Нейронна мережа з комбінованою апроксимацією поверхні відгуку

Скорочена інформація про документ
dc.contributor.authorМіщук, Олександра Сергіївна
dc.contributor.authorВітинський, Павло Богданович
dc.contributor.authorMischuk, O. S.
dc.contributor.authorVitynskii, P. B.
dc.date.accessioned2018-09-13T12:04:54Z
dc.date.available2018-09-13T12:04:54Z
dc.date.issued2018
dc.description.abstractenBackground. There are a large number of neural networks that havetheir advantages and disadvantages, for example, simple, fast and easy to use single-stranded perceptrons are suitable for linear and linearized regression tasks, and more complicated neural networks are expendable in training and prediction time. Therefore, the problem arises for the development of fast and efficient algorithms for training artificialneural networks. An additional factor for researching new methods for training neural networks is finding the smallest training and prediction errors. Objective. The aim of the paper is to search and analyze the properties of the most effective method of training artificial neural networks using a combined approximation of the response surface. Another step is to perform computational experiments on proposed artificial neural networks and compare the results of experiments with known and developed methods. Methods. Analysis of known methods of combined approximation of the response surface was used. New algorithms for training neural networks, based on clustering of data using k-means method were developed. The algorithm with the smallest errors of artificial neural network learning and data prediction is chosen. Results. The results of research of different methods of training of artificial neural networks are given. Peculiarities of the methods of combined approximation of the response surface are analyzed. It is shown that the two methods of combined approximation of the response surface for training of artificial neural networks and prediction confirm the effectiveness of the proposed approach. Combined approximation algorithm is selected, which provides the lowest learning and forecasting errors. Conclusions. It was investigated that developed methods of combined approximation of the response surface allow training neural networks and predicting data with less error than when using autoregressive model with moving average, multilayer perceptron or artificial neural networks of models of geometric transformations without additional data processing.uk
dc.description.abstractruПроблематика. Существует большое количество нейронных сетей, которые имеют свои преимущества и недостатки. Например, простые, быстрые и удобные в использовании однослойные перцептроны пригодны только для линейных и линеаризованных задач регрессии, а более сложные нейронные сети расходны по времени обучения и прогнозирования. Поэтому возникает задача разработки быстрых и эффективных алгоритмов обучения искусственных нейронных сетей. Дополнительным фактором для исследования новых методов обучения нейронных сетей является поиск наименьших ошибок обучения и прогнозирования. Цель исследования. Поиск и анализ свойств максимально эффективного метода обучения искусственных нейронных сетей с применением комбинированной аппроксимации поверхности отклика. Выполнение вычислительных экспериментов относительно предложенных искусственных нейронных сетей и сравнение результатов экспериментов с известными и разработанными методами. Методика реализации. Поставленная цель достигается благодаря анализу известных методов комбинированной аппроксимации поверхности отклика, разработке новых алгоритмов для обучения нейронных сетей на основе кластеризации данных методом k-means и выбору того алгоритма, при котором погрешности обучения искусственной нейронной сети и прогнозирования данных будут наименьшими. Результаты исследования. Приведены результаты исследований различных методов обучения искусственных нейронных сетей. Проанализированы особенности методов комбинированной аппроксимации поверхности отклика. Показано, что разработанные два метода комбинированной аппроксимации поверхности отклика для обучения и применения искусственных нейронных сетей подтверждают эффективность предложенного подхода. Выбран алгоритм комбинированной аппроксимации, который обеспечивает наименьшие погрешности обучения и прогнозирования. Выводы. Разработанные методы комбинированной аппроксимации поверхности отклика позволяют обучать нейронные сети и прогнозировать данные с меньшей погрешностью, чем при использовании модели авторегрессии со скользящим средним, многослойного персептрона или искусственных нейронных сетей моделей геометрических преобразований без дополнительной обработки данных.uk
dc.description.abstractukПроблематика. Існує велика кількість нейронних мереж, які мають свої переваги та недоліки. Наприклад, прості, швидкі та зручні у використанні одношарові перцептрони придатні лише для лінійних і лінеаризованих задач регресії, а складніші нейронні мережі затрані за часом навчання та прогнозування. Тому виникає завдання розробки швидких та ефективних алгоритмів навчання штучних нейронних мереж. Додатковим фактором для дослідження нових методів навчання нейронних мереж є пошук найменших похибок навчання та прогнозування. Мета дослідження. Пошук і аналіз властивостей найефективнішого методу навчання штучних нейронних мереж із застосуванням комбінованої апроксимації поверхні відгуку. Виконання обчислювальних експериментів стосовно запропонованих штучних нейронних мереж та порівняння результатів експериментів із відомими та розробленими методами. Методика реалізації. Поставлена мета досягається завдяки аналізу відомих методів комбінованої апроксимації поверхні відгуку, розробці нових алгоритмів для навчання нейронних мереж на основі кластеризації даних методом k-means та вибору того алгоритму, за якого похибки навчання штучної нейронної мережі та прогнозування даних будуть найменшими. Результати дослідження. Наведено результати досліджень різних методів навчання штучних нейронних мереж. Проаналізовано особливості методів комбінованої апроксимації поверхні відгуку. Показано, що розроблені два методи комбінованої апроксимації поверхні відгуку для навчання та застосування штучних нейронних мереж підтверджують ефективність запропонованого підходу. Вибрано алгоритм комбінованої апроксимації, який забезпечує найменші похибки навчання та прогнозування. Висновки. Розроблені методи комбінованої апроксимації поверхні відгуку дають змогу навчати нейронні мережі та прогнозувати дані з меншою похибкою, ніж під час використання моделі авторегресії з ковзним середнім, багатошарового перцептрона чи штучних нейронних мереж моделей геометричних перетворень без додаткової обробки даних.uk
dc.format.pagerangeС. 18–24uk
dc.identifier.citationМіщук, О. C. Нейронна мережа з комбінованою апроксимацією поверхні відгуку / О. C. Міщук, П. Б. Вітинський // Наукові вісті КПІ : міжнародний науково-технічний журнал. – 2018. – № 2(118). – С. 18–24. – Бібліогр.: 9 назв.uk
dc.identifier.doihttps://doi.org/10.20535/1810-0546.2018.2.129022
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/24459
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceНаукові вісті КПІ : міжнародний науково-технічний журнал, 2018, № 2(118)uk
dc.subjectнейронна мережаuk
dc.subjectмодель геометричних перетвореньuk
dc.subjectкомбінована апроксимаціяuk
dc.subjectметод k-meansuk
dc.subjectкластеризаціяuk
dc.subjectneural networkuk
dc.subjectmodel of geometric transformationsuk
dc.subjectcombined approximationuk
dc.subjectk-means methoduk
dc.subjectclusterizationuk
dc.subjectнейронная сетьuk
dc.subjectмодель геометрических преобразованийuk
dc.subjectкомбинированная аппроксимацияuk
dc.subjectметод k-meansuk
dc.subjectкластеризацияuk
dc.subject.udc004.8
dc.titleНейронна мережа з комбінованою апроксимацією поверхні відгукуuk
dc.title.alternativeNeural Network with Combined Approximation of the Surface of the Responseuk
dc.title.alternativeНейронная сеть с комбинированной аппроксимацией поверхности откликаuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
NVKPI2018-2_02.pdf
Розмір:
359.9 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
7.74 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Наукові вісті КПІ: міжнародний науково-технічний журнал, № 2(118)