XV Международная студенческая научная конференция Студенческий научный форум - 2023

Введение:

Нейронные сети- раздел искусственного интеллекта, в котором для обработки сигналов используются явления, аналогичные происходящим в нейронах живых существ. [1]

Нейронную сеть можно обучить - это значит, сообщить ей, чего мы от нее добиваемся. Этот процесс очень похож на обучение ребенка алфавиту. Показав ребенку изображение буквы "А", мы спрашиваем его: "Какая это буква?" Если ответ неверен, мы сообщаем ребенку тот ответ, который мы хотели бы от него получить: "Это буква А". Ребенок запоминает этот пример вместе с верным ответом, то есть в его памяти происходят некоторые изменения в нужном направлении. Мы будем повторять процесс предъявления букв снова и снова до тех пор, когда все 33 буквы будут твердо запомнены. Такой процесс называют "обучение с учителем".

При обучении нейронной сети мы действуем совершенно аналогично. У нас имеется некоторая база данных, содержащая примеры (набор рукописных изображений букв). Предъявляя изображение буквы "А" на вход нейронной сети, мы получаем от нее некоторый ответ, не обязательно верный. Нам известен и верный (желаемый) ответ - в данном случае нам хотелось бы, чтобы на выходе нейронной сети с меткой "А" уровень сигнала был максимален. Обычно в качестве желаемого выхода в задаче классификации берут набор (1, 0, 0, ...), где 1 стоит на выходе с меткой "А", а 0 - на всех остальных выходах. Вычисляя разность между желаемым ответом и реальным ответом сети, мы получаем 33 числа - вектор ошибки. Алгоритм обратного распространения ошибки - это набор формул, который позволяет по вектору ошибки вычислить требуемые поправки для весов нейронной сети. Одну и ту же букву (а также различные изображения одной и той же буквы) мы можем предъявлять нейронной сети много раз. В этом смысле обучение скорее напоминает повторение упражнений в спорте - тренировку.

Оказывается, что после многократного предъявления примеров веса нейронной сети стабилизируются, причем нейронная сеть дает правильные ответы на все (или почти все) примеры из базы данных. В таком случае говорят, что "нейронная сеть выучила все примеры", "нейронная сеть обучена", или "нейронная сеть натренирована". В программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную нейронную сеть считают натренированной и готовой к применению на новых данных. 

     Важно отметить, что вся информация, которую нейронная сеть имеет о задаче, содержится в наборе примеров. Поэтому качество обучения нейронной сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу. Так, например, бессмысленно использовать нейронную сеть для предсказания финансового кризиса, если в обучающей выборке кризисов не представлено. Считается, что для полноценной тренировки нейронной сети требуется хотя бы несколько десятков (а лучше сотен) примеров. 

Повторим еще раз, что обучение нейронных сетей - сложный и наукоемкий процесс. Алгоритмы обучения нейронных сетей имеют различные параметры и настройки, для управления которыми требуется понимание их влияния. [2]

Приведенный краткий обзор во введении показывают актуальность данной темы для современной науки и техники. Таким образом, целью данной работы является провести глубокий анализ использования искусственных нейронных сетей в промышленности.

Для достижения поставленной цели рассмотрим следующие задачи:

- принцип работы искусственных нейронных сетей;

- практическое применение нейронных сетей в различных областях человеческой деятельности.

1 Принципы работы нейронных сетей

Контролируемое обучение нейронной сети можно рассматривать как решение оптимизационной задачи. Ее целью является минимизация функции ошибок, или невязки, Е на данном множестве примеров путем выбора значений весов W.

Целью процедуры минимизации является отыскание глобального минимума - достижение его называется сходимостью процесса обучения. Поскольку невязка зависит от весов нелинейно, получить решение в аналитической форме невозможно, и поиск глобального минимума осуществляется посредством итерационного процесса - так называемого обучающего алгоритма, который исследует поверхность невязки и стремится обнаружить на ней точку глобального минимума. Обычно в качестве меры погрешности берется средняя квадратичная ошибка (MSE).

Наконец, в последнее время пользуются успехом, так называемые генетические алгоритмы, в которых набор весов рассматривается как индивид, подверженный мутациям и скрещиванию, а в качестве показателя его «качества» берется критерий ошибки. По мере того как нарождаются новые поколения, все более вероятным становится появление оптимального индивида.

Характер разработок в области нейронных сетей принципиально отличается от экспертных систем: последние построены на утверждениях типа «если..., то...», которые нарабатываются в результате длительного процесса обучения системы, а прогресс достигается, главным образом, за счет более удачного использования формально-логических структур. В основе нейронных сетей лежит преимущественно-поведенческий подход к решаемой задаче: сеть «учится в процессе проведения экспериментов» и подстраивает свои параметры при помощи так называемых алгоритмов обучения через механизм обратной связи.

Введенную Кохоненом «самоорганизующуюся карту признаков» можно рассматривать как вариант нейронной сети. Сеть такого типа рассчитана на самостоятельное обучение: во время обучения сообщать ей правильные ответы необязательно. В процессе обучения на вход сети подаются различные образцы. Сеть улавливает особенности их структуры и разделяет образцы на 436 кластеры, а уже полученная сеть относит каждый вновь поступающий пример к одному из кластеров, руководствуясь некоторым критерием «близости».

Сеть состоит из одного входного и одного выходного слоя. Количество элементов в выходном слое непосредственно определяет, сколько кластеров сеть может распознавать. Каждый из выходных элементов получает на вход весь входной вектор. Как и во всякой нейронной сети, каждой связи приписан некоторый синоптический вес. В большинстве случаев каждый выходной элемент соединен также со своими соседями. Эти внутренние связи играют важную роль в процессе обучения, так как корректировка весов происходит только в окрестности того элемента, который наилучшим образом откликается на очередной вход.

Выходные элементы соревнуются между собой за право вступить в действие и «получить урок». Выигрывает тот из них, чей вектор весов окажется ближе всех к входному вектору в смысле расстояния, определяемого, например, евклидовой метрикой. У элемента-победителя это расстояние будет меньше, чем у всех остальных. На текущем шаге обучения менять веса разрешается только элементу-победителю (и, может быть, его непосредственным соседям); веса остальных элементов при этом как бы заморожены. Выигравший элемент заменяет свой весовой вектор, немного перемещая его в сторону входного вектора. После обучения на достаточном количестве примеров совокупность весовых векторов с большей точностью приходит в соответствие со структурой входных примеров - векторы весов в буквальном смысле моделируют распределение входных образцов.

Сеть со встречным распространением (CPN, Counterpropagation Network) соединяет в себе свойства самоорганизующейся сети Кохонена и концепцию Oustar - сети Гроссберга. В рамках этой архитектуры элементы слоя сети Кохонена не имеет прямого выхода во внешний мир, а служат входами для выходного слоя, в котором связям адаптивно придаются веса Гроссберга. Эта схема возникла из работ Хехта - Нильсена. CPN-сеть нацелена на постепенное построение искомого отображения входов в выходы на основе примеров действия такого отображения. Сеть хорошо решает задачи, где требуется способность адаптивно строить математическое отражение по его точным значениям в отдельных точках.

Сети данного вида успешно применяются в таких финансовых и экономических приложениях, как рассмотрение заявок на предоставление займов, предсказание трендов цен акций, товаров и курсов обмена валют. Говоря обобщенно, можно ожидать успешного применения CPN-сетей в задачах, где требуется извлекать знания из больших объемов данных.

Есть два вида нейронных сетей: статические, которые также часто называют сетями с прямой связью (feed-forward), и динамические, или рекуррентные сети.

Нейронные сети с прямой связью состоят из статических нейронов, так что сигнал на выходе сети появляется в тот же момент, когда подаются сигналы на вход. Организация (топология) сети может быть различной. Если не все составляющие ее нейроны являются выходными, говорят, что сеть содержит скрытые нейроны. Наиболее общий тип архитектуры сети получается в случае, когда все нейроны связаны друг с другом (но без обратных связей). В конкретных задачах нейроны обычно бывают сгруппированы в слои.

Интересно отметить, что, согласно теоретическим результатам, нейронные сети с прямой связью и с сигмоидными функциями являются универсальным средством для приближения (аппроксимации) функций. Говоря точнее, любую вещественнозначную функцию нескольких переменных на компактной области определения можно сколь угодно точно приблизить с помощью трехслойной сети. При этом, правда, мы не знаем ни размеров сети, которая для этого потребуется, ни значений весов. Более того, из доказательства этих результатов видно, что число скрытых элементов неограниченно возрастает при увеличении точности приближения. Сети с прямой связью, действительно, могут служить универсальным средством для аппроксимации, но нет никакого правила, позволяющего найти оптимальную топологию сети для данной задачи.

Таким образом, задача построения нейронной сети является нетривиальной. Вопросы о том, сколько нужно взять скрытых слоев, сколько элементов в каждом из них, сколько связей и какие обучающие параметры, в имеющейся литературе, как правило, трактуются

Следующий класс нейронных сетей - динамические или рекуррентные, сети. Они построены из динамических нейронов, чье поведение описывается дифференциальными или разностными уравнениями, как правило, первого порядка. Сеть организована так, что каждый нейрон получает входную информацию от других нейронов (возможно, и от себя самого) и из окружающей среды. Этот тип сетей имеет важное значение, так как с его помощью можно моделировать нелинейные динамические системы. Это - весьма общая модель, которую потенциально можно использовать в самых разных приложениях, например: ассоциативная память, нелинейная обработка сигналов, моделирование конечных автоматов, идентификация систем, задачи управления. [3]

Искусственная нейронная сеть, это математическая модель, имеющая программно - аппаратную реализацию, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы.

Первой такой попыткой были нейронные сети Маккалока и Питтса.

Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. Основу каждой искусственной нейронной сети составляют относительно простые, в большинстве случаев - однотипные, элементы, имитирующие работу нейронов мозга.

Нейрон обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов. Каждый синапс характеризуется величиной синоптической связи или ее весом wi.

Обработка сигналов происходит параллельно, это достигается путем объединения большого числа нейронов в так называемые слои и соединения определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно. Выбор структуры нейронной сети осуществляется в соответствии с особенностями и сложностью задачи. Для некоторых классов задач уже существуют оптимальные конфигурации. Если же задача не может быть сведена ни к одному из известных классов, разработчику приходится решать задачу синтеза новой конфигурации. Проблема синтеза искусственной нейронной сети сильно зависит от задачи, дать общие подробные рекомендации затруднительно. В большинстве случаев оптимальный вариант искусственной нейронной сети получается опытным путем. [1]

2 Практическое применение нейронных сетей в различных областях человеческой деятельности

Широкое применение нейронных сетей в жизнедеятельности человека показывает ниже приведенная классификация по функциональному назначению:

–аппроксимация, актуальная при решении задач моделирования, идентификации и обработки сигналов;

–классификация и распознавание образов, актуальная, например, при решении задач диагностики состояния объекта;

–прогнозирование, актуальная при оценке будущего поведения системы по имеющейся последовательности ее предыдущих состояний;

–идентификация и оценивание, актуальная при решении задач управления динамическими процессами;

–ассоциативное управление..

Анализ зарубежных исследований, посвященных ИНС и нейрокомпьютерам, позволяет выделить следующие перспективные направления современного развития нейросетевых и нейрокомпьютерных технологий [2]; нейропакеты;

– нейросетевые экспертные системы;

– СУБД с использованием нейросетевых алгоритмов;

– обработка сигналов и изображений;

– управление динамическими системами и финансовой деятельностью;

– оптические нейрокомпьютеры;

– системы виртуальной реальности.[8]

2.1 Нейронные сети в медицине, назначение

Технологии машинного обучения могут применяться при работе с различными видами  информации. Наиболее широкое распространение нейросети в медицине получили в области работы с изображениями, а именно для медицинского диагностирования. Рабочие процессы медицинских учреждений неразрывно связаны со сбором, обработкой и анализом различных медицинских изображений: рентген, КТ, цифровые гистологические исследования и так далее.

Одно из направлений искусственного интеллекта, которое занимается работой с изображениями и видео потоком, получило название ComputerVision или компьютерное зрение. Это направление является наиболее перспективным  в медицинской диагностике и скрининге патологий.

Сервисы с применением технологии компьютерного зрения разрабатываются по всему миру и помогают врачам выявлять признаки различных заболеваний, в том числе онкологии. Один из таких проектов — Цельс, разработка российской компании «Медицинские скрининг системы».

Рассмотрим подробнее, чем именно полезны сервисы с применением технологии компьютерного зрения, на примере системы для анализа медицинских изображений Цельс. На данный момент сервис работает по четырём направлениям диагностики — маммография, флюорография, компьютерной томография лёгких и гистология. Работа врача с системой происходит следующим образом:

Врач загружает в систему изображения (по одному или целым пакетом). Дальше система ранжирует список исследований по приоритетности — от наибольшей вероятности наличия патологии до наименьшей. Таким образом, врач в первую очередь просмотрит снимки тех пациентов, у которых система заподозрила наличие новообразования. Это позволит оперативно провести глубокое обследование, поставить диагноз и начать лечение.

Врач открывает конкретное исследование из списка и видит изображение, на котором система маркером выделила именно те области, на которых предположительно визуализируются признаки патологии.

Затем врач просматривает описание снимка, автоматически сформированной системой, и при необходимости вносит в него свои замечания.

Таким образом, основные задачи сервисов на основе технологий компьютерного зрения — облегчение рутинной работы врача, сокращение времени на исследование и как следствие более оперативная помощь пациенту.

2.2 Применение медицинских нейросетей

Приведём ещё несколько примеров того, в каких сферах медицины может применяться машинное обучение, а также рассмотрим основные ограничения и сложности применения нейросетевых технологий в реальной клинической практике, которые мешают начать их массовое использование здесь и сейчас.

2.2.1 Нейронная сеть и генетика

Анализ ДНК — ещё одно перспективное и активно развивающееся направление применения нейросетей. Например, инструмент, разработанный Университетом штата Мичиган, осуществляет генетические исследования и позволяет по геному человека установить его рост с точностью до трёх сантиметров, спрогнозировать развитие у него таких серьёзных заболеваний как рак, инсульт и инфаркт, выявить мутации, влияющие на плотность костной ткани, и даже предсказать уровень образования, которого может достичь человек.

2.2.2 Разработка лекарств

Первым лекарством, созданным с помощью искусственного интеллекта и вышедшим на этап клинических испытаний, стал препарат DSP-1181. Он разработан компанией Exscientia совместно с японской фармацевтической компанией.

DSP-1181 является агонистом 5-HT1A рецептора серотонина и предназначен для лечения пациентов с обсессивно-компульсивным расстройством (ОКР). Обычно на разработку таких лекарств (этап Drugdiscovery) у исследователей уходит около пяти лет. Искусственный интеллект справился с этой задачей всего за год.

Первый этап клинических испытаний препарата был запланирован на март 2020 года. Пока нет информации о том, повлияла ли на эти планы пандемия COVID-19.

2.2.3 Распознавание речи

Рабочие процессы врача включают в себя не только консультации пациентов или проведение исследований. Значительная часть времени уходит на заполнение разного рода документации. С этой рутинной работой врачу также могут помочь нейросетевые технологии.

Программа Voice2Med экономит время врача благодаря голосовому заполнению медицинской документации. В сервис включены специализированные словари, что позволяет правильно распознавать медицинские термины. [4]

3 Нейронные сети в промышленности

3.1 Применение искусственных нейронных сетей в геофизических и геотехнических задач

Искусственные нейронные сети успешно применяются в решении. Привлечение ИНС позволяет сократить требуемое количество скважин и проводимых тестов для определения характеристик грунтов и свойств коллекторов, приводя к значительной экономии денежных средств и времени. Например, использование нейронных сетей в картографировании почвенных слоев на севере Ирана показало высокую степень точности предсказания обученных моделей на основе ИНС — около 90% (при сравнении с данными тестовых скважин) [Choobbasti et al., 2015].

Применение нейронных сетей снижает себестоимость проводимых исследований, улучшает качество геологической оценки и облегчает интерпретацию структуры подземных слоев. Полезность ИНС объясняется их способностью обрабатывать большой объем данных, работать с нелинейными взаимосвязями, приспосабливаться к изменяющимся условиям, обобщать и обучаться. Искусственные нейронные сети, наряду с линейными регрессиями, применяются для прогнозирования различных геофизических параметров (например, таких свойств коллекторов, как пористость и эффективная толщина пласта), для построения кривых геофизических исследований скважин.

ИНС используются в геофизике также для интерпретации каротажных данных [Родина, Силкин, 2007], интерпретации данных сейсмических наблюдений [Kuroda et al., 2012], определения литологической структуры [Akinyokun et al., 2009] и границ геологических объектов [Шайбаков, 2012], анализа водонасыщенности [Nakutnyy, 2008] и проницаемости [Huang, 1996].

Анализ геологических данных крайне важен для оценки нефтегазоности исследуемых участков. Искусственные нейронные сети позволяют анализировать геологический разрез по материалам сейсморазведки (наиболее результативный геофизический метод нахождения углеводородов) [Борисов, Куликов, 2012]. Применение искусственного интеллекта в этом направлении увеличивает эффективность геологоразведочных работ, повышая их скорость и точность и снижая затраты.

3.2 Эксплуатация месторождений

Искусственный интеллект также применяется в эксплуатации месторождений. Наглядным примером являются «интеллектуальные» месторождения — smart fields (их еще называют «умными», или «цифровыми»). Такие месторождения предполагают удаленное управление объектами нефтегазодобычи и персоналом с помощью различных методов искусственного интеллекта (включая машинное обучение, ИНС, генетические алгоритмы, нечеткую логику и т. д.). Автоматизация процесса повышает эффективность освоения: сокращает издержки при одновременном росте добычи сырья (вследствие роста энергоэффективности, повышения производительности оборудования и персонала), оптимизирует процесс управления, способствует большей открытости и прозрачности информации. Исследование Кембриджской ассоциации энергетических исследований (Cambridge Energy Research Association, CERA) выявило, что показатели добычи на «умных» месторождениях на 2–10% выше, чем на «нецифровых».

Крупные международные нефтегазовые компании зачастую обладают отдельными подразделениями, которые занимаются технологиями «интеллектуализации» месторождений. Среди таких компаний — Shell («Smart Fields»), BP («Field of the Future»), Chevron («iFields»),

а также Saudi Aramco, Petrobras, Kuwait Oil и др. [Демарчук, 2014].

Первые опыты с «интеллектуальными» месторождениями проводятся и в России. Один такой проект реализуется совместным предприятием компаний Shell и «Газпромнефть» — компанией «Салым Петролеум». Благодаря быстрой передаче информации на пункты управления растет эффективность использования фонда скважин, снижаются эксплуатационные расходы (вследствие сокращения поездок операторов на промысел), оптимизируется закачка воды в пласт, увеличиваются объем и скорость добычи. В 2008 году на нескольких площадках Западно-Салымского месторождения был запущен пилотный проект, а к 2010 году технология была внедрена на всех скважинах нефтепромысла. Интеллектуальное управление скважинами и коллекторами повысило добычу «Салым Петролеум» в среднем на 2–2,5% в год, сократив внеплановые простои.

Разновидностью интеллектуальных технологий в нефтегазовой отрасли являются «умные» скважины — smart wells. Такая технология позволяет добывать нефть из разных коллекторов и при этом вести непрерывный учет отдельно по каждому пласту. В России «умные скважины» впервые были применены той же компанией «Салым Петролеум» в конце 2006 года в северной части Ваделыпского месторождения. Технология smart wells сокращает количество кустов скважин и объемы строительства внутрипромысловой инфраструктуры, снижая тем самым капитальные затраты и уменьшая воздействие на окружающую среду.

С момента первого применения искусственного интеллекта в мировой индустрии разведки и добычи прошло почти 30 лет. Изначально оно заключалось в интерпретации каротажных диаграмм и в диагностике бурового оборудования с использованием нейронных сетей. Позже сфера применения искусственного интеллекта в нефтегазовой отрасли расширилась и охватила следующие направления: определение характеристик коллекторов, оптимизация конструкций скважин, их тестирование, оптимизация процесса бурения, анализ гидроразрыва пласта, оптимизация газлифта, анализ повреждения породы, оптимизация добычи нефти, анализ рисков проектов по повышению нефтеотдачи [Bello et al., 2015].

Методы искусственного интеллекта снижают и расходы компаний, занимающихся сланцевой добычей. Например, использование породоразрушающих инструментов со встроенными компьютерными чипами, нацеленных на поиск трещин в породе, повышает эффективность гидроразрыва пласта.

3.3 Искусственная нейронная сеть для диагностики нефтепродуктов

Искусственные нейронные сети (ИНС) широко применяются в различных прикладных областях. Возможности ИНС по моделированию сложных нелинейных систем используются при моделировании измерительных устройств. Из многочисленных описанных в литературе структур ИНС для применения в области измерений наиболее подходят сети прямого распространения, называемые многослойным персептроном (МСП), в котором нет обратных связей и обучающие алгоритмы обратного распространения ошибки (алгоритм Румельхарта-Хинтона-Вильямса).

В работе рассматривается программная реализация двухслойного МСП, выполненного с применением специализированного пакета по ИНС Neural Networks Toolbox,

входящего в интегрированный математический пакет MATLAB 6. Труды конференции «Проектирование инженерных и научных приложений в среде MATLAB» Сеть имеет 60 входов и 60 выходов и способна идентифицировать бензопродукты с октановым числом (ОЧ) 70-100 с дискретностью 0.5 ОЧ.

Данные по АЧХ и ФЧХ, снимаются с измерительной установки (рис.1) и оформлены в виде матриц входных данных, которые подаются на вход ИНС.

Датчики СХ и С0 представляют собой два стальных цилиндра соосно вставленных один в другой. Для поддержания одинакового уровня исследуемой жидкости во внутреннем объеме датчика, на боковых стенках внешнего цилиндра обоих датчиков имеются сливные отверстия. [7]

Амплитудно-частотная характеристика (АЧХ) - «frequency response», что в дословном переводе означает «частотный отклик». Амплитудно-частотная характеристика цепи показывает зависимость уровня сигнала на выходе данного устройства от частоты передаваемого сигнала при постоянной амплитуде синусоидального сигнала на входе этого устройства.

Рисунок 1 - Структурная схема измерительной установки.

АЧХ может быть определена аналитически через формулы, либо экспериментально. Любое устройство предназначено для передачи (или усиления) электрических сигналов. АЧХ устройства определяется по зависимости коэффициента передачи (или коэффициента усиления) от частоты.

Фазо-частотная характеристика (ФЧХ)- phase response — фазовый отклик. Фазо-частотная характеристика — это зависимость сдвига по фазе между синусоидальными сигналами на входе и выходе устройства от частоты входного колебания. [9]

4 Применение в образовании нейронных сетей

Применение нейронных сетей для контроля результатов учебного процесса в вузе. Для повышения успеваемости студентов в каждом семестре, делается прогноз успеваемости на основе предыдущих оценок. Учитывая, что современная дидактика остро нуждается в новых системах построения прогнозов и анализа образовательного процесса, необходимы новые подходы к решению данного комплекса задач, для этого применяется нейронная сеть. Анализ проводится при помощи среды Matlab с применением пакета Neural Network Toolbox. Программная реализация данного подхода вмещает в себя следующие подзадачи: выбор исходных данных и подготовка обучающих выборок, построение архитектуры сети, обучение сети, получение прогноза. Применяя набор из трех файлов, входной, выходной и эталон, симулируется прогноз оценок на основе образца, выявляются студенты с низкой успеваемостью, на которых преподавателю стоит обратить внимание. Применение данного подхода позволяет автоматизировать процесс обучения и улучшить результаты обучения в вузе.

Применение нейронных сетей при построении модели индивидуализированного управления обучением. Значительные успехи в области информатизации не гарантируют построение подлинно индивидуализированного обучения. Это происходит из-за того, что невозможно адекватно представить системе модель обучаемого. Для решения этой проблемы применяется синергетический подход к построению модели обучаемого. Для этого применяется граф содержания обучения, вектор интеллекта обучаемого графоаналитического метода управления обучением, а также их реализация на основе многослойной нейронной сети. Реализация данного подхода подразумевает совмещение динамических процессов управления нелинейным объектом и настройки многослойной сети путем использования метода обучения с обратным распространением ошибки подбором коэффициента функции ошибки обучения. Количество нейронов при этом определено эвристическим правилом, которое гласит что количество нейронов равняется половине нейронов входного и выходного слоев. Функция активации при этом гиперболическая тангенциальная, в качестве функции обучения выбрана LMA модель (Levenberg–Marquardt algorithm), которая обеспечивает максимальное быстродействие. Программная реализация решения данного комплекса задач возлагается на среду Matlab, со встроенным пакетом Neural Networks Toolbox. Сеть построена из трех слоев: входного слоя из 5 нейронов, скрытого слоя из 3 нейронов и выходного слоя из 1 нейрона. Функцией активации первых двух слоев является функция tansig, а третьего purelin. В ходе работы сети подчеркивается безусловная новизна синергетического подхода, которая дает понять ту долю времени, которая необходима для накопления знаний обучающегося, что соответствует соотношению между формированием знаний и умений для каждого обучаемого. Данное соотношение индивидуально, и несомненно является базовым компонентом для построения индивидуальной траектории обучающегося. [6]

Заключение

В данной работе проведен аналитический обзор применения нейросетей в промышленности, медицине и образовании.

Так широкое применение ИНС нашли для решения задач медицинской диагностики, военных разработок, исследования и прогнозирования различных экономических процессов и явлений и т.д. В свою очередь, при решении технических задач, таких, например, как идентификация объектов управления, синтез регуляторов, диагностика неисправностей, применение ИНС до сих пор достаточно ограничено. Отчасти это объясняется наличием развитого математического аппарата, описывающего процессы и явления, происходящие в объектах, а также наличием большого количества методов решения указанных задач. [8]

Помимо многочисленных преимуществ ИНС существуют ограничения и проблемы в использовании, например, в медицинской отрасли.

Для обучения искусственного интеллекта необходимо большое количество данных. Существуют публично доступные датасеты (наборы данных), но использование большинства из них допускается только в некоммерческих целях. К тому же, разметка на них может быть разной — и не всегда подходящей под конкретную задачу.Именно поэтому разработчикам не обойтись без сбора собственных датасетов для обучения своей модели. А это, в свою очередь, требует непосредственного участия третьих лиц. Ещё одно препятствие касается процесса внедрения уже готового продукта в рабочие процессы: это отсутствие в законодательстве конкретных стандартов, регламентирующих применение таких технологий в определенных отраслях. [4]

Список литературы

Полимиальная аппроксимация функции посредством нейронных сетей. Горенко А.С., «Кубанский государственный университет» (ФГБОУ ВО «КубГу»), г. Краснодар, Российская Федерация(https://www.kubsu.ru/sites/default/files/users/8791/portfolio/kursovaya_rabota_gorenko_a.s_0.pdf) (Дата обращения 12.09.2022).

Обучение нейронных сетей. Студопедия-2014-2022 год. (URL: https://studopedia.info/4-43320.html) (Дата обращения 12.09.2022).

Искусственные нейронные сети и их приложения, Ф.М. ГАФАРОВ, А.Ф. ГАЛИМЯНОВ, Казань – 2018, Издательство Казанского университета.

Проект „CELSUS“, г. Калуга AI-Платформа для анализа медецинских изображений (https://celsus.ai)/(Дата обращения 20.10.2022).

Применение методов искусственного интеллекта для Повышения эффективности в нефтегазовой и других сырьевых отраслях,Петр КАЗНАЧЕЕВ, Регина САМОЙЛОВА, Никола КУРЧИСКИ, Центр сырьевой экономики РАНХиГС (119571, Москва, просп. Вернадского, д. 82). (https://cyberleninka.ru/article/n/primenenie-metodov-iskusstvennogo-intellekta-dlya-povysheniya-effektivnosti-v-neftegazovoy-i-drugih-syrievyh-otraslyah) (Дата обращения 27.10.2022)

ОСНОВНЫЕ ТЕНДЕНЦИИ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ В СФЕРЕ ОБРАЗОВАНИЯ, Моховиков М. Е., Суслова И. А., ФГАОУ ВО «Российский государственный профессионально-педагогический университет», Россия, Екатеринбург .(https://elar.rsvpu.ru/bitstream/123456789/28280/1/978-5-8295-0623-0_2019_048.pdf) (Датаобращения 27.10.2022)

Искуственная нейронная сеть для диагностики нефтепродуктов. Никифоров И.К., Кречка П.М. 552.(http://matlab.exponenta.ru/conf2002/proceedings.php)(Дата обращения 29.10.2022).

Проблемы и перспективы использования искусственных нейронных сетей для идентификации и диагностики технических объектов. А.С. Михайлов, Б.А. Староверов. ФГБОУВПО «Костромской государственный технологический университет», «Вестник ИГЭУ» Вып. 3 2013 г., г. Кострома, Российская Федерация.

Что такое АЧХ и ФЧХ, Практическая электроника, 2022 (URL: https://www.ruselectronic.com/achh-and-fchh/)(Дата обращения 30.10.2022).

Код для цитирования: Скопировать