8 (495) 987 43 74 доб. 3304 Прием заявок на рассмотрение статей E-mail: evlasova@synergy.ru

Мы в соцсетях -              
Рус   |   Eng

Авторы

Пучков А. Ю.

Ученая степень
канд. техн. наук, доцент, кафедра информационных технологий в экономике и управлении, филиал Федерального государственного бюджетного образовательного учреждения высшего образования «Национальный исследовательский университет «МЭИ» в г. Смоленске
E-mail
putchkov63@mail.ru
Местоположение
г. Смоленск, Россия
Статьи автора

Алгоритмы формирования изображений состояний объектов для их анализа глубокими нейронными сетями

Представлены алгоритмы визуализации числовых данных, характеризующих состояние объектов и систем различной природы с целью нахождения в них скрытых закономерностей с помощью сверточных нейронных сетей. В алгоритмах применены методы получения изображений из числовых данных на основе дискретного преобразования Фурье фрагментов временного ряда, а также на основе применении визуализации с помощью диаграмм трехкомпонентных систем, если такое трехкомпонентное представление системы возможно. Программная реализация предложенных алгоритмов выполнена в среде Linux на языке Python 3 с применением открытой нейросетевой библиотеки Keras, являющейся надстройкой над фреймворком машинного обучения TensorFlow. Для процесса обучения нейронной сети был задействован графический процессор фирмы Nvidia, поддерживающий технологию программно-аппаратной архитектуры параллельных вычислений CUDA, что позволило значительно сократить время обучения. Также представлена программа, осуществляющая генерацию наборов изображений для реализации процесса обучения и тестирования сверточныйх нейронных сетей с целью их предварительной настройки и оценки качества предлагаемых алгоритмов.
Читать дальше...

Анализ влияния архитектуры входных слоев свертки и подвыборки глубокой нейронной сети на качество распознавания изображений

Представлены результаты исследования влияния характеристик входных слоёв свертки и подвыборки глубокой свёрточной нейронной сети на качество распознавания изображений. Для слоя свёртки изменяемым параметром являлся размер ядра свёртки, варьируемым параметром архитектуры субдискретизирующего слоя являлся размер рецептивного поля. Все перечисленные параметры, определяющие архитектуру входных слоёв свёртки и подвыборки, разработчикам нейронных сетей приходится подбирать на основе своего опыта. В данной работе излагается способ, позволяющий частично автоматизировать этот процесс в результате предварительного анализа характеристик изображения — гистограмм и дисперсий интенсивности цветов пикселей. На основе этих сравнений выработаны рекомендации для выбора размеров ядра свёртки. Приведены итоги апробации указанного способа с помощью программы, написанной на языке Python с использованием библиотек Keras и Tensorflow.
Читать дальше...

Предварительная оценка прагматической ценности информации в задаче классификации на основе глубоких нейронных сетей

Предложен метод предварительной оценки прагматической ценности информации в задаче классификации состояния объекта на основе глубоких рекуррентных сетей долгой краткосрочной памяти. Цель проводимого исследования состояла в разработке метода прогноза состояния контролируемого объекта при минимизации количества используемых прогностических параметров, достигаемой с помощью предварительной оценки прагматической ценности информации. Это особенно актуальная задача в условиях обработки больших данных, характеризуемых не только значительными объемами поступающей информации, но и скоростью ее поступления и полиформатностью. Генерация больших данных сейчас происходит практически во всех сферах деятельности, что обусловлено широким внедрением в них Интернета вещей. Метод реализуется двухуровневой схемой обработки входной информации: на первом уровне применяется алгоритм машинного обучения «случайный лес», который имеет значительно меньшее количество настраиваемых параметров, чем рекуррентная нейронная сеть, используемая на втором уровне для окончательной и более точной классификации состояния контролируемого объекта или процесса. Выбор «случайного леса» обусловлен его способностью к оценке важности переменных в задачах регрессии и классификации. Это используется при определении прагматической ценности входной информации на первом уровне схемы обработки данных. Для этого выбирается параметр, который отражает указанную ценность в каком-либо смысле, и на основе ранжирования входных переменных по уровню важности осуществляется их отбор для формирования обучающих наборов данных для рекуррентной сети. Алгоритм предложенного метода обработки данных с предварительной оценкой прагматической ценности информации реализован в программе на языке MatLAB и показал свою работоспособность в эксперименте на модельных данных. Читать дальше...

Алгоритм прогнозирования параметров системы переработки отходов апатит-нефелиновых руд

В рамках концепции циркулярной экономики исследования в области создания технологических систем вторичной переработки отходов горно-обогатительных комбинатов занимают одну из ключевых позиций. В этой связи актуальной является задача создания систем управления технологическими процессами переработки таких отходов и их информационного обеспечения. Новизна представляемых исследований заключается в предложенной структуре интеллектуальной системы управления сложной химико-энерготехнологической системой переработки апатит-нефелиновых руд, а также в алгоритме прогнозирования технологических параметров, который входит в состав информационного обеспечения рассматриваемой системы управления. В основе алгоритма лежит применение аппарата глубоких рекуррентных нейронных сетей и калмановской фильтрации, используемой на этапе препроцессинга данных для обучения нейронной сети. В работе описан предложенный алгоритм прогнозирования многомерных временных рядов, адаптированный к рассматриваемому технологическому процессу, представлено программное обеспечение, выполненное в среде MatLab для демонстрации работоспособности указанной комбинации методов обработки технологических параметров. В модельном эксперименте показано, что применение фильтрации позволяет повысить точность прогноза, и это особенно заметно на его больших горизонтах. Практическую значимость результатов исследования составляет предложенная структура интеллектуальной системы управления процессом переработки отходов апатит-нефелиновых руд и программное обеспечение для прогнозирования его параметров, которое может найти применение в различных системах поддержки принятия решений. Читать дальше...

Нейросетевой метод анализа процессов термической обработки окомкованного фосфатного рудного сырья

В настоящее время остро стоит проблема утилизации рудных отходов горно-обогатительных комбинатов. Эти отходы в значительных объемах скапливаются на прилегающих к комбинатам территориях и представляют серьезную угрозу для экологии. В этой связи создание технологических систем переработки рудных отходов и совершенствование их информационного обеспечения представляют актуальное направление исследований. Примером такой системы является сложная химико- энерготехнологическая система производства желтого фосфора из отходов апатит- нефелиновых руд. Целью проводимого исследования являлась разработка модели сбора данных о параметрах процессов термической обработки окомкованного фосфатного рудного сырья в такой системе, а также метода выявления зависимостей между этими параметрами. Выявление зависимостей в информационном обеспечении системы производства желтого фосфора позволит повысить качество ее функционирования с точки зрения критериев управления, энергетической и ресурсной эффективности. Для достижения указанной цели решались задачи выбора математической концепции для основы разрабатываемого метода, построения алгоритма и создания программного обеспечения, реализующего данный метод, проведения модельных экспериментов. В основе метода лежит применение глубоких рекуррентных нейронных сетей долгой краткосрочной памяти, обладающих высокой обобщающей способностью и применяемых при решении задач регрессии и классификации многомерных временных последовательностей, в форме которых, как правило, и представлены параметры химико-энерготехнологической системы. Метод реализован в виде приложения, созданного в среде MatLab 2021. Интерфейс приложения позволяет в интерактивном режиме проводить эксперименты с различными наборами входных и выходных параметров для выявления взаимосвязи между ними, а также изменять гиперпараметры нейронных сетей. В результате работы приложения создается репозиторий обученных нейронных сетей, которые моделируют найденные взаимосвязи между указанными параметрами технологической системы и могут быть применены в системах поддержки принятия решений, управления и инжиниринга. Читать дальше...

Многоуровневые алгоритмы оценки и принятия решений по оптимальному управлению комплексной системой переработки мелкодисперсного рудного сырья

Представлены результаты исследований, целью которых была разработка многоуровневых алгоритмов принятия решений по управлению энергетической и ресурсной эффективностью, техногенной и экологической безопасностью комплексной многостадийной системы переработки мелкодисперсного рудного сырья (МСПМРС). Отличительной особенностью такой системы является ее многомерность и многомасштабность, проявляющаяся в наличии двух вариантов реализации технологических процессов переработки мелкодисперсного рудного сырья (МРС), необходимости учета взаимодействия входящих в систему агрегатов, а также иерархии описания процессов, протекающих в них, – механических, теплофизических, гидродинамических, физико-химических. Такое разнообразие процессов характеризует междисциплинарность исследований и сложность получения аналитических, взаимоувязанных математических моделей. Эта ситуация инспирировала применение для описания и анализа процессов методы искусственного интеллекта, такие как глубокое машинное обучение и нечеткая логика. Научная составляющая результатов исследования заключается в разработанной обобщенной структуре МСПМРС, концептуальной основе многоуровневых алгоритмов оценки и принятия решений по оптимальному управлению этой системой, предложенном составе параметров и форме критерия оптимизации. Задача исследования состояла в проведении анализа возможных вариантов переработки рудного сырья, выработке концепции построения МСПМРС, допускающей возможность оптимизации ее функционирования по критерию энергоресурсоэффективности при обеспечении требований экологической безопасности. Анонсировано применение эволюционных алгоритмов для решения задачи оптимизации МСПМРС по критерию минимума энергоресурсопотребления и конкретизированы ее этапы. Представлена структура блока нейронечеткого анализа информации о параметрах процессов в МСПМРС, в основе которого лежит использование глубоких рекуррентных и сверточных нейронных сетей, а также системы нечеткого логического вывода. Приведены результаты имитационного эксперимента по апробации программной реализации данного блока в среде MatLab. Читать дальше...