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

Автор(и)

  • Qasim Abbood Mahdi Al Taff University College, Ірак https://orcid.org/0000-0001-6612-3511
  • Андрій Володимирович Шишацький Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України, Україна https://orcid.org/0000-0001-6731-6390
  • Олександр Анатолійович Симоненко Військовий інститут телекомунікацій та інформатизації імені Героїв Крут, Україна https://orcid.org/0000-0001-8511-2017
  • Надія Михайлівна Протас Полтавський державний аграрний університет, Україна https://orcid.org/0000-0003-0943-0587
  • Олександр Олександрович Троцько Військовий інститут телекомунікацій та інформатизації імені Героїв Крут, Україна https://orcid.org/0000-0001-7535-5023
  • Володимир Сименович Кивлюк Національний університет оборони України імені Івана Черняховського, Україна https://orcid.org/0000-0002-5269-576X
  • Артем Анатолійович Шульгін Державний науково-дослідний інститут авіації, Україна https://orcid.org/0000-0002-2403-7348
  • Петро Миколайович Стешенко Державний науково-дослідний інститут авіації, Україна https://orcid.org/0000-0003-1432-6864
  • Едуард Станіславович Остапчук Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України, Україна https://orcid.org/0000-0002-8095-0203
  • Тетяна Ігорівна Голенковська Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України, Україна https://orcid.org/0000-0002-7165-6133

DOI:

https://doi.org/10.15587/1729-4061.2022.251637

Ключові слова:

штучні нейронні мережі, оперативність обробки інформації, системи підтримки прийняття рішень

Анотація

Розроблено методику навчання штучних нейронних мереж для інтелектуальних систем підтримки прийняття рішень. Відмінна особливість запропонованої методики полягає в тому, що вона проводить навчання не тільки синаптичних ваг штучної нейронної мережі, але й виду та параметрів функції належності. 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 із врахуванням обчислювальних ресурсів засобу та із врахуванням типу та кількості інформації, що надходить на вхід штучної нейронної мережі. Також відмінною особливістю розробленої методики є те, що для обчислення вхідних даних не потрібні попередні розрахункові дані. Розробка запропонованої методики обумовлена необхідністю проведення навчання штучних нейронних мереж для інтелектуальних систем підтримки прийняття рішень, з метою обробки більшої кількості інформації, при однозначності рішень, що приймаються. За результатами дослідження встановлено, що зазначена методика навчання забезпечує в середньому на 10–18 % більш високу ефективність навчання штучних нейронних мереж та не накопичує похибок в ході навчання. Зазначена методика дозволить проводити навчання штучних нейронних мереж за рахунок навчання параметрів та архітектури, визначити ефективні заходи для підвищення ефективності функціонування штучних нейронних мереж. Використання зазначеної методики дозволить зменшити використання обчислювальних ресурсів систем підтримки прийняття рішень та виробити заходи, що спрямовані на підвищення ефективності навчання штучних нейронних мереж; підвищити оперативність обробки інформації в штучних нейронних мережах

Біографії авторів

Qasim Abbood Mahdi, Al Taff University College

PhD, Head of Department

Department of Computer Technology

Андрій Володимирович Шишацький, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

Кандидат технічних наук, старший науковий співробітник

Науково-дослідний відділ розвитку засобів радіоелектронної боротьби

Олександр Анатолійович Симоненко, Військовий інститут телекомунікацій та інформатизації імені Героїв Крут

Кандидат технічних наук, старший викладач

Кафедра автоматизованих систем управління

Надія Михайлівна Протас, Полтавський державний аграрний університет

Кандидат сільськогосподарських наук, доцент

Кафедра інформаційних систем та технологій

Олександр Олександрович Троцько, Військовий інститут телекомунікацій та інформатизації імені Героїв Крут

Кандидат технічних наук, доцент

Кафедра автоматизованих систем управління

Володимир Сименович Кивлюк, Національний університет оборони України імені Івана Черняховського

Кандидат економічних наук, доцент

Кафедра тилового забезпечення

Артем Анатолійович Шульгін, Державний науково-дослідний інститут авіації

Кандидат технічних наук, начальник, науково-дослідного відділу

Науково-дослідний відділ

Петро Миколайович Стешенко, Державний науково-дослідний інститут авіації

Кандидат технічних наук, провідний науковий співробітник

Науково-дослідний відділ

Едуард Станіславович Остапчук, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

Заступник начальника науково-дослідного відділу

Науково-дослідний відділ розвитку засобів захисту та живучості озброєння та військової техніки

Тетяна Ігорівна Голенковська, Центральний науково-дослідний інститут озброєння та військової техніки Збройних Сил України

Науковий співробітник

Науково-дослідний відділ розвитку засобів зв’язку та технічного захисту інформації

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. Available at: http://www.warse.org/IJATCSE/static/pdf/file/ijatcse01812sl2019.pdf
  3. Raskin, L., Sira, O. (2016). Method of solving fuzzy problems of mathematical programming. Eastern-European Journal of Enterprise Technologies, 5 (4 (83)), 23–28. doi: https://doi.org/10.15587/1729-4061.2016.81292
  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). doi: https://doi.org/10.23919/fruct.2017.8071301
  10. Sreeshakthy, M., Preethi, J. (2015). Classification of human emotion from deap EEG signal using hybrid improved neural networks with Cuckoo Search. Brain: Broad Research in Artificial Intelligence and Neuroscience, 6 (3-4), 60–73. Available at: https://brain.edusoft.ro/index.php/brain/article/view/519
  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: http://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. Dudnyk, V., Sinenko, Y., Matsyk, M., Demchenko, Y., Zhyvotovskyi, R., Repilo, I. et. al. (2020). Development of a method for training artificial neural networks for intelligent decision support systems. Eastern-European Journal of Enterprise Technologies, 3 (2 (105)), 37–47. doi: https://doi.org/10.15587/1729-4061.2020.203301
  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. (2009). Neural networks and learning machines. Pearson, 906. Available at: http://dai.fmph.uniba.sk/courses/NN/haykin.neural-networks.3ed.2009.pdf
  21. Nelles, O. (2001). Nonlinear System Identification. Springer, 786. 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, 362. doi: https://doi.org/10.1007/978-3-642-97610-0
  24. Kasabov, N. (2003). Evolving Connectionist Systems. Springer, 307. 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). 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). 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
  33. Gorokhovatsky, V., Stiahlyk, N., Tsarevska, V. (2021). Combination method of accelerated metric data search in image classification problems. Advanced Information Systems, 5 (3), 5–12. doi: https://doi.org/10.20998/2522-9052.2021.3.01
  34. Levashenko, V., Liashenko, O., Kuchuk, H. (2020). Building Decision Support Systems based on Fuzzy Data. Advanced Information Systems, 4 (4), 48–56. doi: https://doi.org/10.20998/2522-9052.2020.4.07
  35. Meleshko, Y., Drieiev, O., Drieieva, H. (2020). Method of identification bot profiles based on neural networks in recommendation systems. Advanced Information Systems, 4 (2), 24–28. doi: https://doi.org/10.20998/2522-9052.2020.2.05
  36. Kuchuk, N., Merlak, V., Skorodelov, V. (2020). A method of reducing access time to poorly structured data. Advanced Information Systems, 4 (1), 97–102. doi: https://doi.org/10.20998/2522-9052.2020.1.14
  37. Shyshatskyi, A., Tiurnikov, M., Suhak, S., Bondar, O., Melnyk, A., Bokhno, T., Lyashenko, A. (2020). Method of assessment of the efficiency of the communication of operational troop grouping system. Advanced Information Systems, 4 (1), 107–112. doi: https://doi.org/10.20998/2522-9052.2020.1.16

##submission.downloads##

Опубліковано

2022-02-28

Як цитувати

Mahdi, Q. A., Шишацький, А. В., Симоненко, О. А., Протас, Н. М., Троцько, О. О., Кивлюк, В. С., Шульгін, А. А., Стешенко, П. М., Остапчук, Е. С., & Голенковська, Т. І. (2022). Розробка методики навчання штучних нейронних мереж для інтелектуальних систем підтримки прийняття рішень. Eastern-European Journal of Enterprise Technologies, 1(9(115), 35–44. https://doi.org/10.15587/1729-4061.2022.251637

Номер

Том 1 № 9(115) (2022): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2022 Qasim Abbood Mahdi, Andrii Shyshatskyi, Oleksandr Symonenko, Nadiia Protas, Oleksandr Trotsko, Volodymyr Kyvliuk, Artem Shulhin, Petro Steshenko, Eduard Ostapchuk, Tetiana Holenkovska

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.