Розробка методу навчання штучних нейронних мереж для інтелектуальних систем підтримки прийняття рішень

Автор(и)

  • Volodymyr Dudnyk Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного вул. Героїв Майдану, 32, м. Львів, Україна, 79026, Україна https://orcid.org/0000-0002-9792-0000
  • Yuriy Sinenko Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного вул. Героїв Майдану, 32, м. Львів, Україна, 79026, Україна https://orcid.org/0000-0001-5443-6086
  • Mykhailo Matsyk Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного вул. Героїв Майдану, 32, м. Львів, Україна, 79026, Україна https://orcid.org/0000-0002-5750-3122
  • Yevhen Demchenko Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України пр. Повітрофлотський, 28, м. Київ, Україна, 03168, Україна https://orcid.org/0000-0002-8743-923X
  • Ruslan Zhyvotovskyi Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України пр. Повітрофлотський, 28, м. Київ, Україна, 03168, Україна https://orcid.org/0000-0002-2717-0603
  • Iurii Repilo Національний університет оборони України імені Івана Черняховського пр. Повітрофлотський, 28, м. Київ, Україна, 03049, Україна https://orcid.org/0000-0002-1393-2371
  • Oleg Zabolotnyi Національний університет оборони України імені Івана Черняховського пр. Повітрофлотський, 28, м. Київ, Україна, 03049, Україна https://orcid.org/0000-0002-5950-5068
  • Alexander Simonenko Військовий інститут телекомунікацій та інформатизації імені Героїв Крут вул. Московська, 45/1, м. Київ, Україна, 01011, Україна https://orcid.org/0000-0001-8511-2017
  • Pavlo Pozdniakov Інститут Військово-Морських Сил Національного університету "Одеська морська академія" вул. Градоначальницька, 20, м. Одеса, Україна, 65029, Україна https://orcid.org/0000-0003-4188-9486
  • Andrii Shyshatskyi Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України пр. Повітрофлоський, 28, м. Київ, Україна, 03168, Україна https://orcid.org/0000-0001-6731-6390

DOI:

https://doi.org/10.15587/1729-4061.2020.203301

Ключові слова:

штучні нейронні мережі, обробка інформації, інтелектуальні системи підтримки прийняття рішень

Анотація

Розроблено метод навчання штучних нейронних мереж для інтелектуальних систем підтримки прийняття рішень. Метод проводить навчання не тільки синаптичних ваг штучної нейронної мережі, але й виду та параметрів функції належності; архітектури та параметрів окремого вузла мережі. В разі неможливості забезпечити задану якість функціонування штучних нейронних мереж за рахунок навчання параметрів штучної нейронної мережі відбувається навчання архітектури штучних нейронних мереж. Вибір архітектури, виду та параметрів функції належності відбувається з врахуванням обчислювальних ресурсів засобу та з врахуванням типу та кількості інформації, що надходить на вхід штучної нейронної мережі. Зазначений метод дозволяє проводити навчання окремого вузла мережі та здійснювати комбінування вузлів мережі. Розробка запропонованого методу обумовлена необхідністю проведення навчання штучних нейронних мереж для інтелектуальних систем підтримки прийняття рішень, з метою обробки більшої кількості інформації, при однозначності рішень, що приймаються. Зазначений метод навчання забезпечує в середньому на 10–18 % більшу високу ефективність навчання штучних нейронних мереж та не накопичує помилок в ході навчання. Зазначений метод дозволить проводити навчання штучних нейронних мереж; визначити ефективні заходи для підвищення ефективності функціонування штучних нейронних мереж; підвищити ефективність функціонування штучних нейронних мереж за рахунок навчання параметрів та архітектури штучних нейронних мереж. Метод дозволить зменшити використання обчислювальних ресурсів систем підтримки та прийняття рішень; виробити заходи, що спрямовані на підвищення ефективності навчання штучних нейронних мереж; підвищити оперативність обробки інформації в штучних нейронних мережах

Біографії авторів

Volodymyr Dudnyk, Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного вул. Героїв Майдану, 32, м. Львів, Україна, 79026

Кандидат військових наук

Кафедра вогневої підготовки

Yuriy Sinenko, Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного вул. Героїв Майдану, 32, м. Львів, Україна, 79026

Доцент

Кафедра вогневої підготовки

Mykhailo Matsyk, Національна академія Сухопутних військ імені гетьмана Петра Сагайдачного вул. Героїв Майдану, 32, м. Львів, Україна, 79026

Доцент

Кафедра водіння бойових машин та автомобілів

Yevhen Demchenko, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України пр. Повітрофлотський, 28, м. Київ, Україна, 03168

Кандидат технічних наук, начальник науково-дослідного відділу

Науково-дослідний відділ науково-методичного забезпечення розроблення і реалізації програм розвитку озброєння та військової техніки та державного оборонного замовлення

Науково-дослідне управління

Ruslan Zhyvotovskyi, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України пр. Повітрофлотський, 28, м. Київ, Україна, 03168

Кандидат технічних наук, старший дослідник, начальник науково-дослідного відділу

Науково-дослідний відділ розвитку зенітних ракетних систем та комплексів

Науково-дослідне управління

Iurii Repilo, Національний університет оборони України імені Івана Черняховського пр. Повітрофлотський, 28, м. Київ, Україна, 03049

Доктор військових наук, професор

Кафедра ракетних військ і артилерії

Oleg Zabolotnyi, Національний університет оборони України імені Івана Черняховського пр. Повітрофлотський, 28, м. Київ, Україна, 03049

Кандидат військових наук, доцент, провідний науковий співробітник

Центр воєнно-стратегічних досліджень

Alexander Simonenko, Військовий інститут телекомунікацій та інформатизації імені Героїв Крут вул. Московська, 45/1, м. Київ, Україна, 01011

Старший викладач

Кафедра автоматизованих систем управління

Pavlo Pozdniakov, Інститут Військово-Морських Сил Національного університету "Одеська морська академія" вул. Градоначальницька, 20, м. Одеса, Україна, 65029

Кандидат технічних наук, начальник кафедри

Кафедра тактики та загальновійськових дисциплін

Andrii Shyshatskyi, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України пр. Повітрофлоський, 28, м. Київ, Україна, 03168

Кандидат технічних наук, старший науковий співробітник

Науково-дослідний відділ розвитку засобів радіоелектронної боротьби

Посилання

  1. Kalantaievska, S., Pievtsov, H., Kuvshynov, O., Shyshatskyi, A., Yarosh, S., Gatsenko, S. et. al. (2018). Method of integral estimation of channel state in the multiantenna radio communication systems. Eastern-European Journal of Enterprise Technologies, 5 (9 (95)), 60–76. doi: https://doi.org/10.15587/1729-4061.2018.144085
  2. Kuchuk, N., Mohammed, A. S., Shyshatskyi, A., Nalapko, O. (2019). The method of improving the efficiency of routes selection in networks of connection with the possibility of self-organization. International Journal of Advanced Trends in Computer Science and Engineering, 8 (1.2), 1–6, doi: https://doi.org/10.30534/ijatcse/2019/0181.22019
  3. Zhang, J., Ding, W. (2017). Prediction of Air Pollutants Concentration Based on an Extreme Learning Machine: The Case of Hong Kong. International Journal of Environmental Research and Public Health, 14 (2), 114. doi: https://doi.org/10.3390/ijerph14020114
  4. Katranzhy, L., Podskrebko, O., Krasko, V. (2018). Modelling the dynamics of the adequacy of bank’s regulatory capital. Baltic Journal of Economic Studies, 4 (1), 188–194. doi: https://doi.org/10.30525/2256-0742/2018-4-1-188-194
  5. Manea, E., Di Carlo, D., Depellegrin, D., Agardy, T., Gissi, E. (2019). Multidimensional assessment of supporting ecosystem services for marine spatial planning of the Adriatic Sea. Ecological Indicators, 101, 821–837. doi: https://doi.org/10.1016/j.ecolind.2018.12.017
  6. Çavdar, A. B., Ferhatosmanoğlu, N. (2018). Airline customer lifetime value estimation using data analytics supported by social network information. Journal of Air Transport Management, 67, 19–33. doi: https://doi.org/10.1016/j.jairtraman.2017.10.007
  7. Kachayeva, G. I., Mustafayev, A. G. (2018). The use of neural networks for the automatic analysis of electrocardiograms in diagnosis of cardiovascular diseases. Herald of Dagestan State Technical University. Technical Sciences, 45 (2), 114–124. doi: https://doi.org/10.21822/2073-6185-2018-45-2-114-124
  8. Zhdanov, V. V. (2016). Experimental method to predict avalanches based on neural networks. Ice and Snow, 56 (4), 502–510. doi: https://doi.org/10.15356/2076-6734-2016-4-502-510
  9. Kanev, A., Nasteka, A., Bessonova, C., Nevmerzhitsky, D., Silaev, A., Efremov, A., Nikiforova, K. (2017). Anomaly detection in wireless sensor network of the “smart home” system. 2017 20th Conference of Open Innovations Association (FRUCT), 118–124. doi: https://doi.org/10.23919/fruct.2017.8071301
  10. Sreeshakthy, M., Preethi, J. (2016). Classification of human emotion from deap EEG signal using hybrid improved neural networks with Сuckoo search. BRAIN. Broad Research in Artificial Intelligence and Neuroscience, 6 (3-4), 60–73. Available at: https://www.slideshare.net/bpatrut/classification-of-human-emotion-from-deap-eeg-signal-using-hybrid-improved-neural-networks-with-cuckoo-search
  11. Chica, J., Zaputt, S., Encalada, J., Salamea, C., Montalvo, M. (2019). Objective assessment of skin repigmentation using a multilayer perceptron. Journal of Medical Signals & Sensors, 9 (2), 88. doi: https://doi.org/10.4103/jmss.jmss_52_18
  12. Massel, L. V., Gerget, O. M., Massel, A. G., Mamedov, T. G. (2019). The Use of Machine Learning in Situational Management in Relation to the Tasks of the Power Industry. EPJ Web of Conferences, 217, 01010. doi: https://doi.org/10.1051/epjconf/201921701010
  13. Abaci, K., Yamacli, V. (2019). Hybrid Artificial Neural Network by Using Differential Search Algorithm for Solving Power Flow Problem. Advances in Electrical and Computer Engineering, 19 (4), 57–64. doi: https://doi.org/10.4316/aece.2019.04007
  14. Mishchuk, O. S., Vitynskyi, P. B. (2018). Neural Network with Combined Approximation of the Surface of the Response. Research Bulletin of the National Technical University of Ukraine “Kyiv Politechnic Institute”, 2, 18–24. doi: https://doi.org/10.20535/1810-0546.2018.2.129022
  15. Kazemi, M., Faezirad, M. (2018). Efficiency estimation using nonlinear influences of time lags in DEA Using Artificial Neural Networks. Industrial Management Journal, 10 (1), 17–34. doi: https://doi.org/10.22059/imj.2018.129192.1006898
  16. Parapuram, G., Mokhtari, M., Ben Hmida, J. (2018). An Artificially Intelligent Technique to Generate Synthetic Geomechanical Well Logs for the Bakken Formation. Energies, 11 (3), 680. doi: https://doi.org/10.3390/en11030680
  17. Prokoptsev, N. G., Alekseenko, A. E., Kholodov, Y. A. (2018). Traffic flow speed prediction on transportation graph with convolutional neural networks. Computer Research and Modeling, 10 (3), 359–367. doi: https://doi.org/10.20537/2076-7633-2018-10-3-359-367
  18. Bodyanskiy, Y., Pliss, I., Vynokurova, O. (2013). Flexible Neo-fuzzy Neuron and Neuro-fuzzy Network for Monitoring Time Series Properties. Information Technology and Management Science, 16 (1), 47–52. doi: https://doi.org/10.2478/itms-2013-0007
  19. Bodyanskiy, Ye., Pliss, I., Vynokurova, O. (2013). Flexible wavelet-neuro-fuzzy neuron in dynamic data mining tasks. Oil and Gas Power Engineering, 2 (20), 158–162. Available at: http://nbuv.gov.ua/UJRN/Nge_2013_2_18
  20. Haykin, S. (1998). Neural Networks: A Comprehensive Foundation. Prentice Hall, 842.
  21. Nelles, O. (2001). Nonlinear System Identification. Springer. doi: https://doi.org/10.1007/978-3-662-04323-3
  22. Wang, L.-X., Mendel, J. M. (1992). Fuzzy basis functions, universal approximation, and orthogonal least-squares learning. IEEE Transactions on Neural Networks, 3 (5), 807–814. doi: https://doi.org/10.1109/72.159070
  23. Kohonen, T. (1995). Self-Organizing Maps. Springer. doi: https://doi.org/10.1007/978-3-642-97610-0
  24. Kasabov, N. (2003). Evolving Connectionist Systems. Springer. doi: https://doi.org/10.1007/978-1-4471-3740-5
  25. Sugeno, M., Kang, G. T. (1988). Structure identification of fuzzy model. Fuzzy Sets and Systems, 28 (1), 15–33. doi: https://doi.org/10.1016/0165-0114(88)90113-3
  26. Ljung, L. (1999). System Identification. Theory for the User. PTR Prentice Hall, Upper Saddle River, 609. Available at: https://www.twirpx.com/file/277211/
  27. Otto, P., Bodyanskiy, Y., Kolodyazhniy, V. (2003). A new learning algorithm for a forecasting neuro-fuzzy network. Integrated Computer-Aided Engineering, 10 (4), 399–409. doi: https://doi.org/10.3233/ica-2003-10409
  28. Narendra, K. S., Parthasarathy, K. (1990). Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks, 1 (1), 4–27. doi: https://doi.org/10.1109/72.80202
  29. Petruk, S., Zhyvotovskyi, R., Shyshatskyi, A. (2018). Mathematical Model of MIMO. 2018 International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T), 7–11. doi: https://doi.org/10.1109/infocommst.2018.8632163
  30. Zhyvotovskyi, R., Shyshatskyi, A., Petruk, S. (2017). Structural-semantic model of communication channel. 2017 4th International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T), 524–529. doi: https://doi.org/10.1109/infocommst.2017.8246454
  31. Alieinykov, I., Thamer, K. A., Zhuravskyi, Y., Sova, O., Smirnova, N., Zhyvotovskyi, R. et. al. (2019). Development of a method of fuzzy evaluation of information and analytical support of strategic management. Eastern-European Journal of Enterprise Technologies, 6 (2 (102)), 16–27. doi: https://doi.org/10.15587/1729-4061.2019.184394
  32. Koshlan, A., Salnikova, O., Chekhovska, M., Zhyvotovskyi, R., Prokopenko, Y., Hurskyi, T. et. al. (2019). Development of an algorithm for complex processing of geospatial data in the special-purpose geoinformation system in conditions of diversity and uncertainty of data. Eastern-European Journal of Enterprise Technologies, 5 (9 (101)), 35–45. doi: https://doi.org/10.15587/1729-4061.2019.180197

##submission.downloads##

Опубліковано

2020-06-30

Як цитувати

Dudnyk, V., Sinenko, Y., Matsyk, M., Demchenko, Y., Zhyvotovskyi, R., Repilo, I., Zabolotnyi, O., Simonenko, A., Pozdniakov, P., & Shyshatskyi, A. (2020). Розробка методу навчання штучних нейронних мереж для інтелектуальних систем підтримки прийняття рішень. Eastern-European Journal of Enterprise Technologies, 3(2 (105), 37–47. https://doi.org/10.15587/1729-4061.2020.203301

Номер

Том 3 № 2 (105) (2020): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2020 Volodymyr Dudnyk, Yuriy Sinenko, Mykhailo Matsyk, Yevhen Demchenko, Ruslan Zhyvotovskyi, Iurii Repilo, Oleg Zabolotnyi, Alexander Simonenko, Pavlo Pozdniakov, Andrii Shyshatskyi

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.