To see the other types of publications on this topic, follow the link: Штучні нейроні мережі.
Journal articles on the topic 'Штучні нейроні мережі'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the top 20 journal articles for your research on the topic 'Штучні нейроні 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
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.
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
Zhuk, М. М., H. V. Pivtorak, and І. І. Hits. "ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖЕВОГО МОДЕЛЮВАННЯ ДЛЯ ПРОГНОЗУВАННЯ ТРИВАЛОСТІ ПЕРЕБУВАННЯ ТРАНСПОРТНОГО ЗАСОБУ НА ЗУПИНЦІ ГРОМАДСЬКОГО ТРАНСПОРТУ." Transport development, no. 1(12) (May 3, 2022): 156–67. http://dx.doi.org/10.33082/td.2022.1-12.13.
Full textAbstract:
Вступ. Підвищення попиту на громадський транспорт серед міського населення можна досягнути комплексом різних заходів, одним з яких є вдосконалення системи перевезень та підвищення якості обслуговування пасажирів на різних ланках перевізного процесу. Сучасні методи опрацювання та аналізу параметрів функціонування транспортних систем дозволяють оцінити вплив різноманітних чинників на транспортні процеси та спрогнозувати результати такого впливу. Більшість транспортних процесів мають стохастичну, нелінійну структуру. У таких випадках доцільно використовувати методи штучного інтелекту, зокрема штучні нейронні мережі. Мета. Метою статті є визначення тривалості перебування транспортного засобу на зупинці громадського транспорту з використанням нейромережевого моделювання. Результати. У роботі розкрито основні принципи функціонування штучних нейронних мереж та правила їх використання. Проаналізовано доцільність застосування нейромережевого моделювання для прогнозування тривалості перебування транспортного засобу на зупинках громадського транспорту. Зокрема, проаналізовано вплив таких чинників, як: довжина маршруту, відстань від початку маршруту до досліджуваної зупинки, інтервал між транспортними засобами певного маршруту та пасажирообмін на зупинці. На основі зібраної під час натурних спостережень інформації в програмному середовищі Deductor створено нейронну мережу та проведено прогнозування тривалості перебування транспортного засобу на зупинці. Проведено оцінку якості отриманої моделі. Висновки. Нейромережеве моделювання є ефективним інструментом для дослідження транспортних процесів. Отримані результати свідчать про достатню точність отриманої моделі (середня тривалість перебування транспортного засобу на зупинці становить 24 с у ранковий період та 21 с – в обідній, відхилення в межах від 5 до 9,6 %). Подальші дослідження спрямовуватимуться на підвищення точності моделі шляхом, зокрема, розширення переліку вхідних параметрів.
4
Nazirova, T. O., and O. B. Kostenko. "Нейрономережева інформаційна технологія опрацювання медичних даних." Scientific Bulletin of UNFU 28, no. 8 (October 25, 2018): 141–45. http://dx.doi.org/10.15421/40280828.
Full textAbstract:
Швидкий розвиток комп'ютерної техніки формує передумови для розробок нейрокомп'ютерів (тобто комп'ютерів 6-го покоління), які, за прогнозами в галузі штучного інтелекту, активно будуть використані для перероблення будь-якої інформації, за тими ж принципами, що й біологічні нейронні мережі – такі як людський мозок. Тому попит на використання нейромережеві технології поступово охоплює дедалі ширший коло користувачів зокрема й у галузі охорони здоров'я. Досліджено можливості застосування штучних нейронних мереж для оброблення даних регіональної охорони здоров'я. Нейронні мережі – потужний метод моделювання, що дає змогу відтворювати складні нелінійні залежності, що актуально для систем прийняття рішень управління пацієнтопотоком у медичних закладах. Запропоновано інформаційну технологію оброблення медичних даних за допомогою штучних нейронних мереж, що дасть змогу підвищити ефективність надання медичної допомоги під час профілактичних медоглядів, ніж відомі інформаційні технології класифікації. Розглянуті такі положення: принципи дії штучних нейронних мереж, переваги і недоліки їх використання та основні функції. Також наведено перспективи використання штучних нейронних мереж щодо класифікації пацієнтів для проходження профілактичного медичного огляду.
5
Пчелянський, Д. П., and С. А. Воінова. "ШТУЧНИЙ ІНТЕЛЕКТ: ПЕРСПЕКТИВИ ТА ТЕНДЕНЦІЇ РОЗВИТКУ." Automation of technological and business processes 11, no. 3 (November 11, 2019): 59–64. http://dx.doi.org/10.15673/atbp.v11i3.1500.
Full textAbstract:
У статті подано основні дослідження в галузі штучного інтелекту як науки, що займається створенням автоматизованих інтелектуальних систем. Досліджено технологічні аспекти створення систем штучного інтелекту, розкрито різні підходи до їх конструювання. Показано місце експертних систем і нейромережевих технологій у цьому процесі. У статті розкрито сутність та уявлення про штучний інтелект, який постійно змінюється, трансформується бачення шляхів його розвитку, підходи до вивчення та функціонування в цілому. Найбільш перспективними напрямками в пізнанні штучного інтелекту, є нейронні мережі, еволюційні обчислення, експертні системи. Нейронні мережі здатні вирішувати такі прикладні задачі, як: фінансове прогнозування, контроль за діяльністю мереж, шифрування даних, діагностика систем. Розробка інтелектуальних експертних систем і нейронних мереж - це лише перші кроки на шляху до створення сильного штучного інтелекту. В межах цього змінюються вимоги до сучасних інформаційних інтелектуальних систем.
У статті подано загальну картину розвитку різних напрямків штучного інтелекту шляхом аналізу європейських і американських конференцій по штучному інтелекту за останні кілька років. Проаналізовано та надано статистичну інформацію за даними Німецької дослідницької компанії IPlytics про компанії, які лідирують в галузі штучного інтелекту. В статті наведено інформацію про стан розвитку штучного інтелекту в Україні.
6
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.
7
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.
8
Savka, N. Ya. "Artificial Neural Networks for Modeling of Crisis Management of National Economy." Èlektronnoe modelirovanie 42, no. 2 (April 9, 2020): 109–20. http://dx.doi.org/10.15407/emodel.42.02.109.
Full text
9
Tomashevskyi, Yurii, Oleksander Burykin, Volodymyr Kulyk, Juliya Malogulko, and Vladyslav Hrynyk. "ІНФОРМАЦІЙНА СИСТЕМА РОЗПОДІЛЬНОЇ ЕЛЕКТРИЧНОЇ МЕРЕЖІ НА БАЗІ КОНЦЕПЦІЇ SMART METERING ІЗ ЗАСТОСУВАННЯМ ТИПОВИХ ГРАФІКІВ НАВАНТАЖЕННЯ." TECHNICAL SCIENCES AND TECHNOLOGIES, no. 3(21) (2020): 229–41. http://dx.doi.org/10.25140/2411-5363-2020-3(21)-229-241.
Full textAbstract:
Актуальність теми дослідження. Використання інформаційних систем та баз даних стає невід’ємною складовою діяльності енергетичних компаній. Інформація про виробництво та споживання електроенергії зберігається в агрегованому вигляді. Це не дає змоги визначати складові балансових витрат електроенергії методом поелементних розрахунків та аналізувати їх структуру. Таким чином, вдосконалення математичного та програмного забезпечення інформаційних систем обліку електроенергії з метою підвищення адекватності визначення втрат електроенергії у розподільних мережах є актуальним завданням. Постановка проблеми. Оснащення розподільних електричних мереж засобами моніторингу їхніх параметрів часто виявляється недостатнім для розв’язування задач планування та ведення режимів. Тому метою дослідження є аналіз можливості застосування системного підходу до створення інформаційних систем РЕМ з використанням даних автоматизованих систем комерційного обліку електроенергії та інших наявних джерел інформації для підвищення точності моделювання характерних режимів мереж та складових балансу електроенергії. Аналіз останніх досліджень і публікацій. Нині використовуються декілька підходів для перевірки та відновлення даних щодо електричних навантажень у системах АСКОЕ та Smart Metering: 1) технологія великих даних (Big Data Technology – data management); 2) глобальне обчислення на основі не втрачених даних; 3) статистичні методи; 4) штучні нейронні мережі; 5) кластерний аналіз; 6) застосування методів оцінювання стану; 7) використання типових графіків електричних навантажень. Наведені підходи можуть комбінуватися для отримання додаткових переваг. Виділення недосліджених частин загальної проблеми. Необхідною умовою для використання наявних підходів є наявність невтрачених даних. Це робить принципово неможливим застосування відомих підходів для дослідження режимних параметрів РЕМ з прийнятною точністю. Постановка завдання. Отже, основним завданням є дослідження можливості використання системного підходу до побудови інформаційних систем РЕМ із застосуванням технології Smart Metering, а також методів та алгоритмів, які використовуючи наявну інформацію, агреговану за часовими періодами, дадуть змогу визначати режимні параметри РЕМ з необхідною точністю.Виклад основного матеріалу. Для розгортання агрегованих даних у графіки навантаження та генерування, у роботі запропоновано використовувати типові графіки енергообміну споживачів та місцевих джерел енергії. Для узгодження виміряних параметрів режиму та псевдовимірювань, розрахованих за типовими графіками, запропоновано використовувати алгоритм на основі методу найменших квадратів. Оцінювання точності проводилося шляхом зіставлення втрат електроенергії для цілком спостережної мережі з результатами імітаційних розрахунків. Висновки відповідно до статті. Встановлено, що застосування типових графіків навантаження та генерування дає змогу відновлювати графіки енергообміну споживачів та місцевих джерел енергії з прийнятною точністю. Використання типових графіків навантаження та генерування (псевдовимірювань) дає змогу зменшити вартість систем моніторингу розподільних мереж.
10
Артеменко, С. В., and В. О. Мазур. "EN Машинне навчання для властивостей холодоагентів." Refrigeration Engineering and Technology 57, no. 3 (October 15, 2021): 138–46. http://dx.doi.org/10.15673/ret.v57i3.2164.
Full textAbstract:
Міждисциплінарний характер нових цілей, спрямованих на розробку робочих матеріалів для екологічно чистих технологій вимагає більш динамічного використання інформаційних технологій (ІТ) для забезпечення правильних компромісних рішень у конкурентному середовищі. Машинне навчання (ML) — це частина методологій штучного інтелекту (AI), яка використовує алгоритми, які не є прямим рішенням проблеми, а навчаються за допомогою рішень незліченної кількості подібних проблем. Машинне навчання відкрило новий шлях у дослідженні термодинамічної поведінки нових речовин. Різні обчислювальні інструменти були застосовані для вирішення актуальної проблеми - прогнозування фазової поведінки soft речовин під значними екзогенними впливами. Метою цього дослідження є розробка нової точки зору щодо прогнозування термодинамічних властивостей м'яких речовин за допомогою методології, яка передбачає штучні нейронні мережі (ANN) та глобальну фазову діаграму для забезпечення кореляції між структурою та властивостями. В роботі представлено застосування машинного навчання в інженерній термодинаміці для прогнозування азеотропної поведінки бінарних холодоагентів і визначення коефіцієнта продуктивності (COP) для роботи органічного циклу Ренкіна (ORC). За даними про кипіння та критичні точки. Запропоновано новий підхід до прогнозування утворення азеотропного стану в суміші, який розроблено та представлено. Цей підхід використовує синергію нейронних мереж та методології глобальної фазової діаграми для кореляції азеотропних даних для бінарних сумішей на основі лише критичних властивостей та ацентричного коефіцієнта окремих компонентів у сумішах холодоагентів. Це не вимагає інтенсивних розрахунків. Побудова кореляцій ANN між інформаційними атрибутами робочих рідин та критеріями ефективності циклу Ренкіна звужує область компромісів у просторі конкурентних економічних, екологічних та технологічних критеріїв
11
Boiko, Serhii, Yevhen Volkanin, Oleksiy Gorodny, Oksana Borysenko, and Leonid Vershniak. "ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ПРИ АВТОМАТИЗАЦІЇ ДІАГНОСТИКИ СТАНУ АВІАЦІЙНОГО ГЕНЕРАТОРА ГВИНТОКРИЛА." TECHNICAL SCIENCES AND TECHNOLOG IES, no. 3(13) (2018): 152–60. http://dx.doi.org/10.25140/2411-5363-2018-3(13)-152-160.
Full textAbstract:
Актуальність теми дослідження. З огляду на те, що за останні десятиліття кількість нещасних випадків, збоїв обладнання, у тому числі нещасних випадків на вертольотах, становило понад десять, актуальною науково-практичною задачею являється діагностика і прогнозування змін стану авіаційного генератора. Постановка проблеми. Основна мета цієї роботи – розробка нейронної мережі, яка буде враховувати основні технічні та експлуатаційні характеристики авіаційного генератора вертольота з метою діагностики і подальшого прогнозування його стану, скорочуючи час обчислень і збільшуючи рівень достовірності результатів. Аналіз останніх досліджень і публікацій. Проблема інформаційної діагностики авіаційної техніки описана в роботах, в яких застосовуються різні методи визначення несправностей авіаційної техніки. Використання нейронних мереж у вирішенні завдань управління динамічними системами вивчається вченими і дослідниками, робота яких демонструє високий потенціал об'єднання двох обчислювальних технологій – штучних нейронних мереж і генетичних алгоритмів для вирішення задач синтезу інтелектуальних систем керування. Виділення недосліджених частини загальної проблеми. Нині є безліч підходів до проблеми діагностики складних динамічних об'єктів, у тому числі авіаційного генератора вертольота, найбільш поширеним з яких є інформаційна діагностика, одним із методів якої є використання нейронних мереж. Використання нейронних мереж управління дозволяє істотно усунути математичні проблеми аналітичного синтезу та аналізу властивостей досліджуваного об'єкта. Це пояснюється тим, що якість процесів управління в нейронних системах багато в чому залежить від фундаментальних властивостей багатошарових нелінійних нейронних мереж, а не від аналітичних розрахованих оптимальних законів. Багатошарові нейронні мережі мають ряд переваг, що дозволяє їх використовувати в задачах управління динамічними об’єктами. Постановка завдання. Метою цієї роботи є створення нейронної мережі, яка буде враховувати основні технічні та експлуатаційні характеристики авіаційного генератора вертольота. Виклад основного матеріалу. При діагностуванні авіаційного генератора вертольота повинні враховуватися такі параметри: теплові параметри генератора, рівень шуму генератора, частота обертання генератора, опір ізоляції контурів ротора, струм зворотної послідовності, рівень вібрації генератора, биття валу генератора, відхилення напруги, коливання напруги, коефіцієнт несинусоїдальності кривої напруги, коефіцієнт n-й гармонійної складової напруги непарного (парного) порядку, коефіцієнти нульової послідовності, відхилення частоти імпульсної напруги. Водночас необхідно швидко обчислити вихідний стан генератора в поточному режимі роботи для даної функції. Найбільш оптимальним методом вирішення проблеми є використання нейронних мереж, що скоротить час обчислень, підвищить рівень надійності результатів. Висновки відповідно до статті. У статті виконано синтез нейрорегулятора прогнозу NN Prediction Controller для вирішення завдання автоматизації діагностики стану авіаційного генератора вертольота в реальних режимах роботи шляхом розробки моделі нейромережевої системи в Simulink програмного пакету MATLAB. Також встановлено, які параметри істотно впливають на якість регулювання та визначено оптимальні значення параметрів. Використання нейромережевої моделі для автоматизації діагностики стану авіаційного генератора вертольота забезпечило високу якість ідентифікації параметрів нейрорегулятора. Це дозволило вибрати оптимальні значення параметрів нейрорегулятора, що забезпечить високі динамічні характеристики системи діагностики стану авіаційного генератора вертольота.
12
Островська, Катерина, and Анна Мінаєнко. "ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖНИХ ТЕХНОЛОГІЙ ДЛЯ ВИЯВЛЕННЯ ПНЕВМОНІЇ ПО РЕНТГЕНІВСЬКИМ ЗНІМКАМ." System technologies 5, no. 136 (May 29, 2021): 189–95. http://dx.doi.org/10.34185/1562-9945-5-136-2021-18.
Full textAbstract:
У роботі спроектовано та розроблено додаток для виявлення пневмонії по рентгенівським знімкам із застосуванням нейромережних технологій на мові Python. Для реалізації програми для розпізнавання пневмонії по рентгенівськім знімкам, яке відноситься до задачі розпізнавання образів, буде застосована архітектура згортко-вих штучних нейроних мереж.
13
Хміль, С. В., У. Я. Франчук, Л. М. Маланчук, and М. В. Франчук. "МАТЕМАТИЧНА МОДЕЛЬ ПРОГНОЗУВАННЯ ВИНИКНЕННЯ ПРЕЕКЛАМПСІЇ СЕРЕДНЬОГО СТУПЕНЯ У ЖІНОК ГРУПИ ВИСОКОГО РИЗИКУ РОЗВИТКУ ПІЗНЬОГО ГЕСТОЗУ НА ТЛІ МЕТАБОЛІЧНОГО СИНДРОМУ." Здобутки клінічної і експериментальної медицини, no. 3 (December 1, 2021): 157–61. http://dx.doi.org/10.11603/1811-2471.2021.v.i3.12530.
Full textAbstract:
В Україні наявна тенденція до збільшення розвитку ускладнення вагітності пізніми гестозами, тому дослідження методом математичного моделювання прогнозування виникнення прееклампсії середнього ступеня є доцільним та необхідним для спрощення верифікації даної патології.
Мета – розроблення математичної моделі для визначення ймовірності та відсотка прогнозування виникнення прееклампсії середнього ступеня у жінок групи високого ризику розвитку пізнього гестозу на тлі метаболічного синдрому.
Матеріал і методи. На сьогодні, окрім точної діагностики та ефективного лікування прееклампсії з ожирінням, постало питання прогнозування виникнення прееклампсії за допомогою біохімічних маркерів діагностики. Іншими словами, з якою ймовірністю може виникнути прееклампсія середнього ступеня у жінок групи ризику виникнення пізнього гестозу на тлі метаболічного синдрому. Для вирішення завдань такої складності застосували нейронні мережі, або «штучний інтелект».
Результати. Математично доведено, що при наявності протеїнурії, що відповідає діагностичним критеріям прееклампсії легкого ступеня, дефіциту вітаміну D та підвищення рівня інгібіну А, ймовірність розвитку прееклампсії середнього ступеня становить 89 % .
Висновки. У пацієнток віком понад 35 років ризик виникнення прееклампсії середнього ступеня, враховуючи додаткові прогностичні маркери, зокрема вітамін D та інгібін А, зростає ймовірність розвитку даного ускладнення вагітності на тлі метаболічного синдрому.
14
МАРИНИЧ, Іван, and Ольга СЕРДЮК. "ЗАСТОСУВАННЯ НЕЙРОННИХ РЕГУЛЯТОРІВ ПРИ МОДЕЛЮВАННІ КЕРУВАННЯ СТАДІЄЮ ПОДРІБНЕННЯ В УМОВАХ ГІРНИЧО-ЗБАГАЧУВАЛЬНОГО КОМБІНАТУ." INFORMATION TECHNOLOGY AND SOCIETY, no. 1 (May 12, 2022): 45–53. http://dx.doi.org/10.32689/maup.it.2022.1.6.
Full textAbstract:
Анотація. Стаття присвячена можливості застосування стандартних типів нейрорегуляторів, що пропонує середовище MATLAB & Simulink при моделюванні керування технологічним процесом, а саме стадією подрібнення, шляхом застосування узгодженого інтелектуального керування в умовах невизначеності. Застосування технологій штучного інтелекту в гірському ділі є досить актуальним в цей час. На відміну від «класичних» детермінованих автоматизованих систем керування, які засновані на використанні жорстких алгоритмів (або чіткої логіки), системи з використанням штучного інтелекту мають властивості навчання та самонавчання (тобто накопичення та узагальнення досвіду). Використання штучних нейро‑нечітких мереж для моделювання і ідентифікації об’єкта керування – підхід, який зазвичай розглядається як альтернатива методам, заснованим на фізичних або технологічних принципах. Зокрема, це стосується можливості використання нейронних мереж та нечіткої логіки для управління технологічними процесами дроблення-подрібнення та збагачення корисних копалин. В роботі було розглянуто три можливих типи регуляторів, які пропонує середовище MATLAB & Simulink, а саме регулятора з передбаченням NN Predictive Controller, регулятору на основі моделі авторегресії NARMA-L2 та контролера на основі еталонної моделі – Model Reference Controller. Кожен з розглянутих регуляторів може застосовуватись при моделюванні технологічного процесу, але доцільність використання того чи іншого типу, в першу чергу залежить від характеру технологічного процесу. При моделюванні була досліджена можливість керування технологічним процесом за допомогою штучного інтелекту (регуляторів на основі нейронних мереж). Аналіз результатів моделювання трьох типів нейрорегуляторів, показав, що найбільш доцільним при моделюванні керування технологічного процесу подрібнення є застосування регулятора типу NARMA-L2.
15
S., Ivanov. "NEURO-FUZZY CONTROL SYSTEM OF NON-DETERMINED ECONOMIC OBJECT." Scientific Bulletin of Kherson State University. Series Economic Sciences, no. 43 (October 22, 2021): 86–90. http://dx.doi.org/10.32999/ksu2307-8030/2021-43-13.
Full textAbstract:
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).
16
Денисов, Андрій, and Лариса Ричкова. "Використання штучних нейронних мереж в системі ризик-менеджменту підприємства." Adaptive Management Theory and Practice Economics 11, no. 22 (October 20, 2021). http://dx.doi.org/10.33296/2707-0654-11(22)-12.
Full textAbstract:
Анотація. Статтю присвячено вивченню можливостей та перспектив використання штучних нейронних мереж в системі ризик-менеджменту підприємства. Розглянуті перепони ефективного використання інструментів ризик-менеджменту у діяльності підприємств через об’єктивні та субєктівні чинники. В рамках дослідження ризик розглядається як можлива небажана подія, яка переводить об’єкт управління у небажаний стан. Спираючись на базові поняття та характеристики функціонування штучних нейронних мереж і постулати економічної теорії автор робить висновки щодо можливостей, переваг та проблем різних аспектів застовування моделей штучних нейронних мереж при прийнятті управлінських рішень щодо оцінки ризиків та зменшення їх негативних наслідків. У статті розглянуто особливості ризикових ситуацій при прийнятті управлінських рішень в інтенціональній, експектаційній, когнітивній та функціональній підсистемах управління ризиками. Виділено принципи, дотримання яких необхідне для коректного використання штучних нейронних мереж у підготовці управлінських рішень та накопиченні інформації про рівень потенційного ризику. Доведено, що використання моделей штучних нейронних мереж дозволять перейти від традиційного реактивного менеджменту у відповідь на ризикові події до проактивного, який передбачає управлінські впливи на причини виникнення ризиків і опосередковано на негативні події та їх наслідки. З’ясовано, що у разі занадто високої швидкості зовнішніх змін і низькому темпі пристосування до них, можуть наступити несприятливі наслідки для підприємства у вигляді дестабілізації його діяльності. Висновком з цього є те, що використання штучної нейронної мережі в системі управління рівнем ризику сприятиме подоланню фрагментарності даних, які є у розпорядженні підприємства, що, в свою чергу, буде підвищувати швидкість процесів прийняття управлінських рішень. Використання штучних нейронних мереж надає підприємствам певні переваги з точки зору управління економічними ризиками через підвищення точності та зниження суб’єктивності управлінських рішень, більш детальне вивчення процесів та ситуацій з використанням різноманітних методів аналізу та великої кількісті алгоритмів.
Ключові слова: штучні нейронні мережі, підприємство, управлінські рішення, ризик.
17
Бурлєєв, Олег, Олег Василенко, and Ростислав Іваненко. "ЕФЕКТИВНІСТЬ ВИКОРИСТАННЯ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ В ЕКОНОМІЦІ." Економіка та суспільство, no. 31 (September 28, 2021). http://dx.doi.org/10.32782/2524-0072/2021-31-27.
Full textAbstract:
В статті досліджено особливості створення штучних нейронних мереж, їх навчання, застосування в економічній сфері та порівняння їх ефективності з статистичними методами. Встановлено, що наукові роботи стосовно нейронних мереж є лише загальними та не відображають особливості використання різних архітектур. Проведене дослідження особливостей різних ядер нейромереж на основі методу опорних векторів та порівняння їх ефективності між собою для класифікації даних. Завдяки дослідженню показано, що метод опорних векторів дозволяє нам ефективно класифікувати дані, в тому числі з нелінійною структурою. З’ясовано, що нейронні мережі дійсно ефективні для аналізу економічних показників і вже значно випереджають класичні методи аналізу. Встановлено, що нейромережі використовуються для вирішення трьох основних типів задач: прогнозування, класифікація та моделювання. Представлено платформи та бібліотеки, що допомагають при створенні нейронної мережі та мають готові зразки використання та детальну документацію. Підтверджено, що основні переваги нейронних мереж – це здатність до навчання, можливість працювати з неповними даними, можливість автоматизувати аналіз, висока точність результатів. З’ясовано, що основні недоліки нейромереж – це технічні вимоги, необхідність великої кількості зібраних і оброблених даних для навчання та складність реалізації в кожному окремому випадку. Представлено найбільш поширені типи нейромереж та алгоритми навчання, а також в задачах яких типів будуть ефективними різні нейронні мережі. Запропоновано порівняння ефективності перцептрона та логістичної регресії при вирішенні однакової задачі класифікації. Отже, штучні нейронні мережі дійсно переважають класичні методи аналізу даних, а розмір цієї переваги буде залежати від кількості факторів, що впливають на результат та складності взаємозв’язків між ними.
18
Прокопенко, О., and A. Рибидайло. "Формування множини альтернатив для комплектування вакантних посад військових організаційних структур." Збірник наукових праць Центру воєнно-стратегічних досліджень НУОУ імені Івана Черняховського, February 17, 2022, 74–81. http://dx.doi.org/10.33099/2304-2745/2021-3-73/74-81.
Full textAbstract:
Сучасний етап реформування Збройних Сил України здійснюється в умовах складної воєнно-політичної та економічної ситуації, яка склалася внаслідок збройної агресії Російської Федерації. Це обумовлює підвищенні вимоги щодо гарантованого і якісного укомплектування військових організаційних структур підготовленим і вмотивованим персоналом.
Найбільш дієвим механізмом вирішення зазначеного завдання є розробка і впровадження відповідного інформаційно-аналітичного забезпечення для ведення обліку персоналу із врахуванням індивідуальних професійних компетентностей і морально-ділових якостей кожної особистості, а тпкож впровадження доброчесних та прозорих процедур кар’єрного просування персоналу.
Мета статті ‑ висвітлення методики формування рейтингових списків кандидатів до призначення на вакантні посади із застосуванням технології нейронних мереж, яка на відміну від існуючої надає можливість автоматизовано врахувати додаткові характеристики кандидатів.
Принцип побудови систем підтримки прийняття рішень на основі штучного інтелекту заснований на використанні штучної нейронної мережі (ШНМ).
Для вирішення поставленої задачі ‑ автоматизація процедури формування рейтингового списку кандидатів на вакантну посаду із врахуванням їх додаткових характеристик ‑ архітектура штучної нейронної мережі побудована на двох скритих шарах, параметри яких містять:
- 1-й шар – 9 нейронів, який через синоптичні зв’язки приймає дані про шість характеристик кандидатів X={x1...x6};
- 2-й шар – 3 нейрони, який зв’язує синопси 1-го скритого шару і вихідний шар, нейрони якого через аксони формують вихідні дані Y .
Для перевірки працездатності запропонованої методики, на мові програмування Python 3.9 у середовищі Sublime Text 4, розроблено макет штучної нейронної мережі. При швидкості навчання ШНМ β=0,003 і кількості епох навчання G=600, якість навчання становить Ω=98,9%, що свідчить про її високу навченість.
Використання нейромережевих методів для урахування додаткових характеристик кандидатів до призначення на типові посади надасть можливість автоматизувати процедуру формування множини альтернатив кадрового рішення.
19
Азарова, Анжеліка, and Володимир Пугач. "ОЦІНЮВАННЯ РІВНЯ УПРАВЛІННЯ ЛЮДСЬКИМ КАПІТАЛОМ ІЗ ЗАСТОСУВАННЯМ НЕЙРОННОЇ МЕРЕЖІ ХЕММІНГА." Економіка та суспільство, no. 37 (March 29, 2022). http://dx.doi.org/10.32782/2524-0072/2022-37-7.
Full textAbstract:
У статті запропоновано модель оцінювання рівня управління людським капіталом (ЛК). Ця модель заснована на застосуванні нейронних мереж. Виявляються існуючі недоліки в оцінюванні рівня ЛК. Удосконалено методологічний підхід до оцінювання рівня управління ЛК, що дозволяє засобами нейромережевих технологій точно та обґрунтовано визначити його рівень. Модель носить об’єктивний характер і в той же час враховує суб’єктивні оцінки експертів, тобто результати можуть легко змінюватися на основі зміни експертних оцінок по мірі змін у роботі підприємства, цілі, місії організації або її конкретних задач в теперішній момент. Модель носить і комплексний характер, оскільки, використовуючи понад десяток показників, вона генерує комплексну оцінку, в формуванні якої, наряду з економічними показниками, враховується і людський фактор, а саме дані мотивованості та задоволеності. Було побудовано за допомогою програмного комплексу відповідну штучну нейронну мережу Хеммінга: проведено діагностику, розраховано її вагові коефіцієнти, що дозволило швидко та точно визначити рівень управління людським капіталом підприємства. Запропонований авторами концептуальний підхід має низку істотних переваг перед існуючими альтернативними методами: високу точність оцінювання; врахування потужної множини різноякісних параметрів впливу; висока швидкість прийняття рішення; здатність до самонавчання. Запропонований підхід успішно реалізовано для оцінювання рівня управління людським капіталом на 9 вітчизняних підприємствах.
20
Костенко, Олексій. "ЕЛЕКТРОННА ЮРИСДИКЦІЯ, МЕТАВСЕСВІТ, ШТУЧНИЙ ІНТЕЛЕКТ, ЦИФРОВА ОСОБИСТІСТЬ, ЦИФРОВИЙ АВАТАР, НЕЙРОННІ МЕРЕЖІ: ТЕОРІЯ, ПРАКТИКА, ПЕРСПЕКТИВИ." Наукові інновації та передові технології, no. 2 (4) (February 9, 2022). http://dx.doi.org/10.52058/2786-5274-2022-2(4)-54-78.
Full text