нейронна мережа

Мета. Розробка методу прогнозування двох-трьох мірної швидкісної моделі середовища поперечної хвилі. Досліджується складноструктурне геологічне середовище на базі геофізичних і геологічних даних із застосуванням штучної нейронної мережі. Метод. передбачає побудову та використання моделей середовища за даними геофізичних досліджень свердловин, сейсморозвідки та інших наземних геофізичних методів.

У статті описана і змодельована схемотехнічна реалізація розпаралеленої штучної нейрон- ної мережі нечіткої теорії адаптивного резонансу. У мережі реалізовані паралельний вибір категорії та резонансу. Нейронні схеми типу “winner-take-all” неперервного та дискретного часу забезпечують ідентифікацію найбільших з М-входів. Схеми неперервного часу описані рівняннями стану з розривною правою частиною. Дискретний аналог описано різницевим рівнянням.

Методи синтезу контролерів, які базуються на використанні частотних характеристик або кореневого годографа, вважаються класичними або традиційними. Частотні методи доступні в практичному застосуванні, тому більшість систем керування проектуються саме на основі різних модифікацій цих методів. Відмінною особливістю цих методів є так звана робастність, що означає нечутливість характеристик замкненої системи до незначних похибок моделі реальної системи.

У  роботі  подано  результати  дослідження  залежності  похибки  прогнозування  значення  температури нейронними  мережами  від  похибки  вимірювання.  Описано  алгоритм  створення  тестових  послідовностей  та  навчання нейронних  мереж.  Наведено  результати  дослідження  залежності  похибки  прогнозування  значення  температури  від мультиплікативної,  нелінійної  та  випадкової  складових  похибки,  а  також  описано  результати  дослідження  залежності похибки прогнозування значення температури від одночасного впливу цих складових.

Викладено  результати  дослідження  залежності  похибки  прогнозування  температури  потоку  води  та повітря  від  кількості  входів  нейронної  мережі  та  перевірки  навченої  нейронної  мережі  на  експериментальних  даних. Наведено  формулу  температурного  перехідного  процесу  та  описано  створення  тестових  послідовностей  для  навчання нейронних мереж. Подано малюнки  та  опис  устав,  за  допомогою  яких  виконано  вимірювання  значень  температурного перехідного процесу. Описано результати проведених експериментальних досліджень.

Розглянуто алгоритмічно-програмні засоби розпізнавання рукописних символів на зображенні за алгоритмом логістичної регресії та побудови штучної нейронної мережі (ШНМ). Здійснено порівняльний аналіз цих двох підходів. Виконано тестування рукописних цифр. Встановлено, що краща якість розпізнавання досягається у разі використання штучної нейронної мережі.

Викладено результати дослідження залежності похибок прогнозування значення температури із використанням нейронних мереж від розрядності аналогово-цифрового перетворювача. Описано алгоритм створення тестових послідовностей та навчання нейронних мереж. Наведено результати дослідження залежності похибки прогнозування значення температури від кількості входів нейронної мережі та від розрядності АЦП. Подано результати дослідження залежності середньої похибки прогнозування значення температури та залежності абсолютної непевності прогнозування значення температури від розрядності АЦП.

Розглянуто варіант послідовного застосування компресуючої нейронної мережі та методів контекстного моделювання для ефективного ущільнення даних, зокрема зображень та аудіосигналів. Запропонований метод оснований на поданні проміжного архіву зберігання даних у форматі чисел з фіксованою комою та забезпечує покращення характеристики щодо коефіцієнта компресування та якості відтворення первинних даних.

Проаналізовано нейронні мережі як засіб прогнозування значення температури за перехідним процесом. Розглянуто штучний нейрон як основу нейронної мережі. Наведено класифікацію нейронів залежно від функцій, які вони виконують в нейронній мережі, та основні види передавальних функцій нейрона. Подано класифікацію нейронних мереж за критерієм їх архітектури, алгоритму навчання та типу завдань, які вони можуть виконувати. Зроблено висновок, що для розв’язання поставленої задачі оптимальним є застосування нейронної мережі з архітектурою прямого поширення з алгоритмом навчання з вчителем.