальними мережами. Коли мережа віщає щось людям, цінність її послуг зростає лінійно. Коли ж мережа дає можливість окремим вузлам вступати в контакт один з одним, цінність зростає у квадратичній залежності. А коли та ж сама мережа має у своєму розпорядженні засоби для створення її учасникам груп, цінність зростає експоненціально.У роботі [7] пропонується оцінювати ріст цінності логарифмічно – nln(n) (закон Ципфа). Головний аргумент на користь цього закону полягає в тому, що на відміну від перших трьох законів, тут ранжуються цінності зв’язків. Якщо для довільного агента соціальної мережі, створеної з n елементів, зв’язки з іншими n−1 агентами мають цінності від 1 до 1/(n–1), то внесок цього агента в загальну цінність мережі становить (для великого n): Підсумувавши за всіма агентами, одержимо повну цінність мережі порядку nln(n).Однак, цінність соціальної мережі як величина, що залежить від потенційних зв’язків всіх агентів, очевидно має зростати зі збільшенням кількості можливих конфігурацій (потенційних можливостей) цих зв’язків у мережі. У роботі [8] показано, що для великої кількості агентів n цінність соціальної мережі (у якості ентропії) може бути визначена якВисновкиУ конективізмі зв’язки повинні формуватися природно (через процес асоціацій). Очевидно, що це можливо тільки в контексті розвитку безперервної освіти і навчання протягом всього життя. Це не просто «передача знань» («побудова знань»), притаманна сьогоднішньому програмованому навчанню, тут навчання більш схоже на розвиток особистості. Як писав В. Ф. Турчин: «Коли навчається людина, вона сам йде назустріч навчанню. Не тому, що вона знає, що “вчитися корисно». Дитина цього не знає, але навчається найбільш легко й активно. Асоціації утворюються в неї «просто так», без усякого підкріплення. Це працює механізм управління асоціюванням, що вимагає собі їжі. Якщо її не має, людині стає нудно, а це негативна емоція. Учителеві немає потреби нав’язувати що-небудь дитині або людині взагалі, його завдання лише в тому, щоб дати їжу її уяві. Одержуючи цю їжу, людина зазнає насолоди. Таким чином, вона завжди вчиться сама, зсередини. Це активний, творчий процес» [9].Головна роль у конективізмі приділяється самому учню – саме він повинен прагнути здобувати нові знання постійно, створювати й використовувати персональну навчальну мережу, розрізняти головну інформацію від другорядної та псевдонаучної, оцінювати отримані знання й т. д. Виникла нова проблема – маючи можливість використати нові засоби для навчання, людина може виявитися просто не здатною ними скористатися (проблема інформаційної компетентності, проблема інформаційного вибуху). У свою чергу педагог (тьютор) повинен мати певні навички по створенню й підготовці навчальних матеріалів та їхньому використанню в дистанційних курсах.На сучасному етапі конективізм як повноцінна теорія навчання вивчений недостатньо. Крім того нормативно-правова база орієнтована тільки на традиційні форми навчання. Проте, позитивно, що знання у цьому підході порівнюються не тільки із структурою, а і з процесом. Прояв гнучкості в навчанні й оцінюванні, а також розвиток міжпредметних зв’язків із «інформаційного хаосу» безсумнівно дозволяє активізувати різні форми інтелекту учнів.

Роботу присвячено вирішенню актуального завдання створення математичного забезпечення для побудови моделей кількісних залежностей на основі багатошарових нейронних мереж та вирішенню за його допомогою практичної задачі моделювання залежностей параметрів процесу роботи авіаційних двигунів під час їх випробувань. Запропоновано метод побудови глибоких нейронних мереж прямого поширення, який використовує коригувальну нейронну мережу для покращення результатів роботи звичайної нейромережі. Пропонована архітектура нейромережі складається з двох блоків-нейромереж: перший – чотиришарова нейромережа прямого поширення, другий – нейронна мережа, що виправляє результати роботи першої. Для цього значення виходу першої мережі передається на вхід другої разом із вхідними параметрами. При цьому для збільшення точності для кожного вихідного параметра будується окрема модель. Кожна з нейронних мереж навчається окремо, що дозволяє спростити та прискорити процес навчання. Навчання пропонованої нейромережі пропонується проводити на основі градієнтного методу та техніки зворотного поширення помилки. У процесі навчання мінімізується функція помилки мережі, яка визначає різницю між виходами мережі і реальними значеннями. Для збільшення точності моделі, побудованої на основі гібридної нейромережі із коригувальним блоком, пропонується виконувати відбір інформативних ознак шляхом послідовного видалення найменш інформативних ознак, доки помилка нейронної мережі не збільшиться від чергового видалення ознаки. Для прискорення відбору доцільно використовувати зменшену кількість епох навчання та не використовувати коригувальну нейронну мережу. Розроблено програмне забезпечення, яке реалізує запропонований метод і дозволяє виконувати побудову нейронних мереж, їх навчання та тестування на вибірках даних; вирішено практичне завдання визначення значень параметрів авіаційних двигунів при проведені їх випробувань.

Проаналізовані існуючі цифрові рішення в галузі переробки та сортування твердих побутових відходів. До них відносяться: виробництво смарт-систем для збору відходів («розумні контейнери»); оптимізація логістичних ланцюжків і оснащення автопарку спеціалізованим програмним забезпеченням і датчиками («розумні збирачі сміття»); виробництво і впровадження інтелектуальних систем переробки і утилізації твердих побутових відходів; розробка і застосування хмарних технологій і спеціалізованих інтерфейсів користувача. Розглянута державна програма Індії з управління переробкою відходів Swachh Bharat Mission. Запропоновано створити систему, яка представлятиме собою мережу автоматизованих пунктів сортування твердих побутових відходів в рамках міста. Дана інфраструктура має намір оптимізувати логістику підприємств переробки твердих побутових відходів, надавати їм точні відомості про кількість сміття, автоматизувати і пришвидшити сортування. Пункт має вигляд закритого захищеного контейнера з роботизованою системою для прийому та сортування твердих побутових відходів. Через отвір користувач подає сміття до контейнера. В контейнері розташована камера з LED освітленням для розпізнавання відходів. Керування системою здійснює мікрокомп’ютером Raspberry Pi 3 Model A+. Розпізнавання типу відходів відбувається на основі згорткової нейронної мережі. Дана мережа гарно працює в задачах машинного зору, надаючи високий рівень точності розпізнавання. Передача повідомлень від контейнеру буде здійснюватися за допомогою спеціалізованого протоколу MQTT, який працює в системі інтернету речей. В центах управління відбувається агрегування та аналіз інформації, отриманої з пунктів збору. Система матиме змогу виконувати прогноз використання пунктів в майбутньому за допомогою методів машинного навчання. Це дасть змогу планувати ресурси та діяльність підприємств з переробки твердих побутових відходів.