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

Мы в соцсетях -              
Рус   |   Eng

Авторы

Рысина (Лобанева) Е. И.

Ученая степень
аспирант, кафедра прикладной математики и искусственного интеллекта, Федеральное государственное бюджетное образовательное учреждение высшего образования «Национальный исследовательский университет "МЭИ"», Москва, Россия,
E-mail
lobaneva94@mail.ru
Местоположение
г. Москва, 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...

Определение информативных спектральных диапазонов для разработки системы контроля трансформаторного масла с использованием нейронных сетей глубокого обучения

Для разработки технологий контроля трансформаторного масла на основе моделей нейронной сети глубокого обучения могут быть использованы оптические спектральные методы в ультрафиолетовой и видимой областях. Целью исследований является выявление информативных спектральных диапазонов люминесцентной диагностики для системы автоматизации контроля характеристик и параметров трансформаторного масла с использованием нейронных сетей глубокого обучения. Измерения спектральных характеристик чистого и отработанного трансформаторного масла в диапазоне 180–700 нм были проведены на дифракционном спектрофлуориметре «Флюорат-02-Панорама». Установлено качественное и количественное различие спектров возбуждения: для отработанного масла спектры смещены вправо и снижены примерно в четыре раза по максимуму. Спектры фотолюминесценции чистого масла при возбуждении 300 нм являются суперпозицией как минимум трех кривых, наибольшая из которых имеет максимум на 382 нм. Для возбуждения 370 нм спектр существенно шире и имеет максимумы на длинах волн 387, 405, 433–439 и 475–479 нм. Спектры фотолюминесценции отработанного масла в несколько раз ниже и имеют максимумы на 446, 483 и 520–540 нм. Установленные диапазоны возбуждения и люминесценции будут использованы при создании методики и установке контроля параметров качества трансформаторного масла. Была разработана модель нейронной сети глубокого обучения, основанная на использовании самоорганизующейся карты Кохонена, которая позволила на основе потока фотолюминесценции трансформаторного масла прогнозировать параметры масла и, как следствие, за счет системы принятия решений определять эффективность эксплуатации описываемого метода в промышленности. Читать дальше...

Метод классификации перемешивающих устройств с использованием глубоких нейронных сетей с расширенным рецептивным полем

Представлены результаты исследования, целью которого являлась разработка метода и программного инструментария для определения класса перемешивающего устройства по показателю его коэффициента сопротивления на основе обработки экспериментальных данных. В настоящее время основными методами исследования перемешивающих устройств являются методы конечных элементов, а также процедуры оценки параметров турбулентного переноса с использованием лазерной доплерометрии и химического анализа проб. Указанные методы предполагают наличие дорогостоящего оборудования и обеспечивают при этом результаты только для отдельных типов оборудования. Это затрудняет распространение полученных выводов на широкий класс устройств с различной конструкцией перемешивающего винта. Предлагаемый метод подразумевает обработку результатов эксперимента, в рамках которого на дне заполненного прозрачной жидкостью сосуда расположен точечный источник света, формирующий направленный вертикально вверх луч. В сосуд помещается перемешивающее устройство с изменяемой частотой вращения. Далее применяется двухканальная обработка видеосигнала на поверхности перемешиваемой жидкости и временной последовательности, характеризующей изменение частоты вращения лопастей устройства. В каналах предложено использовать нейронные сети различных архитектур: в одном канале сверточную, а в другом – рекуррентную сеть. Результаты функционирования каждого канала обработки данных агрегируются на основе мажоритарного правила. Новизна предлагаемого метода с вычислительной точки зрения заключается в расширении рецептивного поля для каждой из сетей за счет взаимного преобразования изображений и временных последовательностей. В результате каждая из сетей обучается на большем объеме данных с целью выявления скрытых закономерностей. Это в конечном итоге приводит к повышению точности классификации, что подтверждается результатами апробации предложенного метода с использованием разработанного в среде MatLab программного приложения. Читать дальше...