Способ интеллектуальной обработки информации в нейронной сети



Способ интеллектуальной обработки информации в нейронной сети
Способ интеллектуальной обработки информации в нейронной сети
Способ интеллектуальной обработки информации в нейронной сети
Способ интеллектуальной обработки информации в нейронной сети
Способ интеллектуальной обработки информации в нейронной сети
Способ интеллектуальной обработки информации в нейронной сети
Способ интеллектуальной обработки информации в нейронной сети
Способ интеллектуальной обработки информации в нейронной сети
Способ интеллектуальной обработки информации в нейронной сети

 


Владельцы патента RU 2553074:

Закрытое акционерное общество "СПИИРАН-Научно-техническое бюро высоких технологий" (RU)

Изобретение относится к моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем. Техническим результатом является повышение интеллектуальности обработки информации, улучшение запоминания, распознавания и извлечения сигналов из сети. Сущность способа состоит в том, что при интеллектуальной обработке информации в двухслойной рекуррентной нейронной сети с управляемыми синапсами сигнал представляют в виде последовательных совокупностей единичных образов, разделенных на пары частных совокупностей этих образов. Частные совокупности единичных образов из каждой такой пары продвигают вдоль слоев сети по двойной спирали с изменяемым диаметром. 7 ил.

 

Изобретение относится к моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем.

Известны способы интеллектуальной обработки информации в нейронной сети, применяемые для распознавания образов, обработки речи, прогнозирования, ассоциативного управления и решения других творческих задач (Хайкин С. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. М.: Издательский дом «Вильямс», 2006. - 1104 с.; Галушкин А.И. Теория нейронных сетей. Кн. 1: Учебное пособие для вузов / Общая ред. А.И. Галушкина. - М.: ИПРЖР, 2000. - 416 с.).

Однако для этих способов характерны узкие возможности по запоминанию структурно сложных изменяющихся во времени сигналов, их распознаванию, ассоциированию с другими сигналами, извлечению из памяти сети и воспроизведению в исходной форме.

Наиболее близким аналогом изобретения является способ интеллектуальной обработки информации в двухслойной нейронной сети с обратными связями, замыкающими двухслойные контуры с временем задержки единичных образов меньше времени невосприимчивости нейронов сети после их возбуждения. Согласно ему сигнал подают в сеть после разложения на составляющие в базисе, согласованном с входным слоем сети. При этом каждую составляющую перед подачей в сеть преобразуют в последовательность единичных образов с частотой повторения как предварительно заданной функцией от амплитуды составляющей. Сигнал представляют в сети в виде последовательных совокупностей единичных образов в соответствии с предварительно заданными правилами его распознавания с учетом обратных результатов распознавания. При передаче совокупностей единичных образов от слоя к слою их сдвигают вдоль слоев с изменяемыми параметрами сдвигов с учетом текущих состояний слоев. Продвигают совокупности единичных образов вдоль слоев по спирали с изменяемым диаметром. Результаты распознавания запоминают на элементах сети. В качестве результатов обработки используют последовательные совокупности единичных образов на выходном слое сети после обратного преобразования в соответствующие им исходные сигналы (Патент RU 2427914 С1, 27.08.2011; Осипов В.Ю. Рекуррентная нейронная сеть со спиральной структурой слоев // Информационно-управляющие системы. 2012. №6. С.28-32).

За счет спиральной схемы продвижения совокупностей единичных образов вдоль слоев, присущей этому способу, удается реализовать встречное продвижение совокупностей по смежным полувиткам спирали и обеспечить между встречными совокупностями выраженное по пространству и времени ассоциативное взаимодействие.

Однако согласно этому способу между единичными образами в пределах отдельных совокупностей и между совокупностями, продвигающимися в одном направлении в пределах одного полувитка спирали, ассоциативное взаимодействие остается слабо выраженным. Присутствует высокая избыточность запоминания одних и тех же результатов распознавания сигналов на элементах сети.

Эти недостатки ограничивают возможности сети по объему запоминания различных сигналов, их распознаванию, ассоциативному вызову их из памяти. В целом это ограничивает функциональные возможности способа по интеллектуальной обработке информации.

Задачей изобретения является расширение функциональных возможностей по интеллектуальной обработке информации в нейронной сети.

Технический результат от использования изобретения заключается в повышении интеллектуальности обработки информации в нейронной сети, улучшении распознавания, запоминания сигналов и извлечения их из сети.

Поставленная задача решается тем, что в известном способе интеллектуальной обработки информации в нейронной сети, заключающемся в подаче в двухслойную сеть с обратными связями, замыкающими двухслойные контуры с временем задержки единичных образов меньше времени невосприимчивости нейронов сети после их возбуждения, сигнала, разложенного на составляющие в базисе, согласованном с входным слоем сети, с каждой составляющей, преобразованной в последовательность единичных образов с частотой повторения как предварительно заданной функцией от амплитуды составляющей, представлении сигнала в виде последовательных совокупностей единичных образов в соответствии с предварительно заданными правилами его распознавания с учетом обратных результатов распознавания, сдвигах совокупностей единичных образов вдоль слоев с изменяемыми параметрами сдвигов с учетом текущих состояний слоев, продвижении совокупностей единичных образов вдоль слоев по спирали с изменяемым диаметром, запоминании результатов распознавания на элементах сети, использовании в качестве результатов обработки последовательных совокупностей единичных образов на выходном слое сети после обратного преобразования в соответствующие им исходные сигналы, согласно изобретению представляют сигнал в виде последовательных совокупностей единичных образов, разделенных на пары частных совокупностей этих образов, частные совокупности единичных образов из каждой такой пары продвигают вдоль слоев сети по двойной спирали с изменяемым диаметром и скручивают попарно последовательности частных совокупностей единичных образов.

Новым существенным признаком изобретения является то, что сигнал представляют в виде последовательных совокупностей единичных образов, разделенных на пары частных совокупностей этих образов.

Другим новым существенным признаком изобретения выступает то, что частные совокупности единичных образов из каждой пары этих совокупностей продвигают вдоль слоев сети по двойной спирали с изменяемым диаметром и скручивают попарно последовательности частных совокупностей единичных образов.

За счет этого увеличивается уровень ассоциативного взаимодействия сигналов и их элементов в сети, уменьшается избыточность запоминания одних и тех же результатов распознавания сигналов. Это позволяет улучшить распознавание и запоминание сигналов, извлечение их из памяти, расширить функциональные возможности по интеллектуальной обработке информации в нейронной сети.

Сущность изобретения поясняется фиг.1÷7.

На фиг.1 приведена структурная схема двухслойной рекуррентной нейронной сети, реализующей предложенный способ, где 1, 5 - первый, второй слои нейронов; 2, 6 - первый, второй блоки единичных задержек; 3, 4 - первый, второй блоки динамических синапсов; 7 - блок управления синапсами.

На фиг.2 показан пример продольной спиральной структуры двухслойной нейронной сети, на вход которой поступают последовательные совокупности единичных образов. Стрелками на фиг.2 отражены направления продвижения совокупностей вдоль слоев. Параметры d, 2q - это величины единичных сдвигов совокупностей, соответственно, по координатам X, Y.

На фиг.3 приведены разрезы сети (фиг.2) по двум слоям по первой (фиг.3а), второй (фиг.3б), третьей (фиг.3в) строкам и вид сбоку (фиг.3г) на слои. Стрелками на фиг.3а, б, в, г показаны направления продвижения совокупностей единичных образов между слоями.

На фиг.4 отражен пример продольной логической структуры двухслойной нейронной сети с продвижения частных совокупностей единичных образов вдоль слоев сети по двойной спирали с изменяемым диаметром, где стрелками показаны направления продвижения частных совокупностей вдоль первого слоя. Штрихпунктирные стрелки отражают продвижение совокупностей под пересекаемыми полями. Параметры d, q - величины единичных сдвигов совокупностей, соответственно, по координатам X, Y.

На фиг.5 приведены разрезы этой сети (фиг.4) по двум слоям по первой (фиг.5а), второй (фиг.5б), третьей (фиг.5в), четвертой (фиг.5г) строкам и вид сбоку (фиг.5д). Стрелками на фиг.5а, б, в, г, д отражены направления продвижения совокупностей единичных образов между слоями.

На фиг.6 показаны приросты ΔW суммарного веса синапсов сети на каждом шаге t ее функционирования относительно предыдущего шага на одном полувитке спирали при использовании известного решения (кривая 1) и предлагаемого способа (кривая 2) для случая обработки одной совокупности единичных образов.

На фиг.7 приведены приросты ΔW на одном полувитке спирали для случая обработки двух последовательных совокупностей единичных образов известным способом (кривая 1) и предлагаемым способом (кривая 2).

Способ осуществляется следующим образом.

Рассмотрим его на примере нейронной сети, структурная схема которой представлена на фиг.1.

Входной сигнал, разложенный на составляющие в базисе, согласованном с первым слоем 1 сети, при этом каждая его составляющая преобразована в последовательность единичных образов с частотой повторения как предварительно заданной функцией от амплитуды составляющей, подают на этот слой. Перед подачей в сеть входные последовательности единичных образов предлагается разделять на группы и составлять из них пары групп. В результате в дискретном времени имеем последовательные совокупности единичных образов, разделенные на пары частных совокупностей этих образов.

После подачи на первый слой нейронов такого сигнала на его выходе присутствуют пары частных совокупностей единичных образов, несущие всю информацию о сигнале.

После задержки в первом блоке единичных задержек 2 (фиг.1) пары частных совокупностей единичных образов поступают на первый блок динамических синапсов 3. Каждый единичный образ из текущих частных совокупностей подается одновременно в первом блоке динамических синапсов 3 на совокупность своих динамических синапсов, обеспечивающих связь каждого нейрона, породившего единичный образ, в общем случае со всеми нейронами второго слоя нейронов 5.

Амплитуда единичного образа на выходе каждого синапса равна амплитуде входного единичного образа, умноженной на вес wij(t) синапса. Веса wij(t) синапсов определяются через произведение их весовых коэффициентов kij(t) и функций ослабления β(rij(t)), wij(t)=kij(t)·β(rij(t)). Весовые коэффициенты, kij(t), изменяются в зависимости от воздействий на синапсы единичных образов и выступают в качестве элементов долговременной памяти сети. При прохождении единичных образов через синапсы они снимают с них информацию о предыдущих воздействиях и оставляют информацию о своем появлении через изменения весовых коэффициентов. Значения весовых коэффициентов могут быть определены по известным правилам (Осипов В.Ю. Ассоциативная интеллектуальная машина // Информационные технологии и вычислительные системы. 2010. №2. С.59-67).

Каждая из связей (синапсов) имеет свое значение функции ослабления βij(rij) единичных образов, зависящее от rij - удаленности связываемых через синапсы нейронов (расстояний между ними на плоскости X, Y). Полагается, что расстояние между взаимодействующими слоями нейронной сети стремится к нулю.

Функция β(rij) может определяться как:

где h - степень корня, чем она выше, тем шире ассоциативное пространственное взаимодействие в сети; α - положительный постоянный коэффициент; N - число нейронов в каждом слое сети.

Входящую в (1) величину rij в единицах нейронов с учетом возможных пространственных сдвигов совокупностей единичных образов вдоль слоев сети можно выразить в виде:

где Δxij, Δyij - проекции связи j-го нейрона с i-м на оси X, Y без учета пространственных сдвигов; d, q - величины единичных сдвигов, соответственно, по координатам X, Y; L, М - число, соответственно, столбцов и строк, на которые разбивается каждый слой нейронной сети за счет сдвигов.

Изменяя Δxij, Δyij на соответствующие значения nij·d и mij·q, можно менять rij и направление продвижения частных совокупностей единичных образов вдоль слоев сети. Каждую частную совокупность можно продвигать по-своему.

Сдвиги частных совокупностей единичных образов вдоль слоев осуществляют через управление динамическими синапсами с блока управления синапсами 7. Для принятия решения в блоке управления синапсами о сдвиге очередной совокупности единичных образов в нем сначала анализируются состояния первого и второго слоя. В случае, когда на выходе первого или второго слоя имеет место совокупность единичных образов, которую нельзя передать на другой слой по коротким связям (синапсам с минимальными функциями β(rij(0)) ослабления единичных образов) из-за нахождения соответствующих нейронов этого слоя в состояниях невосприимчивости, осуществляют сдвиг этой совокупности. В случае, когда нет препятствий для передачи совокупности единичных образов по коротким связям, сдвиг ее не осуществляют.

В общем случае смещенные частные совокупности единичных образов с выхода первого блока динамических синапсов 3 поступают на вход второго слоя нейронов 5.

Заметим, что все единичные образы, поступившие на один и тот же нейрон по различным синапсам, суммируются. При превышении этой суммы заданного порога возбуждения нейрона он возбуждается и на его выходе формируется единичный образ. Затем имеющаяся сумма обнуляется, а сам нейрон затем переходит в состояние невосприимчивости входных сигналов. В нем он находится заданное время, одинаковое для всех нейронов сети, которое больше суммарной задержки единичных образов в блоках 1, 2, 3, 5, 6, 4, входящих в двухслойный многопучковый контур нейронной сети.

Частные совокупности единичных образов с выхода второго слоя 5, после задержки в блоке 6, поступают на второй блок динамических синапсов 4. В блоке 4 они аналогичным образом, как и в блоке 3, обрабатываются и, сдвинутые вдоль первого слоя в зависимости от состояний первого и второго слоев, поступают на второй вход первого слоя нейронов 1.

С учетом этого поступающие на первый слой нейронов 1 прямые и обратные частные совокупности единичных образов в нем корректно связываются, распознаются и порождают на его выходе новые частные совокупности единичных образов, несущие в себе информацию как о текущих, так и ранее запомненных сетью сигналах, связанных с первыми.

Согласно изобретению за счет соответствующих сдвигов частных совокупностей единичных образов вдоль слоев предлагается частные совокупности единичных образов из каждой сформированной пары продвигать вдоль слоев сети по двойной спирали с изменяемым диаметром и скручивать попарно последовательности частных совокупностей единичных образов.

На фиг.4 приведен пример продольной структуры двухслойной нейронной сети с таким продвижением частных совокупностей вдоль слоев. Согласно фиг.4 входные совокупности, разделенные на пары частных совокупностей единичных образов, подают в сеть. Причем нечетные частные совокупности единичных образов подают на вход 1.1 и продвигают по первой строке слева направо, а четные частные совокупности подают на вход 1.2 и продвигают по второй строке справа налево. В целом эти совокупности продвигают по двойной спирали в виде скрутки двух последовательностей совокупностей единичных образов (фиг.4, 5). В соответствии с (1) наибольшее ассоциативное взаимодействие частных совокупностей друг с другом наблюдается тогда, когда расстояние между этими совокупностями становится минимальным. В отличие от известного способа, реализуемого нейронной сетью с известной спиральной структурой (фиг.2, 3), в предлагаемом способе осуществляется не только выраженное ассоциативное взаимодействие совокупностей, продвигающихся по различным полувиткам одной спирали, но и выраженное по пространству и времени ассоциативное взаимодействие между совокупностями единичных образов, продвигающимися по различным спиралям. Это позволяет сосредоточенно запоминать на элементах сети результаты распознавания сигналов, а не ″размазывать″ их по всей сети. В итоге, при одних и тех же размерах, сеть способна запоминать больше сигналов и обеспечивать их извлечение из памяти, лучше распознавать обрабатываемые сигналы.

За счет приоритетности коротких связей в нейронной сети между входами и выходами сети легко устанавливается однозначное соответствие между составляющими входных и выходных сигналов.

С учетом этого соответствия по номерам нейронов, формируемых последовательности единичных образов на выходах устройства, определяют частотные и пространственные характеристики составляющих исходного сигнала. По частотам следования и относительным задержкам единичных образов, соответственно, устанавливают амплитуды и фазы составляющих исходного сигнала. Затем воспроизводят составляющие исходных сигналов и путем их сложения восстанавливают исходные, например речевые, зрительные и другие сигналы. Для определения амплитуд составляющих исходного сигнала определяют текущее число единичных образов, попадающих в предварительно заданный интервал времени. Для воспроизведения составляющих исходных сигналов применим, например, их цифровой синтез по известным параметрам.

Для подтверждения преимуществ предлагаемого решения по сравнению с прототипом проводилось математическое моделирование. Были разработаны программные модели нейронных сетей, реализующих известный и предлагаемый способы. В модели известной сети со спиральной структурой формировался один полный виток продвижения совокупностей единичных образов вдоль слоев. Каждый слой этой сети за счет пространственных сдвигов совокупностей единичных образов, передаваемых от слоя к слою, разбивался на две строки по 25 полей. Размер полей 6×8 нейронов.

В модели сети, реализующей предлагаемый способ, число нейронов было таким же, как и в первой модели. Однако каждый слой этой сети разбивались на четыре строки по 25 полей. Размер полей 6×4 нейрона. Две строки приходились на виток одной, а другие две - на виток другой спирали. За счет этого обеспечивалась скрутка двух частных последовательностей единичных образов.

Сопоставлялись результаты ассоциативного взаимодействия сигналов, полученные с помощью этих моделей. Результаты моделирования приведены на фиг.6, 7.

Из анализа фиг.6 видно, что при использовании известного способа после вводе в сеть одной неразделенной совокупности единичных образов наблюдается скачок прироста ΔW суммарного веса синапсов до значения 0,019 (кривая 1). Затем значение прироста веса синапсов на каждом шаге функционирования сети относительно предыдущего шага в пределах полувитка спирали не изменяется. Это свидетельствует о том, что на различных элементах сети запоминается одна и та же схема пространственно-временных связей между единичными образами. Присутствует высокая неоправданная избыточность запоминания результатов распознавания сигналов.

При использовании предлагаемого способа в начале обработки также присутствует скачек прироста ΔW суммарного веса синапсов, но лишь до значения 0,015 (фиг.6, кривая 2), а не до 0,019. Максимум этого прироста приходится на момент встречи двух частных совокупностей, продвигающихся навстречу друг другу по смежным более узким строкам.

Анализ фиг.7 показывает, что при обработке двух последовательных совокупностей единичных образов ситуация аналогична предыдущей. Только в начале обработки присутствует не один, а два скачка прироста ΔW, обусловленные вводом в сеть первой и второй последовательностей единичных образов. В этой ситуации, судя по результатам использования известного способа (фиг.7, кривая 1), недостатки проявляются еще сильнее, чем в предыдущем случае (фиг.6, кривая 1). При использовании предлагаемого способа максимумы ассоциативного взаимодействия сигналов приходятся на моменты минимизации расстояний между частными совокупностями единичных образов (фиг.7, кривая 2). В другие моменты времени уровни такого взаимодействия существенно ниже. При этом наблюдаемые на фиг.6, 7 (кривые 2) всплески свидетельствуют о ярко выраженном по пространству и времени ассоциативном взаимодействии обрабатываемых сигналов в рекуррентной нейронной сети со структурой слоев в виде двойной спирали.

Из этих результатов следует, что предлагаемый способ обладает меньшей избыточностью запоминания результатов распознавания сигналов. Результаты распознавания сигналов лучше выражены по пространству и времени через изменение параметров сети. В целом это расширяет возможности по интеллектуальной обработке информации в нейронной сети, по распознаванию и запоминанию сигналов, извлечению их из памяти.

Предлагаемый новый способ интеллектуальной обработки информации в нейронной сети может быть реализован с использованием известной элементной базы. В качестве нейронов слоев и элементов единичных задержек в блоках единичных задержек нейронной сети, реализующей способ, применимы ждущие мультивибраторы. При этом ждущие мультивибраторы в блоках единичных задержек следует запускать не по переднему, а заднему фронту входного импульса. Блоки динамических синапсов и блок управления ими могут быть реализованы специализированными процессорами, программируемыми интегральными схемами, функционирующими в соответствии с рассмотренными выше правилами.

Способ можно реализовать также путем эмулирования двухслойной рекуррентной нейронной сети с управляемыми синапсами на современных вычислительных машинах.

Способ интеллектуальной обработки информации в нейронной сети, заключающийся в подаче в двухслойную сеть с обратными связями, замыкающими двухслойные контуры с временем задержки единичных образов меньше времени невосприимчивости нейронов сети после их возбуждения, сигнала, разложенного на составляющие в базисе, согласованном с входным слоем сети, с каждой составляющей, преобразованной в последовательность единичных образов с частотой повторения как предварительно заданной функцией от амплитуды составляющей, представлении сигнала в виде последовательных совокупностей единичных образов в соответствии с предварительно заданными правилами его распознавания с учетом обратных результатов распознавания, сдвигах совокупностей единичных образов вдоль слоев с изменяемыми параметрами сдвигов с учетом текущих состояний слоев, продвижении совокупностей единичных образов вдоль слоев по спирали с изменяемым диаметром, запоминании результатов распознавания на элементах сети, использовании в качестве результатов обработки последовательных совокупностей единичных образов на выходном слое сети после обратного преобразования в соответствующие им исходные сигналы, отличающийся тем, что представляют сигнал в виде последовательных совокупностей единичных образов, разделенных на пары частных совокупностей этих образов, частные совокупности единичных образов из каждой такой пары продвигают вдоль слоев сети по двойной спирали с изменяемым диаметром.



 

Похожие патенты:
Изобретение относится к информационным технологиям и нейрофизиологии. Техническим результатом изобретения является повышение скорости работы технологий нейрокомпьютерного интерфейса.
Изобретение относится к средствам биометрической защиты анонимности свидетелей при судебном делопроизводстве. Техническим результатом является повышение надежности защиты анонимности свидетеля.

Изобретение относится к области управления компьютерными сетями с использованием алгоритмов искусственного интеллекта. Техническим результатом является снижение времени простоя рабочих объектов компьютерной сети за счет увеличения точности прогноза изменений основных показателей.

Изобретение относится к бионике, моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем.

Группа изобретений относится к области обработки и распознавания радиосигналов, в частности к распознаванию вида и параметров манипуляции радиосигналов, и может быть использована в радиотехнических устройствах для распознавания манипуляции радиосигналов.

Изобретение относится к бионике, моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем.

Изобретение относится к бионике, моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем.

Изобретение относится к области гидрометеорологии и может быть использовано для прогнозирования паводков и других гидрометеорологических явлений. .

Изобретение относится к области компьютерных сетей. .

Изобретение относится к области радиотехники и может быть использовано для интеллектуального анализа оценки устойчивости инфокоммуникационной системы. Техническим результатом является повышение устойчивости функционирования системы связи при воздействии деструктивных электромагнитных излучений на ее структурные элементы за счет оперативной реконфигурации и обработки характера деструктивных воздействий. Систему связи приводят в рабочее состояние, фиксируют деструктивные воздействия на ее структурные элементы, формируют имитационную модель системы связи, моделируют на ней деструктивные воздействия, по результатам моделирования реконфигурируют имитационную модель системы связи и представляют математическую модель функционирования системы, определяют параметры электромагнитных полей, воздействующих на подсистемы инфрокоммуникационной системы, и осуществляют оценку воздействия этих электромагнитных полей на работоспособность отдельных элементов и узлов системы, а также системы в целом, формируют сценарии электромагнитных воздействий на узлы инфокоммуникационной системы, учитывая модели электромагнитных излучений во всем диапазоне частот, проводят анализ информационного потока, обрабатываемого инфокоммуникационными узлами, и выявляют закономерности появления искаженных пакетов информации, периодичность и кратность частоты появления которых определяют на частоте формирования импульсов известными источниками электромагнитного излучения, при обнаружении факта воздействия известных источников электромагнитных излучений блокируют искаженную информацию и реконфигурируют систему, проводят сравнительный анализ соответствия данных требованиям используемого телекоммуникационного протокола, дополнительно проводят анализ сценариев поведения инфокоммуникационной системы при действии на ее элементы и узлы электромагнитных воздействий, с учетом моделей электромагнитного излучения на всем диапазоне частот, осуществляют расчет целевых показателей, характеризующих устойчивость системы в целом и его отдельных подсистем к воздействию электромагнитных излучений. 1 ил.

Изобретение относится к измерительным системам и устройствам и может быть использовано для идентификации компонентов бензина и определения его состава. Техническим результатом является обеспечение идентификации в режиме реального времени с оперативным внесением поправок в технологический процесс. Способ заключается в том, что идентификацию компонентов производят по минимуму целевой функции и активному состоянию нейронов искусственной нейронной сети идентификации, изменяя при этом коэффициенты синаптических связей, расчет значений активации нейронов определяют в соответствии с функцией активации, при этом концентрацию компонентов бензина производят по минимуму целевой функции и активному состоянию нейрона искусственной нейронной сети состава, изменяя коэффициенты синаптических связей, а расчет значения активации нейрона состава производят в соответствии с функцией активации, и при активном состоянии нейрона состава принимают значения концентрации компонентов в смеси численно равным значениям коэффициентов синаптических связей. 5 табл., 5 ил.

Изобретение относится к судостроению, а именно к способам прогнозирования качки судна, позволяющим обеспечить надежную посадку летательных аппаратов на суда и плавучие технические средства освоения Мирового океана, в том числе научно-исследовательские суда, буровые платформы и др. Технический результат - повышение достоверности прогноза «окна безопасной посадки» при значительных ветроволновых воздействиях. Сущность изобретения заключается в следующем: на базе данных измерений с использованием принципа конкуренции выбирают предпочтительную вычислительную технологию с использованием стандартной модели, реализующей фильтр Калмана, и адаптивной нейронечеткой модели, построенной с помощью нейронной сети прямого распространения. На основе функции выбора для выделенной вычислительной технологии осуществляют моделирование динамики взаимодействия судна с внешней средой, результаты которого используют при проведении контроля взлетно-посадочных операций в заданных погодных условиях. 6 ил., 2 табл.

Изобретение относится к автоматизированному управлению технологическими процессами в нефтегазовой промышленности. Технический результат - упрощение и автоматизация процедур контроля состояния узлов производства с расширением набора контролируемых параметров состояния технологических узлов предприятия, повышение точности калибровки каналов измерения параметров состояния, поддержка принятия решений по парированию нештатных ситуаций. Способ заключается в оценке параметров состояния технологических узлов предприятия с формированием образа текущей ситуации, выборе базовых параметров контроля состояния и формировании нейросетевых аппроксимаций для передаточных функций связи базовых параметров контроля состояния с дополнительными параметрами контроля состояния, верификации значений коэффициентов аппроксимации, формируемых с использованием нейросетевых моделей, для соответствующих частей передаточных функций. В качестве базовых параметров контроля состояния технологических узлов предприятия выбирают параметры, формируемые теми каналами контроля состояния узла, значения показателей степени доверия/недоверия к измерениям в которых выше заданного значения. 3 з.п. ф-лы, 13 ил., 6 табл.

Изобретение относится к технической кибернетике. Технический результат - повышение достоверности диагностирования сложного технического объекта и снижение трудоемкости. В способе диагностирования сложных технических объектов среди параметров сложного технического объекта выделяют отдельные параметры, которые являются признаками его технического состояния, сравнивают их с эталонными признаками исходного алфавита классов состояний и по результатам сравнения определяют группу классов возможного технического состояния диагностируемого объекта, в качестве признаков технического состояния объекта используют статистические характеристики разностей текущих и эталонных значений внутренних и выходных параметров объекта, в качестве эталонных признаков исходного алфавита классов используют статистические характеристики разностей текущих и эталонных значений внутренних и выходных параметров исправного объекта, при этом в качестве эталонных значений внутренних и выходных параметров объекта используют их расчетные значения, вычисляемые для каждого режима работы объекта по измеренным текущим значениям входных параметров с помощью нейросетевых моделей. 12 ил.

Изобретение может быть использовано для непрерывного контроля, оценки и прогнозирования состояния неопределенности взаимодействия судна с внешней средой. Техническим результатом является повышение степени надежности функционирования бортовых систем для обеспечения безопасности мореплавания судов при возникновении экстремальных ситуаций. Для достижения технического результата в предлагаемом способе регистрируют сигналы в блоке измерений параметров судна и внешней среды в экстремальной ситуации, устанавливают уровень неопределенности ситуации и сравнивают текущие значения параметров энтропии с заранее зафиксированными значениями. При возникновении экстремальной ситуации в условиях большой неопределенности определяют базовое значение определяющего параметра, относительно которого рассматривается состояние неопределенности, энтропийного потенциала и его приращения с использованием конкурентного отношения, осуществляют распознавание уровня неопределенности и формируют математические модели динамики изменения неопределенности, рассчитывают величину комплексного энтропийного потенциала и определяют изменение характеристик энтропии, прогнозируют развитие ситуации. 4 ил.

Изобретение относится к теории автоматического управления и может быть использовано для получения моделей сложных объектов, описываемых дифференциальными уравнениями в частных производных, процесс получения математических моделей которых затруднен вследствие неполной информации, сложных эксплуатационных режимов и структурных особенностей объекта. Техническим результатом является повышение точности создания математической модели сложного объекта, описываемого дифференциальными уравнениями в частных производных. Способ содержит сбор статистических данных в режиме номинального функционирования объекта и использование их в качестве обучающей выборки динамической нейронной сети с элементами дробного запаздывания в ветви обратной связи, причем после завершения обучения на вход нейронной сети, как на "черный ящик", подается типовое ступенчатое воздействие, а полученная реакция на выходе нейронной сети с помощью модифицированного метода Симою аппроксимируется в форме передаточной функции дробного порядка. 3 ил.
Наверх