штучні нейронні мережі

Порівнюються дві моделі обчислень – штучні нейронні мережі та декларативні програми, що побудовані на основі логіки предикатів. Пропонуються такі їх узагальнення, за яких процес обчислень зможе приводити до цілеспрямованих змін власної програми. Сформульовано принципи самоорганізації, за якими вказані зміни будуть не хаотичними, а визначеними в результаті пошуку. Для детального вивчення самоорганізації необхідне зближення та взаємне доповнення розглянутих моделей.

Розглянуто комплексні штучні нейронні мережі, функції активації яких є комп- лексними аналогами раціональної сигмоїди. Наведено алгоритм навчання цих мереж, заснований на методі зворотного поширення похибки.

Neural networks with complex weights and continuously differentiable activation function have been studied in the paper. Learning algorithm based on the backpropagation method for rational sigmoid function has been given in the paper.

Проаналізовано особливості апаратної реалізації штучних нейронних мереж, вибрано принципи побудови, визначено шляхи підвищення ефективності використання обладнання, розроблено методи синтезу та базові структури нейрокомп’ютерних систем реального часу.

Features of hardware representation of artificial neural networks were analyzed, principles of construction were chosen, ways of efficiency increase of equipment use were determined, methods of synthesis and base structures of the neural computing, , real-time systems were developed.

Потік робіт – це послідовність повторюваних та керованих кроків, спрямованих на вико- нання певного завдання чи роботи. Актуальність задачі оптимізації таких робіт сприяла розроб- ленню методів та засобів дослідження операцій для оптимізації таких процесів для потреб різних предметних областей. Інформаційними технологіями супроводу потоку робіт є рушії потоку робіт, які уможливлюють швидшу автоматизацію, забезпечують відповідність нормам та стандартам, формалізацію бізнес-процесів, удосконалення комунікації тощо.

В статті подано результати дослідження можливостей застосування нейронних мереж для розв’язання задачі визначення активного складу вітрової електричної станції (ВЕС) з врахуванням коефіцієнта ефективності кожної вітроелектричної установки (ВЕУ).

Автоматичний переклад, розпізнавання мови та її синтез, розпізнавання об'єктів та навіть людських емоцій – надзвичайно складні завдання, із якими легко справляються сучасні смартфони. Їх ефективна реалізація стала можливою завдяки широкому застосуванню алгоритмів штучного інтелекту та машинного навчання, серед яких надзвичайно популярними є штучні нейронні мережі та алгоритми глибокого навчання. Ці алгоритми проникли в усі галузі індустрії, а їх стрімкий розвиток неможливий без застосування апаратної акселерації та чіткої взаємодії між апаратними складовими та програмним забезпеченням.

Ця ро­бо­та прис­вя­че­на проб­ле­мі іден­ти­фі­ка­ції ре­оло­гіч­них па­ра­мет­рів де­ре­ви­ни з ви­ко­рис­тан­ням штуч­них нейрон­них ме­реж з роз­па­ра­ле­ле­ним ал­го­рит­мом нав­чан­ня за до­по­мо­гою мо­ви прог­ра­му­ван­ня Python, фреймвор­ку Cha­iner та тех­но­ло­гії CU­DA. Роз­роб­ле­но ін­те­лек­ту­аль­ну сис­те­му іден­ти­фі­ка­ції ре­оло­гіч­них па­ра­мет­рів де­ре­ви­ни. Ство­ре­на сис­те­ма міс­тить мак­си­маль­но зро­зу­мі­лий ін­тер­фейс ко­рис­ту­ва­ча, весь не­об­хід­ний ком­плекс інстру­мен­тів для ав­то­ма­ти­за­ції про­це­су ві­зу­алі­за­ції та ана­лі­зу да­них.

В статті розглянуто питання обробки інформації при розв’язанні задач технологічної підготовки виробництва. Для цього пропонується використовувати ефективні методи багатовимірного статистичного аналізу і штучні нейронні мережі. Програмно реалізовано алгоритми стиснення початкових масивів інформації методами факторного, компонентного аналізу і багатовимірного шкалування, алгоритми класифікації і розпізнавання образів методами дискримінантного і кластерного аналізу, а також алгоритми моделювання методами групового врахування аргументів і штучних нейронних мереж.

Мета досліджень. Головною метою досліджень є аналіз рельєфу різних поверхонь, а саме: виділення на загальній поверхні окремих ділянок певної форми, наприклад, схилів, що орієнтовані у заданому напрямку. Мета роботи – використання штучних нейронних мереж (ШНМ) для розв’язку задачі класифікації, яка полягає у створенні бінарного класифікатора та дослідження точності його роботи. Методика. Дослідження виконувались на ділянці земної поверхні.