Авторы

Гибридная цифровая модель на основе Neural ODE в задаче повышения экономической эффективности переработки мелкорудного сырья

Представлены результаты исследования, целью которого являлась разработка структуры гибридной цифровой модели управления процессами переработки мелкорудного сырья, а также алгоритма преобразования технологических данных в соответствии с этой структурой, обеспечивающего повышение качества управления и, как следствие, экономическую эффективность переработки. Оригинальной идеей, положенной в основу гибридной цифровой модели, является применение нейронных обыкновенных дифференциальных уравнений (Neural ODE) для расчета динамики технологических объектов и реализуемых в них процессов. Neural ODE являются разновидностью физически-­мотивированных нейронных сетей, использующих физические законы в процессе своего обучения. Получаемая в результате цифровая интеллектуальная система машинного обучения способна с высокой точностью восстанавливать функцию динамики, используя данные наблюдений за технологическим объектом или процессом. Предложенная гибридная модель предусматривает совместное применение Neural ODE и имитационных Simulink-­моделей технологических процессов переработки мелкорудного сырья при расчете управляющих воздействий. Это позволяет быстро моделировать и анализировать реакцию динамических объектов на управляющие воздействия и оперативно вносить необходимые изменения, не дожидаясь реакции физического оригинала. Проведенные численные эксперименты показали, что применение Neural ODE в составе гибридной цифровой модели с высокой точностью воспроизводит динамику технологических объектов при различных начальных условиях. Для сравнения были проведены эксперименты с моделью, в которой вместо Neural ODE была использована рекуррентная нейронная сеть LSTM. Эксперименты продемонстрировали, что в последнем случае динамика моделировалась с высокой точностью только при исходных начальных условиях, а при их изменении происходила ее сильная деградация. В то же время применение Neural ODE вместо LSTM показало устойчиво высокую точность отображения динамики при указанных изменениях, что будет способствовать улучшению качества управления технологическими процессами переработки мелкорудного сырья и их экономической эффективности. Читать дальше...

Нейро-нечеткая модель ресурсного обеспечения инновационной деятельности промышленного предприятия

Предложена нейро-нечеткая модель ресурсного обеспечения инновационной деятельности промышленного предприятия. Модель реализует двухэтапную процедуру описания и управления инновационной деятельностью промышленного предприятия: на первом этапе выполняется классификация ресурсов взаимодействия на основе дополненного ­VRIO-анализа профиля взаимодействия, на втором проводится выбор стратегии инновационной деятельности. В основе нейро-нечеткой модели ресурсного обеспечения лежит стекинг частных моделей машинного обучения, таких как метод k-ближайших соседей, «случайный лес», многослойный персептрон. Результаты классификации частных моделей объединяются с помощью обучаемого дерева систем нечеткого вывода, выполняющего итоговую классификацию, что обеспечивает повышение ее точности по сравнению с отдельно взятыми частными моделями. Отличительной чертой модели является применение системы нечеткого логического вывода для оценки вероятности наличия ресурса, используемой при планировании потребности в нем, что позволяет учитывать экспертные суждения как входные данные. Апробирование нейро-нечеткой модели, проведенное в программной системе MatLab на примере решения задачи оценки ресурсного обеспечения инновационного процесса при взаимодействии приборостроительного предприятия региона с одним из контрагентов, показало работоспособность модели и высокую точность классификации ресурсов инновационного взаимодействия. Читать дальше...

Прогнозирование нерегулярных временных рядов на основе сетей LSTM и учета корреляции интервалов дискретизации

Представлен метод прогноза нерегулярного временного ряда, интервал дискретизации которого не постоянен. Данные, представляемые в виде нерегулярных временных рядов, часто встречаются в различных областях, таких как здравоохранение, биомеханика, экономика, климатология и других. Прогнозирование нерегулярных временных рядов востребовано в указанных областях для раннего предупреждения и принятия упреждающих решений, однако универсального метода учета в прогнозе неравномерности дискретизации нет, что обуславливает актуальность исследований в этом направлении. Цель исследования состояла в разработке метода прогноза нерегулярного ряда на основе глубоких нейронных сетей, позволяющего обеспечивать хорошую точность прогноза при относительно легковесной архитектуре сети. Новизна результатов исследования заключается в разработанном методе прогноза нерегулярных временных рядов, архитектуре глубокой нейронной сети, а также в алгоритме, реализующем предложенный метод прогноза. В методе применен закрытый цикл, при котором результаты прогноза на текущем шаге используются на последующих шагах. Особенность предложенного метода прогноза заключается в применении многослойного перцептрона для прогнозирования длительности следующего интервала нерегулярной дискретизации. Этот интервал вычисляется с учетом времени корреляции, вычисляемой на основе автоковариационной функции длительностей интервалов нерегулярной дискретизации. Отличительной чертой предложенной архитектуры служит наличие отдельного входного канала данных нейронной сети для анализа величин интервалов дискретизации, что позволяет прогнозировать следующее значение ряда с учетом длительности прогнозируемого интервала дискретизации. Метод разработан для одномерного ряда, однако может быть расширен и на случай многомерных рядов при условии синхронности дискретизации компонент ряда. Проведенные вычислительные эксперименты показали, что при малых требованиях к вычислительным ресурсам точность прогноза на основе предложенного метода сопоставима с современными прогнозными моделями в пределах интервала корреляции. Читать дальше...