Авторы

Алгоритмы формирования изображений состояний объектов для их анализа глубокими нейронными сетями

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

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...

Интеллектуальная модель управления рисками нарушения характеристик электромеханических устройств в многостадийной системе переработки рудного сырья

Представлены результаты исследований по разработке структуры интеллектуальной модели управления рисками нарушения характеристик электромеханических устройств в многостадийной системе переработки рудного сырья. Такие устройства задействованы на всех циклах технологического процесса, поэтому оценка указанного риска для них является актуальной задачей. Предложен метод оценки рисков, в основе которых лежит оценка времени полезного использования оборудования, выполняемого на основе прогноза характеристик глубокой рекуррентной нейронной сетью с дальнейшим обобщением получаемых результатов оценки в блоке нечеткого вывода. Применялись рекуррентные нейронные сети с долгой краткосрочной памятью, являющиеся одним из самых мощных аппаратов решения задач регрессии временных рядов, в том числе прогнозирования их значений на длительные интервалы. Применение глубоких нейронных сетей для прогноза характеристик электромеханических устройств позволило получить высокую точность прогноза, что, в свою очередь, позволило применить относительно менее точный рекуррентный метод наименьших квадратов для итерационного процесса оценки времени полезного использования оборудования. Такой подход дал возможность построить вычислительный процесс оценки с постоянным ее уточнением по мере поступления новых результатов измерений характеристик электромеханических устройств. Представлены результаты модельного эксперимента с программной реализацией предложенного метода, выполненной в среде MatLab 2021a, которые показали согласованность работы программных модулей и получение результата оценки риска, согласующегося с предполагаемой динамикой его изменения. Читать дальше...

Алгоритм выявления угроз информационной безопасности в распределенных мультисервисных сетях органов государственного управления

Представлены результаты исследований, целью которых была разработка алгоритма выявления угроз информационной безопасности в распределенных мультисервисных сетях, обеспечивающих информационное взаимодействие региональных органов государственного управления, а также их коммуникацию с населением региона. Актуальность темы исследований обусловлена значительным ростом кибератак различных видов на вычислительные сети органов государственной власти и необходимостью повышать уровень защищенности этих сетей за счет интеллектуализации методов борьбы с угрозами информационной безопасности. В основе алгоритма лежит применение методов машинного обучения для анализа входящего трафика с целью выявления событий, влияющих на состояние информационной безопасности органов государственной власти. Алгоритм предусматривает препроцессинг входного трафика, в результате которого формируется набор изображений (сигнатур), получаемых на основе бинарных файлов Wasm, а затем запускается классификатор изображений. Он содержит последовательное включение глубоких нейронных сетей – сверточной нейронной сети для классификации сигнатур и рекуррентной сети, которая обрабатывает последовательности, получаемые на выходе сверточной сети. Особенности формирования сигнатур в предлагаемом алгоритме, а также последовательностей на входе в рекуррентную сеть дают возможность получать результирующую оценку информационной безопасности с учетом предыстории текущего ее состояния. Выход рекуррентной сети агрегируется с результатом сравнения актуальных сигнатур с имеющимися в базе данных. Агрегация выполняется системой нечеткого вывода второго типа, использующей импликацию по алгоритму Мамдани, которая и вырабатывает итоговую оценку угроз информационной безопасности. Разработано программное обеспечение, реализующее предложенный алгоритм, проведены эксперименты на синтетическом наборе данных, которые показали работоспособность алгоритма, подтвердили целесообразность его дальнейшего совершенствования. Читать дальше...

Нечеткологическая модель многостадийной химико-энерготехнологической системы переработки мелкодисперсного рудного сырья

Представлены результаты исследования, целью которого являлось построение программной модели многостадийной комплексной системы переработки мелкодисперсного рудного сырья. В роли такого сырья могут выступать отходы переработки на горно-обогатительных комбинатах апатит-нефелиновых и других видов руд, в больших объемах скапливающиеся в хвостохранилищах. Они создают значительную экологическую угрозу на прилегающих к комбинатам территориях за счет выветривания, пылеобразования, проникновения в почву и водоносные горизонты опасных для здоровья человека химических соединений и веществ. Поэтому совершенствование существующих производственных процессов, разработка новых технологических систем для горно-обогатительных комбинатов, включая применение принципов экономики замкнутого цикла, вторичной переработки отходов, обосновывает актуальность выбранного направления исследований. В основе предложенной программной модели лежит применение обучаемых деревьев систем (блоков) нечеткого вывода первого и второго типов. Такой подход позволил избежать излишнего усложнения баз правил нечеткого вывода при использовании только одного нечеткого блока при построении многопараметрической модели всей многостадийной комплексной системы. Применение нескольких блоков нечеткого вывода, описывающих поведение отдельных агрегатов системы и их конфигурирование в соответствии с физической структурой системы, позволяет использовать относительно простые наборы правил отдельных блоков. Совместный подбор их параметров при обучении дерева нечетких блоков позволяет достигать высокой точности получаемых решений. Новизну результатов исследования составляет предложенная программная нечеткологическая модель комплексной системы переработки мелкодисперсного рудного сырья. Представлены результаты имитационного эксперимента, проведенного в среде MatLab с использованием сгенерированного в Simulink синтетического набора данных. Результаты показали, что обученная нечеткологическая модель обеспечивает хорошую точность воспроизведения параметров и переменных из тестовой части синтетического набора. Научная новизна предлагаемого алгоритма заключается в расширении перцептивного поля для каждой из сетей за счет взаимного преобразования изображений и временных последовательностей друг в друга. За счет этого каждая из сетей обучается на большем объеме данных и выявляет больше закономерностей. Это в конечном итоге приводит к повышению качества классификации, что подтверждается результатами апробирования предложенного алгоритма с использованием разработанного в среде MatLab программного приложения. Читать дальше...

Нейрорегулятор комплексной технологической системы переработки рудных отходов

Исследование посвящено совершенствованию системы управления сложной технологической системы переработки рудных отходов. Такие отходы в больших объемах скапливаются на прилегающих к горно-обогатительным комбинатам территориях, представляя большую экологическую угрозу как для населения, так и для окружающей среды за счет пылеобразования и проникновения вредных соединений в почву и грунтовые воды. Поэтому задача совершенствования систем управления переработкой рудных отходов, как одна из приоритетных, стоит на актуальной повестке дня менеджмента горно-обогатительных комбинатов. Комплексность технологической системы проявляется в наличии двух линий переработки, отличающихся набором агрегатов, а выбор линии зависит от гранулометрического состава рудных отходов. Научную новизну результатов исследования составляет предложенная структура нейросетевого регулятора на основе эталонной модели процесса управления, в котором применены глубокие рекуррентные нейронные сети в качестве цифровой копии объекта управления. В состав общей структуры нейрорегулятора входит несколько локальных нейроконтроллеров для каждого из агрегатов технологической системы. Рекуррентные нейронные сети позволяют создать высокоточные цифровые копии отдельных агрегатов двух технологических линий переработки и использовать их для имитации отклика объектов управления при настройке контроллеров. Апробирование предложенной структуры нейрорегулятора проводилось в среде MatLab-Simulik, нейронные сети проектировались с помощью инструмента Deep Network Designer. Результаты апробирования показали, что быстродействие системы управления повышается по сравнению с другими архитектурами нейрорегуляторов, доступными в среде Simulik, что может положительно сказаться на работе всей технологической системы в переходных режимах, в частности снизить технологические потери. Читать дальше...

Метод решения обратной задачи кинематики на основе обучения с подкреплением при управлении роботами-манипуляторами

Предложен метод решения обратной задачи кинематики для трехзвенного робота-манипулятора на основе одной из разновидностей машинного обучения – обучения с подкреплением. В общем случае эта задача состоит в нахождении законов изменения обобщенных координат захватного устройства манипулятора, обеспечивающих заданные кинематические параметры. При аналитическом решении задачи основой для расчета инверсной кинематики являются параметры Денавита – Хартенберга с дальнейшим выполнением численных матричных вычислений. Однако с учетом кинематической избыточности многозвенных манипуляторов такой подход трудоемкий и не позволяет в автоматизированном режиме учитывать изменения внешней среды в реальном времени, а также особенности области применения робота. Поэтому актуальной исследовательской задачей является разработка решения, в структуре которого присутствует блок самообучения, обеспечивающий решение обратной задачи кинематики в условиях изменяющейся внешней среды, поведение которой заранее неизвестно. В основе предлагаемого метода лежит имитация процесса достижения цели управления роботом (позиционирования захватного устройства манипулятора) в заданной точке пространства методом проб и ошибок. За приближение к цели на каждом шаге обучения вычисляется функция награды, которая используется при управлении роботом. В предложенном методе агентом является рекуррентная искусственная нейронная сеть, а средой, состояние которой наблюдается и оценивается, – робот-манипулятор. Применение рекуррентной нейронной сети позволило учитывать предысторию движения манипулятора и преодолевать сложности, связанные с тем, что в одну и ту же точку рабочей области могут приводить разные сочетания углов между звеньями. Апробирование предложенного метода проводилось на виртуальной модели робота, выполненной с помощью набора инструментов MatLab Robotics System Toolbox и среды Simscape, и оно показало высокую эффективность по критерию «время – точность» предложенного метода решения обратной задачи кинематики. Читать дальше...

Метод прогнозирования оттока клиентов банка на основе ансамблевой модели машинного обучения

Представлены результаты исследований, целью которых была разработка метода прогнозирования оттока клиентов коммерческого банка на основе применения моделей машинного обучения (в том числе глубоких искусственных нейронных сетей) для обработки клиентских данных, а также создание программных инструментов, реализующих указанный метод. Объектом исследования является коммерческий банк, а предметом исследования – его деятельность в B2C-сегменте, включающая коммерческое взаимодействие бизнеса и частных лиц. Актуальность выбранного направления исследований определяется активизацией деятельности банков в сфере внедрения цифровых сервисов по сокращению неоперационных расходов, связанных, в частности, с удержанием клиентов, так как затраты на привлечение новых клиентов значительно выше, чем на сохранение уже имеющихся. Научную новизну результатов исследований составляет разработанный метод прогнозирования оттока клиентов коммерческого банка, а также алгоритм, положенный в основу программного обеспечения, реализующего предложенный метод. В основе предложенной ансамблевой модели прогнозирования лежит три алгоритма классификации: k-средних, случайный лес и многослойный персептрон. Для агрегации выходов отдельных моделей предложено использовать обучаемое дерево систем нечеткого вывода типа Мамдани. Обучение ансамблевой модели выполняется в два этапа: сначала обучаются перечисленные три классификатора, а потом, на основе получаемых на их выходах данных, обучается дерево систем нечеткого вывода. Ансамблевая модель в предложенном методе реализует статический вариант прогноза, результаты которого используются в динамическом прогнозе, выполняемом в двух вариантах – на основе рекуррентного метода наименьших квадратов и на основе сверточной нейронной сети. Проведенные модельные эксперименты на синтетическом наборе данных, взятых с сайта Kaggle, показали, что ансамблевая модель имеет более высокое качество бинарной классификации, чем каждая модель в отдельности. Читать дальше...