Рекуррентна апроксимація як інструмент розширення функцій і режимів роботи нейроної мережі

Автор(и)

  • Alexander Trunov Чорноморський національний університет ім. Петра Могили вул. 68 Десантників, 10, м. Миколаїв, Україна, 54000, Україна

DOI:

https://doi.org/10.15587/1729-4061.2016.81298

Ключові слова:

рекурентна мережа, режими роботи, продуктивні правила, аналітичне навчання нейрону, оцінка похибки, координаційне управління

Анотація

Розглянуто роль рекурентної штучної нейронної мережі (РШНМ) для розв’язку характерних задач координаційного управління. Сформовано структуру РШНМ обробки інформації на базі векторів – індикаторів та рекурентної апроксимації. Продемонстровано, що корекція нуля, калібрування, вимірювання, визначення похибки апроксимації, дозволяє розв’язувати задачі мінімізації, розширити функціональні можливості та реалізувати нові режими її роботи. Представлено алгоритми аналітичного навчання нейрону з декількома входами та приклад формування продуктивних правил при розв’язуванні задачі мінімізації

Біографія автора

Alexander Trunov, Чорноморський національний університет ім. Петра Могили вул. 68 Десантників, 10, м. Миколаїв, Україна, 54000

Кандидат технічних наук, доцент, перший проректор

Кафедра автоматизації та компьютерно-інтегрованих технологій

Посилання

  1. Petrov, E. Gh. (2014). Koordynacyonnoe upravlenye (menedzhment) processamy realyzacyy reshenyj. Problems of Information Technology, 02 (016), 6–11.
  2. Khodakov, V. E. (2014). O razvyty osnov teoryy koordynacyy slozhnykh system. Problems of Information Technology, 02 (016), 12–22.
  3. Fisun, M. T. (2015). Modeljuvannja dynamichnykh procesiv vitrovoji elektrychnoji stanciji u seredovyshhi gpss. Problems of Information Technology, 01 (017), 145–149.
  4. Вodyanskiy, Ye., Chaplanov, O., Popov, S. (2003). Adaptive prediction of quasiharmonic sequences using feedforward network. Proc. Int. Conf. Artificial Neural Networks and Neural Information Processing ICANN, 378–381.
  5. Kryuchkovskiy, V. V., Petrov, K. E. (2011). Development of methodology for identification models of intellectual activity. Problems of information technology, 9, 26–33.
  6. Кhodakov, V. E. (2013). Kharakternye osobennosti odnogo klassa sotsial'no-ekonomicheskikh sistem. Problems of Information Technology, 2 (014), 10–14.
  7. Kovalenko, Y. Y. (2015). Sravnyteljnyj analyz metodov klasyfykacyy v avtomatyzovanykh systemakh tekhnychekoj dyaghnostyky. Problems of Information Technology, 01 (017), 37–41.
  8. Kravecj, I. O. (2015). Vykorystannja nechitkykh nejronnykh merezh dlja identyfikaciji ta keruvannja slaboformalizovannymy ob'jektamy. Problems of Information Technology, 01 (017), 150–154.
  9. Kryvulja, Gh. V. (2015). Ekspertnaja systema funkcionaljnogho diaghnostyrovanyja tekhnycheskykh obektov s nejronechetkoj bazoj danykh. Problems of Information Technology, 01 (017), 29–36.
  10. Ghavrylenko, V. O. (2015). Zastosuvannja metodiv nechitkoji loghiky dlja kontrolju stanu zernovogho nasypu v zernoskhovyshhakh. Problems of Information Technology, 01 (017), 77–82.
  11. Dzjuba, D. A. (2011). Prymenenye metoda kontrolyruemogho vozmushhenyja dlja modyfykacyy nejrokontrolerov vrealjnom vremeny. Matematychny mashyny y systemy, 1, 20–28.
  12. Kondratenko, Y. P. (2012). Correction of the Knowledge Database of Fuzzy Decision Support System with Variable Structure of the Input Data. Modeling and Simulation: Proc. of the Int. Conference MS'12, 56–61.
  13. Kondratenko, Y. P., Korobko, V. V., Korobko, O. V. (2013). Distributed computer system for monitoring and control of thermoacoustic processes. 2013 IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 249–253. doi: 10.1109/idaacs.2013.6662682
  14. Kondratenko, Y. P., Klymenko, L. P., Kondratenko, V. Y., Kondratenko, G. V., Shvets, E. A. (2013). Slip displacement sensors for intelligent robots: Solutions and models. 2013 IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 861–866. doi: 10.1109/idaacs.2013.6663050
  15. Trunov, A. N. (2011). Recurrence approximation in problems of modeling and design. Petro Mohyla BSSU, 272.
  16. Trunov, A. N. (2013). Intellectualization of the models’ transformation process to the recurrent sequence: European Applied Sciences, 9 (1), 123–130.
  17. Trunov, A. (2014). Application of the recurrent approximation method to synthesis of neuron net for determination the hydrodynamic characteristics of underwater vehicles: Problem of Information Technology, 02 (016), 39–47.
  18. Trunov, A. (2016). Vector indicator as a tool of recurrent artificial neuron net for processing data. EUREKA: Physics and Engineering, 4 (5), 55–60. doi: 10.21303/2461-4262.2016.000129
  19. Khajkyn, S. (2006). Nejronnye sety: polnyj kurs. 2nd edition. Moscow.: yzd. Dom «Vyljjams», 1104.
  20. Chebotarev, P. Y., Agaev, R. P. (2009). Coordination in multiagent systems and Laplacian spectra of digraphs. Automation and Remote Control, 70 (3), 469–483. doi: 10.1134/s0005117909030126
  21. Usjkov, A. A., Kuzjmyn, A. V. (2004). Yntellektualjnye tekhnologhyy upravlenyja: yskusstvennye nejronnye sety y nechetkaja loghyka. Moscow: Ghorjachaja lynyja – Telekom, 143.
  22. Rutkovskaja, D., Pylynjskyj, M., Rutkovskyj, L. (2004). Nejronnye sety, ghenetycheskye alghorytmy y nechetkye systemy. Moscow: Ghorjachaja lynyja – Telekom, 452.
  23. HuH, D., Todorov, E. (2009). Real-time motor control using recurrent neural networks. 2009 IEEE Symposium on Adaptive Dynamic Programming and Reinforcement Learning. doi: 10.1109/adprl.2009.4927524
  24. Ioffe, S., Szegedy, C. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. Available at: https://arxiv.org/abs/1502.03167v3

##submission.downloads##

Опубліковано

2016-10-30

Як цитувати

Trunov, A. (2016). Рекуррентна апроксимація як інструмент розширення функцій і режимів роботи нейроної мережі. Eastern-European Journal of Enterprise Technologies, 5(4 (83), 41–48. https://doi.org/10.15587/1729-4061.2016.81298

Номер

Том 5 № 4 (83) (2016): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2016 Alexander Trunov

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.