Academic literature on the topic 'Багатошарові нейронні мережі'

Метою статті є дослідження модульної ділянки ґрунту як об’єкту керування, яка є складною ро-зподіленою у просторі системою. Однією з характерних ознак складності об’єкта керування є неви-значеність у представленні його структури та поведінки. У рамках сучасної методології системно-го моделювання невизначеність може характеризувати наступні аспекти модельних уявлень: неяс-ність або нечіткість границі системи; неоднозначність семантики окремих термінів; неповнота модельних уявлень щодо певної складної системи; наявність протиріч між окремими компонентами модельних уявлень або вимог, які повинна задовольняти модель складної системи; невизначеність настання певних подій, які належать до можливості знаходження системи ‒ оригіналу в певному стані в майбутньому; лінгвістична невизначеність. На модульну ділянку ґрунту як об’єкт керування здійснюють вплив змінні збурення − погодні умови (температура й вологість повітря, швидкість ві-тру, сонячна радіація, опади). Від них залежить вихідний параметр − всмоктуючий тиск (вологість) ґрунту. Цьому об՚єкту керування притаманна стохастична невизначеність, оскільки його властиво-сті змінюються випадково. На сьогодні, крім класичних нейронних мереж, розвиваються гібридні, зокрема, нечіткі нейронні мережі. Вони об’єднують у собі переваги нейронних мереж і систем нечі-ткого виведення. Тому для моделювання ненасиченої зони модульної ділянки ґрунту як об’єкту керу-вання ґрунту застосовано саме гібридну нейро-нечітку мережу на основі нео-фаззі нейрона. Розроб-лені нео-фаззі моделі ненасиченої зони модульної ділянки ґрунту як об’єкта керування для прогнозу-вання всмоктуючого тиску ґрунту забезпечують вищу точність роботи, ніж багатошарові мережі прямого поширення. Водночас вони мають простішу архітектуру, що забезпечує легшу практичну реалізацію та більшу швидкість навчання. Розроблені нео-фаззі моделі можуть бути використані у складі автоматизованого робочого місця диспетчера зрошувальної системи і слугувати зручним ін-струментом для планування й керування режимами зволоження сільськогосподарських культур.

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.

Предметом вивчення є історія становлення та розвиток теорії нейронних мереж, сучасні підходи до проблем розпізнавання та класифікації зображень. Особлива увага приділяється якісному огляду капсульних та згорткових нейронних мереж, принципів їх роботи та визначення основних відмінностей. Метою роботи є аналіз сучасного стану досліджень нейронних мереж та можливих перспектив розвитку цієї галузі. Завдання: проаналізувати історичний розвиток теорії нейронних мереж. Провести порівняння між типами нейронних мереж, що базуються на концепції глибокого навчання: згортковими та капсульними. Методом проведення дослідження є аналіз сучасної літератури та основних тенденцій розвитку глибокого навчання. Результатами проведеного дослідження є виявлення значущих відкриттів, що вплинули на розвиток нейронних мереж. Функціонування нейронних мереж базується на роботі нервової системи біологічних організмів. Зокрема, це принцип активності біологічного нейрону, ансамблі нейронів, виявлення «простих клітин» у зоровій корі мозку. На даний момент найбільший розвиток мають нейронні мережі, що засновані на концепції глибокого навчання, яка дозволяє багатошаровим обчислювальним моделям вивчати дані з кількома рівнями абстракції. Згорткові мережі, що використовують цю концепцію досягли значних успіхів у розпізнаванні зображень, відео та аудіо. Рекурентні мережі виявилися кращі у аналізі тексту та мови. Згорткові нейронні мережі маються низку недоліків, на яких наголошено у роботі. Капсульні нейронні мережі є вдосконаленням концепції згорткових нейронних мереж. В їх основі покладено «капсули», які призначені для виявлення характеристик об’єкта. Капсули як група нейронів характеризуються вектором активації. Запропонований відомими ученими векторний підхід дозволяє врахувати поворот та трансляцію об’єктів. Капсульні нейронні мережі потребують значно меншу навчальну вибірку, ніж згорткові. У висновках роботи визначаються основні перспективи розвитку теорії нейронних мереж, а також можливий стрімкий розвиток неконтрольованого навчання нейронних мереж. Наголошується на важливості критичного аналізу проблем нейронних мереж як вирішального фактору їх майбутнього розвитку.

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.

При проектуванні технологічних процесів механообробки використовується банк даних, в якому необхідно знайти потрібну інформацію та скомпонувати її в залежності від задачі. При цьому виникає необхідність побудови багаторівневої структури обробки даних. Також необхідно забезпечити швидкий пошук необхідної інформації, яка знаходиться в банку даних. Вирішити цю проблему можна за допомогою асоціативної пам'яті, застосувати яку можна як при пошуку інформації, так і при подальшому збереженні отриманого технологічного процесу. Метою роботи є розробка нейронних мереж асоціативної пам'яті для проектування і зберігання технологічних процесів для високоточних і унікальних деталей. Результати. За допомогою запропонованих нейронних мереж асоціативної пам'яті розроблено технологічний процес для виробництва конкретної деталі. Алгоритм навчання окремих модулів багатошарової мережі являє собою процес визначення навчального набору зображень і побудови матриць вагів зв’язків між вхідним і вихідними шарами нейронів. При використанні асоціативної пам'яті збільшується швидкість роботи з даними за рахунок паралельної обробки інформації. Математичне моделювання технологічного процесу виробництва деталі підтвердило правильність теоретичних положень. Висновки. Розроблені нейронні мережі для проектування і зберігання технологічних процесів для виробництва високоточних деталей.

В даній статті виконано дослідження методів вирішення задачі управління дзвінками в колл-центрі при використанні інтелектуальних нейронних мереж. Виконано огляд існуючих рішень для колл-центрів та приведені їх недоліки. Враховуючи вимоги колл-центрів до модулю управління зроблена постановка задачі та виконано огляд методів її вирішення. Для реалізації модулю «інтелектуального додзвону» вибрані нейронні мережі, а саме багатошаровий персептрон. Приведена архітектура мережі, проведено її навчання та виконано аналіз результатів її роботи. Виходячи з середньоквадратичних відхилень між фактичними та прогнозованими результатами, пр. збільшенні розмірів навчальної вибірки похибка прогнозів мережі прямує до 0, це значить що архітектура нейромережі підібрана вірно.

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.

Об’єктом дослідження є процес оцифрування картографічних схем та зображень. У статті зроблено огляд основних рішень на сьогоднішній день, та їх недоліки. Також визначено варіант, для вирішення даної проблеми, запропоновано використати нейрону мережу, для розпізнавання зображення, а саме глибоке навчання. Глибоке навчання в свою чергу є класом алгоритмів машинного навчання, який використовує в собі багатошарову систему нелінійних фільтрів для відокремлення необхідних характеристик з перетвореннями.Метою роботи є зменшення часу на процес оцифровування архівів картографічних схем, за допомогою створення та навчання нейронної мережі з використання глибинного навчання. Бібл. 5, іл. 5.

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.

У статті проведений огляд та аналіз одного з підходів до навчання моделі нейронної мережі. Створено список вимог до навчання моделі. У якості архітектури нейронної сітки розглянуто мережі прямого поширення (перцептрон та багатошаровий перцептрон) та обрано багатошаровий перцептрон. Вхідними даними для навчання та тестування моделі були відомості з ринку електричної енергії протягом одного року. Описано кожен етап побудови та навчання моделі, яка слугуватиме для прогнозування даних. Навчена модель протестована за допомогою визначення середньої абсолютної помилки у відсотках (MAPE). Побудовано графіки та таблиці, які показують залежність точності моделі від параметрів та вхідних даних при навчанні. Отримані результати можна використовувати для практичного застосування, зокрема для прогнозування економічних показників. Бібл. 9, іл. 10, табл. 1.

Магістерська дисертація: 92 с., 28 рис., 21 табл., 1 дод., 30 джерел. Тема роботи — Методи та засоби прогнозування індексу акцій у реальному часі на базі хмарних обчислювальних сервісів. Об’єкт дослідження — методи прогнозування акцій на базі хмарних обчислювальних сервісів. Предмет досліджень — багатошарова нейронна мережа, згорткова нейронна мережа та мережа довгої короткочасної пам’яті, хмарні обчислювальні сервіси, Amazon Web Services. Мета роботи — підвищити ефективність прогнозування індексу акцій на базі хмарних обчислювальних сервісів та розробити модель реалізації системи на базі хмарних сервісів. Актуальність — використання апарату штучних нейронних мереж дає змогу робити більш точні передбачення ціни акцій порівнюючи з іншими технічними методами. Хмарні сервіси забезпечують швидке та гнучке розгортання інфраструктури, забезпечує їх повсякчасну доступність. В ході виконання роботи було реалізовано декілька ахітектур нейронних мереж та проведено аналіз результатів їх роботи. Також було cпроектовано систему прогнозування індексу акцій в реальному часі на базі хмарних сервісів. Для покращення результатів у майбутньому можна застосувати Keras Tuner, який автоматично підбирає гіперпараметри нейронної мережі. Також можна використовувати додаткову інформацію про компанію і додавати ці дані до моделей.
Master`s thesis contains: 92 p., 21 tables, 28 fig., 1 add. and 30 references. The theme: The mechanisms tools for real-time stock market index prediction based on Cloud Compute Services. The objects of this research are mechanisms for stock market index prediction based on Cloud Compute Services. The subjects of this research are neural network architectures: multilayer neural network, convolutional neural network, long short-term memory, cloud compute services, Amazon Web Services. The purpose of this work is to improve efficiency of stock market index prediction based on Cloud Compute Services and design model of system for stock market index forecasting based on Cloud Compute Services. The relevance of this topic is that using neural networks could drastically improve stock market values forecasting comparing to other technical methods. Cloud compute services provides fast and flexible deployment of infrastructure as well as constant availability. Also designed a model of system for real-time stock index forecasting based on cloud compute services. During research I built three architectures of neural networks and analyzed which of them work better with the given case. For further research, it is possible to use Keras Tuner which allows to automatically tune hyperparameters on our neural network and improve output result. Also, additional data about companies provided real-time can improve models.

Метою доповіді є розгляд можливості застосування нейронних мереж для атаки на алгоритм шифрування. Нейронні мережі – це можливе рішення багатьох питань, які існують в області криптографії. Проект демонструє, що можливості нейронної мережі на простому алгоритмі шифрування, який недостатньо ефективний для забезпечення безпечного передання інформації.

Розроблено алгоритм та програмне забезпечення інформаційної системи підготовки вхідних даних для організації людино-машинної взаємодії. На першому етапі запропоновано використовувати штучні нейронні мережі для обчислення показників якості навчально-пізнавальної діяльності студента. На другому етапі запропоновано використовувати систему нечіткого логічного виведення для оцінки діяльності студента з урахуванням способу організації людино-машинної взаємодії.

Дипломна робота присвячена розгляду питань керування системою SDR шляхом розпізнавання видів цифрової модуляції, виконується системою, яка автоматично класифікує вид цифрової модуляції одержуваного сигналу.

В дисертації вперше отримані такі нові наукові результати: 1. Запропоновано метод автоматизованої обробки послідовності термограм, отриманих у результаті активного теплового контролю багатошарових матеріалів, який використовує нейромережеві технології для аналізу температурних профілів у кожній точці об’єкту та дозволяє одночасно проводити класифікацію знайдених дефектів, вимірювати їх глибину залягання та розкрив. 2. Набув подальшого розвитку метод синтезу нейронної мережі прямого розповсюдження зі зворотним поширенням помилки, який враховує залежності достовірності контролю та точності дефектометрії від архітектури та алгоритмів навчання нейронної мережі, що дозволило обґрунтувати вибір кількості прихованих прошарків нейронної мережі, кількості нейронів у цих прошарках та оптимального за показником середньоквадратичної помилки мережі алгоритму навчання. 3. Удосконалено метод формування навчального набору даних, який враховує залежності достовірності класифікації дефектів у багатошарових матеріалах, похибок визначення їх глибини залягання і розкриву від параметрів вибірки навчальних сигналів, що дозволило мінімізувати час навчання нейронної мережі без погіршення достовірності автоматизованої класифікації дефектів та точності дефектометрії. Практичне значення одержаних в дисертаційній роботі результатів полягає в тому, що було розроблено алгоритмічне і програмне забезпечення реалізації підсистеми визначення характеристик дефектів за результатами активного ТНК із використанням вдосконаленого методу на базі нейромережевих технологій, що дозволило автоматизувати класифікацію дефектів і побудову теплових томограм, підвищити точність теплової дефектометрії і достовірність контролю у порівнянні з існуючими методами. Розроблено віртуальний інтерфейс користувача, який містить інструменти для проведення дефектометрії та аналізу теплових томограм, що дало змогу покращити ефективність аналізу результатів контролю. Для розробленої системи експериментально визначено архітектуру та параметри навчання нейромереж, за яких досягається найвища достовірність класифікації дефектів та точність вимірювання їх характеристик. Розроблено та виготовлено експериментальний стенд та дослідні зразки для проведення активного теплового контролю і аналізу результатів із використанням удосконаленого методу визначення характеристик дефектів на основі нейронних мереж, що дозволило відпрацювати програмні алгоритми та підтвердити ефективність даного методу. У дисертаційній роботі описано особливості та проблеми теплового контролю виробів із багатошарових матеріалів. Показано, що на сучасному етапі розвитку методів теплового неруйнівного контролю важливим завданням є не лише виявлення та визначення координат і поперечних розмірів дефектів багатошарових матеріалів, але і вимірювання їх глибини залягання та розкриву. Проведено аналіз факторів, які впливають на результати теплового контролю та описано характер взаємозв’язків між інформативними параметрами. Розглянуто традиційні математичні та статистичні методи теплової дефектометрії та встановлено їх недоліки. Описано, що аналітичний розв’язок обернених задач теплового контролю в ряді випадків є неоднозначним. Особливо низьку ефективність традиційні методи та побудовані на їх основі системи теплової дефектометрії мають у випадку контролю багатошарових матеріалів. В роботі проведено порівняльний аналіз стандартних та спеціальних методів цифрової обробки термограм. Розглянуто методи Фур’є-аналізу, вейвлет-аналізу, аналізу головних компонент та динамічної теплової томографії. Показано, що дані методи мають низьку завадостійкість, сильну залежність результатів від вибору опорної точки та рівномірності нагріву об’єкту контролю. Окрім того, розглянуті традиційні методи обробки термограм не дозволяють проводити автоматичну класифікацію дефектів за типом та визначати їх розкрив. У дисертаційній роботі описано можливості використання штучних нейронних мереж для удосконалення методів визначення характеристик дефектів. Розглянуто особливості побудови нейромережевих систем для вирішення задач класифікації дефектів та визначення їх глибини залягання і розкриву. Проведено порівняння ефективності роботи нейронних мереж та традиційних методів обробки термограм. Показано переваги нейронних мереж над традиційними алгоритмами. Розглянуто найбільш перспективні області застосування нейромережевих систем аналізу результатів активного теплового неруйнівного контролю. Проведено аналіз існуючих робіт за напрямом теплового контролю композитів. Показано, що у відомій літературі не вирішуються завдання одночасної класифікації дефектів за типом та визначення їх глибини залягання і розкриву; не досліджено способи визначення глибини залягання дефектів або їх розкриву шляхом вирішення задачі регресії за допомогою нейронних мереж; не вирішується завдання побудови теплових зображень внутрішньої структури об’єкту контролю. Сформовано мету дослідження у вигляді автоматизації процесу активної теплової дефектоскопії та дефектометрії із застосуванням нейромережевих технологій, що забезпечуватиме підвищення інформативності, достовірності та ефективності контролю виробів із багатошарових матеріалів. З метою удосконалення методів активної теплової дефектоскопії і дефектометрії та автоматизації обробки даних в дисертації обґрунтовано та розроблено підсистему цифрової обробки термограм, що складається з трьох нейромережевих модулів. Описано можливість використання багатошарових нейронних мереж прямого розповсюдження зі зворотним поширенням помилки з повнозв’язними прошарками у складі модуля виявлення та класифікації дефектів та модулів визначення глибини залягання і розкриву дефектів. Сформовано алгоритми формування навчальних множин для задач класифікації дефектів та визначення їх глибини залягання і розкриву. Описано процедуру навчання нейромережевих модулів та розроблено відповідне програмне забезпечення в середовищі MATLAB. Виконано програмну реалізацію віртуальних приладів в середовищі NI LabVIEW, в яких втілено алгоритми роботи нейромережевих модулів та пост-обробки результатів. Створено графічний інтерфейс користувача, який містить елементи керування, інструменти для проведення дефектометрії та блоки графічного відображення інформації щодо положення дефектів та внутрішньої структури об’єкту контролю. На основі проведеного комп’ютерного моделювання процесу активного теплового контролю алюмінієвої пластини зі штучними внутрішніми дефектами отримано послідовності термограм. Встановлено, що внаслідок впливу високого рівня теплової дифузії та нерівномірності нагріву обробка отриманих послідовностей термограм традиційними методами є ускладненою та малоефективною. В результаті досліджень доведено, що розроблена автоматизована нейромережева система має покращені якісні та кількісні показники ефективності у порівнянні з традиційними методами. У роботі проведено комп’ютерне моделювання процесу активного теплового контролю зразка із багатошарового вуглепластику зі штучними внутрішніми дефектами. За результатами досліджень ефективності обробки отриманих послідовностей термограм різними методами встановлено, що розроблена нейромережева система забезпечує найвищі показники якості класифікації дефектів та точності дефектометрії серед розглянутих методів. Досліджено вплив архітектури нейронних мереж на результати роботи нейромережевих модулів розробленої системи у випадку обробки даних комп’ютерного моделювання. Дослідження показали, що найбільш оптимальним є використання двох прихованих прошарків з 12 нейронами в першому та 4 нейронами в другому прошарках. Встановлено, що із доступних алгоритмів навчання найбільш ефективним за показником середньоквадратичної помилки мережі є оптимізатор Левенберга-Маркарда. Проведено дослідження впливу обсягу та якості навчальної вибірки на результати роботи нейромережевих модулів. Встановлено кількісні значення погіршення показників ефективності роботи системи. У випадку зменшення кількості навчальних зразків в чотири рази, на 7,55 % знижується значення критерію Танімото та на 14,74 % зростає відносна похибка визначення глибини залягання дефектів. Водночас, в чотири рази зменшується час навчання. Аналогічні результати отримано і для випадку зменшення репрезентативності вибірки. Розроблено та виготовлено 2 тестових та 5 навчальних зразків у вигляді пластин із багатошарових композиційних матеріалів, які містять штучні внутрішні дефекти з відомими параметрами. Зразки використовувались для проведення експериментальних досліджень ефективності роботи розробленої автоматизованої системи. Для проведення експериментів було виготовлено стенд для проведення активного теплового контролю за схемою з двостороннім доступом до об’єкту. За результатами експериментальних досліджень встановлено, що в реальних умовах архітектура нейронних мереж відповідних модулів має бути ускладнена до 35 нейронів в першому та 15 нейронів в другому прихованому прошарках. Дослідження показали, що розроблена система дозволяє проводити безпомилкове виявлення та класифікацію дефектів за типом. Оцінка глибини залягання та розкриву дефектів із використанням розробленої системи відбувається з максимальною похибкою ±3,19 % та 3,50 % відповідно. Доведено, що розроблена система має підвищену достовірність контролю та точність дефектометрії у порівнянні з традиційними алгоритмами навіть в умовах нерівномірного нагріву. На основі результатів досліджень сформульовано рекомендації щодо методики контролю із використанням розробленої автоматизованої системи. Ключові слова: неруйнівний контроль, тепловий контроль, теплова дефектометрія, теплова томографія, теплове поле, композиційні матеріали, нейронні мережі, нейромережевий класифікатор, мережа прямого розповсюдження, зворотне поширення помилки, машинне навчання.

Розроблено алгоритм та програмне забезпечення інтелектуальної системи класифікації будівель за рівнем енергоспоживання на базі комплексної оцінки енерговитрат в зимовий та літній період. В роботі проведено оптимізація параметрів стандартного алгоритму навчання нейромереж зворотного розповсюдження помилки, що дозволило підвищити ефективність сформованого нейромережевого класифікатору. Розроблений алгоритм реалізовано у формі m-сценаріїв середовища для наукових і інженерних розрахунків MATLAB 6.5.

Кваліфікаційна робота присвячена розробці системи штучного інтелекту на основі нейронних мереж для оцінювання стану рослин у “розумних” теплицях. В першому розділі роботи проведено огляд літературних джерел за тематикою “розумні” теплиці та керування ними, використання штучного інтелекту для дослідження та роботи з теплицями. Також розкрито поняття smart-технологій у глобальному розумінні. Проаналізовано вже існуючі в світі рішення, схожі до описуваної розробки. Другий розділ дипломної роботи відведено, щоб розкрити можливості штучного інтелекту в рамках сучасних технологій та перспективи розвитку. Тут також описано прототип дослідження, його складові і методику дослідження. В третьому розділі розглянуто інформаційну складову системи, математичний апарат “розумної” теплиці та методи фільтрації зображень. Наведена архітектура розробленої інформаційної системи. Розкрито зміст побудови нейронної мережі Deep Learning для оцінювання стану рослин. The qualification work is devoted to the development of an artificial intelligence system based on neural networks for assessing the condition of plants in "smart" greenhouses. The first section of the paper reviews the literature on "smart" greenhouses and their management, the use of artificial intelligence for research and work with greenhouses. The concept of smart technologies in a global sense is also revealed. The existing solutions in the world, similar to the described development, are analyzed. The second section of the thesis is devoted to the possibilities of artificial intelligence in the framework of modern technologies and prospects for development. It also describes the prototype of the study, its components and research methodology. The third section considers the information component of the system, the mathematical apparatus of the "smart" greenhouse and methods of image filtering. The architecture of the developed information system is given. The content of building a Deep Learning neural network for assessing the condition of plants is revealed.
ВСТУП 10 1 АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ 12 1.1 ОГЛЯД ЛІТЕРАТУРНИХ ДЖЕРЕЛ ЗА ТЕМАТИКОЮ ДОСЛІДЖЕННЯ 12 1.2 ПОНЯТТЯ SMART-ТЕХНОЛОГІЙ У ГЛОБАЛЬНОМУ РОЗУМІННІ 15 1.3 ОГЛЯД НЕЙРОННИХ МЕРЕЖ ЯКІ ВИКОРИСТОВУЮТЬ В “РОЗУМНИХ” ТЕПЛИЦЯХ 18 1.4 АНАЛІЗ ІСНУЮЧИХ РІШЕНЬ ТА ВИРІШЕННЯ ПРОБЛЕМАТИКИ 22 1.5 ВИСНОВОК ДО ПЕРШОГО РОЗДІЛУ 25 2 МОЖЛИВОСТІ ВПРОВАДЖЕННЯ ІННОВАЦІЙНИХ ТЕХНОЛОГІЙ ДЛЯ “РОЗУМНИХ” ТЕПЛИЦЬ 26 2.1 МОЖЛИВОСТІ ШТУЧНОГО ІНТЕЛЕКТУ В РАМКАХ СУЧАСНИХ ТЕХНОЛОГІЙ 26 2.2 ВИКОРИСТАННЯ ШТУЧНОГО ІНТЕЛЕКТУ В “РОЗУМНИХ” ТЕПЛИЦЯХ 32 2.3 РОЗВИТОК ШТУЧНОГО ІНТЕЛЕКТУ В ГАЛУЗІ РОЗРОБКИ SMART-ТЕПЛИЦЬ 41 2.4 ФІЗИЧНИЙ ОПИС ПРОТОТИПУ SMART-ТЕПЛИЦІ 43 2.5 СЕНСОРИ ТА ТЕХНІЧНІ ХАРАКТЕРИСТИКИ ТЕПЛИЦІ 45 2.6 ОПИС МЕТОДИКИ ДОСЛІДЖЕННЯ 47 2.7 ВИСНОВОК ДО ДРУГОГО РОЗДІЛУ 52 3 ПРИНЦИП ФУНКЦІОНУВАННЯ ПРОТОТИПУ ТА ОСНОВНІ РЕЗУЛЬТАТИ РОБОТИ 54 3.1 ІНФОРМАЦІЙНА СКЛАДОВА 54 3.2 АЛГОРИТМ РОБОТИ “РОЗУМНОЇ” ТЕПЛИЦІ 65 3.3 ФІЛЬТРАЦІЯ ЗОБРАЖЕНЬ 69 ОЧИЩЕННІ СИГНАЛІВ ТА ЗОБРАЖЕНЬ ВІД ІМПУЛЬСНИХ ШУМІВ. 70 3.4 РЕЗУЛЬТАТИ ТРЕНУВАННЯ ШТУЧНОГО ІНТИЛЕКТУ 71 3.5 ВИСНОВКИ ДО ТРЕТЬОГО РОЗДІЛУ 72 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 74 4.1 ПРАВИЛА ОХОРОНИ ПРАЦІ В "РОЗУМНИХ" ТЕПЛИЧНИХ ПРИМІЩЕННЯХ 74 4.2 ОХОРОНА ПРАЦІ І ПРАВИЛА РОБОТИ З ПРИЛАДАМИ, ЯКІ ГЕНЕРУЮТЬ ВИПРОМІНЮВАННЯ 79 ВИСНОВКИ 85 ПЕРЕЛІК ДЖЕРЕЛ 86 ДОДАТКИ

Кваліфікаційна робота присвячена розробці системи прогнозування газоспоживання міста Тернопіль за допомогою нейронних мереж на основі даних про газоспоживання за період з 2006 по 2019 рік з врахуванням метеофакторів. Дослідження спрямоване на оптимізацію процесу планування газоспоживання в м.Тернополі, як складової енергетичної безпеки держави та ефективного інструменту для прийняття важливих рішень в газоспоживанні за допомогою нейронних мереж, таких як одношаровий та багатошаровий перцептрон, ЛСТМ. На основі аналізу наукових джерел та проведених практичних досліджень з’ясовано, що застосування нейронних мереж є одним з найпоширеніших способів прогнозування газоспоживання, описано алгоритм аналізу та оптимального відбору метеофакторів, які використані в дослідженні; здійснено порівняння ефективності тренування нейронних мереж. Результатом роботи стало напрацювання алгоритмів застосування та принципів відбору нейронних мереж і вхідних даних для прогнозування газоспоживання. Qualification work is devoted to the development of a system for forecasting gas consumption in the city of Ternopil using neural networks based on data on gas consumption for the period from 2006 to 2019, taking into account meteorological factors. The research is aimed at optimizing the process of gas consumption planning in Ternopil, as a component of energy security of the state and an effective tool for making important decisions in gas consumption using neural networks such as single-layer and multilayer perceptron, LSTM. Based on the analysis of scientific sources and practical research, it was found that the use of neural networks is one of the most common ways to predict gas consumption, described the algorithm of analysis and optimal selection of meteorological factors used in the study. The result was the development of algorithms for application and principles of selection of neural networks and input data for forecasting gas consumption.
ВСТУП………………………………………………………………………………………..9 1 АНАЛІЗ ДОСЛІДЖЕНЬ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ…………………………11 1.1 ВЗАЄМОЗВ`ЯЗОК ЕКОНОМІЧНОГО РОЗВИТКУ ДЕРЖАВИ ТА СПОЖИВАННЯ ЕНЕРГІЇ……………………………………………………………………………………..11 1.2 ПРОГНОЗУВАННЯ В ЕНЕРГЕТИЦІ, ЯК ЗАСІБ ОПТИМІЗАЦІЇ ПЛАНУВАННЯ, ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ГАЗОСПОЖИВАННЯ………………………………..........................................................14 1.3 ОГЛЯД НАУКОВИХ ПУБЛІКАЦІЙ ПО ТЕМАТИЦІ ДОСЛІДЖЕННЯ З МЕТОЮ ВИВЧЕННЯ ІСНУЮЧИХ МАТЕМАТИЧНИХ ПІДХОДІВ ДО АНАЛІЗУ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ. ……………………………………………………………………16 1.4 ВИСНОВКИ ДО ПЕРШОГО РОЗДІЛУ……………………………………………....27 2 АНАЛІЗ ІСНУЮЧИХ НЕЙРОННИХ МЕРЕЖ, МЕТОДИ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ…………………………………..30 2.1 ПОНЯТТЯ НЕЙРОННОЇ МЕРЕЖІ…………………………………………………...30 2.2 ПРИНЦИПИ РОБОТИ НЕЙРОННИХ МЕРЕЖ……………………………………...30 2.3 АНАЛІЗ ІСНУЮЧИХ МОДЕЛЕЙ НЕЙРОННИХ МЕРЕЖ………………………...32 2.3.1 ОДНОШАРОВИЙ ТА БАГАТОШАРОВИЙ ПЕРЦЕПТРОН…………………….32 2.3.2 РНН…………………………………………………………………………………...38 2.3.3 ЛСТМ………………………………………………………………………………….40 2.4 ВИСНОВКИ ДО ДРУГОГО РОЗДІЛУ……………………………………………….47 3 ПОПЕРЕДНЄ ОПРАЦЮВАННЯ СТАТИСТИЧНИХ ДАНИХ ГАЗОСПОЖИВАННЯ ТА МЕТЕОФАКТОРІВ ДЛЯ МІСТА ТЕРНОПІЛЬ……………………………………...48 3.1 МОВА ПРОГРАМУВАННЯ PYTHON ТА БІБЛІОТЕКИ ЩО БУДУТЬ ВИКОРИСТАНІ В ДОСЛІДЖЕННІ…………………………………………………………………….………48 3.2 ПЕРЕЛІК МЕТЕОФАКТОРІВ, ЯКІ БУДУТЬ ВИКОРИСТАНІ В ДОСЛІДЖЕННІ…………………………………………………………………………….50 3.3 ПОПЕРЕДНІЙ АНАЛІЗ ДАНИХ ГАЗОСПОЖИВАННЯ………………………….51 3.4 ПОПЕРЕДНІЙ АНАЛІЗ ДАНИХ МЕТЕОФАКТОРІВ…………………………...…54 3.5 ВИСНОВКИ ДО ТРЕТЬОГО РОЗДІЛУ……………………………………………..58 4 ПОБУДОВА МОДЕЛІ НЕЙРОННОЇ МЕРЕЖІ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ МІСТА З ВРАХУВАННЯМ МЕТЕОФАКТОРІВ……………………………………….59 4.1 ОДНОШАРОВИЙ ТА БАГАТОШАРОВИЙ ПЕРЦЕПТРОН………………………59 4.2 ЛСТМ……………………………………………………………………………………61 4.3 ВИСНОВКИ ДО ЧЕТВЕРТОГО РОЗДІЛУ…………………………………………..65 5 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ……………………………………………………………………………….67 5.1 ОХОРОНА ПРАЦІ ПІД ЧАС ЕКСПЛУАТАЦІЇ ГАЗОВОГО ОБЛАДНАННЯ….…………………………………………………………………………67 5.2 ПІДВИЩЕННЯ СТІЙКОСТІ РОБОТИ ОБ’ЄКТІВ ГОСПОДАРСЬКОЇ ДІЯЛЬНОСТІ У ВОЄННИЙ ЧАС…………………………………………………………………………………………72 5.3 ВИСНОВКИ ДО П’ЯТОГО РОЗДІЛУ……………………………………………….76 ВИСНОВКИ………………………………………………………………………………..77 ПЕРЕЛІК ДЖЕРЕЛ………………………………………………………………………..78 ДОДАТКИ………………………………………………………………….........................85 ДОДАТОК A……………………………………………………………………………….86 ДОДАТОК Б……………………………………………………………………………….90

Починаючи з 2018-2019 н. р., для магістрантів з додатковою спеціальністю «Інформатика» уведено навчальну дисципліну «Чисельні методи та моделювання», спрямованої на формування у студентів системи теоретичних знань з основ апарату чисельних методів і практичних навичок їх використання для розробки та дослідження математичних моделей. Одним із провідних завдань дисципліни є надання комплексу знань, необхідних для розуміння проблем, які виникають під час побудови та при використанні сучасних інтелектуальних систем, та ознайомлення студентів з основними принципами нейромережевого моделювання: – загальними характеристиками біологічних та штучних нейронів; – штучною нейронною мережею Хебба, класичним та модифікованими перцептронами; – видами функцій активації, що набули поширення в штучних нейронних мережах; – технологією проектування одношарових та багатошарових штучних нейронних мереж; – алгоритмами навчання нейронних мереж. Вказані питання в останні десятиріччя розглядаються у межах машинного навчання (Machine Learning) – розділу штучного інтелекту, що розглядає методи побудови алгоритмів та на їх основі програм, здатних «навчатися» шляхом подання емпіричних даних (прецедентів або спостережень), в яких виявляються закономірності, та на їх основі будуються моделі, що надають можливість у подальшому прогнозувати певні характеристики для нових об’єктів. На жаль, класичний (і найбільш популярний у світі) курс машинного навчання Е. Ина (Andrew Ng), розміщений на платформі Coursera, зорієнтований насамперед на студентів-початковців інформатичних спеціальностей – це надає можливість пропонувати його для самостійного опрацювання, але не розв’язує основну проблему: надання змістовних моделей, що відображають специфіку основної спеціальності – хімія.