The development of methods of learning artificial neural networks of intelligent decision-making support systems
Ключові слова:
Штучні нейронні мережі, навчання, адаптивність, обробка інформації, інтелектуальні системи підтримки прийняття рішеньКороткий опис
Розроблено комплекс методів навчання штучних нейронних мереж інтелектуальних систем підтримки прийняття рішень. Відмінною особливістю запропонованих методів є те, що навчаються не тільки синаптичні ваги штучної нейронної мережі, але й вид та параметри функції належності. Якщо неможливо забезпечити задану якість функціонування штучних нейронних мереж за рахунок навчання параметрів штучної нейронної мережі, відбувається навчання архітектури штучних нейронних мереж. Вибір архітектури, типу та параметрів функції належності відбувається з урахуванням обчислювальних ресурсів інструменту та з урахуванням типу та обсягу інформації, що надходить на вхід штучної нейронної мережі. Завдяки використанню запропонованих методів не відбувається накопичення помилок навчання штучних нейронних мереж в результаті обробки інформації, що надходить на вхід штучних нейронних мереж. Також відмінною рисою розроблених методів є те, що для розрахунку даних не потрібні попередні розрахункові дані. Розробка запропонованих методів обумовлена необхідністю навчання штучних нейронних мереж для інтелектуальних систем підтримки прийняття рішень, з метою обробки більшого обсягу інформації, при однозначності рішень, що приймаються. За результатами досліджень встановлено, що зазначені методи навчання забезпечують в середньому на 10‒18% вищу ефективність навчання штучних нейронних мереж та не накопичують помилок під час навчання. Ці методи дозволять проводити навчання штучних нейронних мереж, визначати ефективні заходи щодо підвищення ефективності функціонування штучних нейронних мереж. Використання зазначених методів дозволить підвищити ефективність функціонування штучних нейронних мереж за рахунок навчання параметрів та архітектури штучних нейронних мереж, зменшити використання обчислювальних ресурсів систем підтримки прийняття рішень. Розроблені методи дозволять розробити заходи, спрямовані на підвищення ефективності навчання штучних нейронних мереж; підвищити ефективність обробки інформації в штучних нейронних мережах.
Посилання
Kalantaievska, S., Pievtsov, H., Kuvshynov, O., Shyshatskyi, A., Yarosh, S., Gatsenko, S. et al. (2018). Method of integral estimation of channel state in the multiantenna radio communication systems. Eastern-European Journal of Enterprise Technologies, 5 (9 (95)), 60–76. https://doi.org/10.15587/1729-4061.2018.144085
Kuchuk, N., Mohammed, A. S., Shyshatskyi, A., Nalapko, O. (2019). The Method of Improving the Efficiency of Routes Selection in Networks of Connection with the Possibility of Self-Organization. International Journal of Advanced Trends in Computer Science and Engineering, 8 (1.2), 1–6.
Zhang, J., Ding, W. (2017). Prediction of Air Pollutants Concentration Based on an Extreme Learning Machine: The Case of Hong Kong. International Journal of Environmental Research and Public Health, 14 (2), 114. https://doi.org/10.3390/ijerph14020114
Katranzhy, L., Podskrebko, O., Krasko, V. (2018). Modelling the dynamics of the adequacy of bank's regulatory capital. Baltic Journal of Economic Studies, 4 (1), 188–194. https://doi.org/10.30525/2256-0742/2018-4-1-188-194
Manea, E., Di Carlo, D., Depellegrin, D., Agardy, T., Gissi, E. (2019). Multidimensional assessment of supporting ecosystem services for marine spatial planning of the Adriatic Sea. Ecological Indicators, 101, 821–837. https://doi.org/10.1016/j.ecolind.2018.12.017
Çavdar, A. B., Ferhatosmanoğlu, N. (2018). Airline customer lifetime value estimation using data analytics supported by social network information. Journal of Air Transport Management, 67, 19–33. https://doi.org/10.1016/j.jairtraman.2017.10.007
Kachayeva, G. I., Mustafayev, A. G. (2018). The use of neural networks for the automatic analysis of electrocardiograms in diagnosis of cardiovascular diseases. Herald of Dagestan State Technical University. Technical Sciences, 45 (2), 114–124. https://doi.org/10.21822/2073-6185-2018-45-2-114-124
Zhdanov, V. V. (2016). Experimental method to predict avalanches based on neural networks. Ice and Snow, 56 (4), 502–510. https://doi.org/10.15356/2076-6734-2016-4-502-510
Kanev, A., Nasteka, A., Bessonova, C., Nevmerzhitsky, D., Silaev, A., Efremov, A., Nikiforova, K. (2017). Anomaly detection in wireless sensor network of the "Smart Home" system. 2017 20th Conference of Open Innovations Association (FRUCT), 776 (20), 118–124. https://doi.org/10.23919/fruct.2017.8071301
Sreeshakthy M., Preethi J. (2016). Classification of Human Emotion from Deap EEG Signal Using Hybrid Improved Neural Networks with Cuckoo Search. Brain. Broad Research in Artificial Intelligence and Neuroscience, 6 (3–4), 60–73. Available at: https://lumenpublishing.com/journals/index.php/brain/article/view/1973
Chica, J., Zaputt, S., Encalada, J., Salamea, C., Montalvo, M. (2019). Objective assessment of skin repigmentation using a multilayer perceptron. Journal of Medical Signals & Sensors, 9 (2), 88–99. https://doi.org/10.4103/jmss.jmss_52_18
Massel, L. V., Gerget, O. M., Massel, A. G., Mamedov, T. G. (2019). The Use of Machine Learning in Situational Management in Relation to the Tasks of the Power Industry. EPJ Web of Conferences, 217, 01010. https://doi.org/10.1051/epjconf/201921701010
Abaci, K., Yamacli, V. (2019). Hybrid Artificial Neural Network by Using Differential Search Algorithm for Solving Power Flow Problem. Advances in Electrical and Computer Engineering, 19 (4), 57–64. https://doi.org/10.4316/aece.2019.04007
Mishchuk, O. S., Vitynskyi, P. B. (2018). Neural Network with Combined Approximation of the Surface of the Response. Research Bulletin of the National Technical University of Ukraine "Kyiv Politechnic Institute", 2, 18–24. https://doi.org/10.20535/1810-0546.2018.2.129022
Kazemi, M., Faezirad, M. (2018). Efficiency estimation using nonlinear influences of time lags in DEA Using Artificial Neural Networks. Industrial Management Journal, 10 (1), 17–34. https://doi.org/10.22059/imj.2018.129192.1006898
Parapuram, G., Mokhtari, M., Ben Hmida, J. (2018). An Artificially Intelligent Technique to Generate Synthetic Geomechanical Well Logs for the Bakken Formation. Energies, 11 (3), 680. https://doi.org/10.3390/en11030680
Prokoptsev, N. G., Alekseenko, A. E., Kholodov, Y. A. (2018). Traffic flow speed prediction on transportation graph with convolutional neural networks. Computer Research and Modeling, 10 (3), 359–367. https://doi.org/10.20537/2076-7633-2018-10-3-359-367
Bodyanskiy, Y., Pliss, I., Vynokurova, O. (2013). Flexible Neo-fuzzy Neuron and Neuro-fuzzy Network for Monitoring Time Series Properties. Information Technology and Management Science, 16 (1). https://doi.org/10.2478/itms-2013-0007
Bodyanskiy, Ye., Pliss, I., Vynokurova, O. (2013). Flexible wavelet-neuro-fuzzy neuron in dynamic data mining tasks. Oil and Gas Power Engineering, 2 (20), 158–162.
Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. Upper Saddle River: Prentice Hall, Inc., 842.
Nelles, O. (2001). Nonlinear System Identification. Berlin: Springer, 785. https://doi.org/10.1007/978-3-662-04323-3
Wang, L.-X., Mendel, J. M. (1992). Fuzzy basis functions, universal approximation, and orthogonal least-squares learning. IEEE Transactions on Neural Networks, 3 (5), 807–814. https://doi.org/10.1109/72.159070
Kohonen, T. (1995). Self-Organizing Maps. Berlin: Springer-Verlag, 362. https://doi.org/10.1007/978-3-642-97610-0
Kasabov, N. (2003). Evolving Connectionist Systems. London: Springer: Verlag, 307. https://doi.org/10.1007/978-1-4471-3740-5
Sugeno, M., Kang, G. T. (1988). Structure identification of fuzzy model. Fuzzy Sets and Systems, 28 (1), 15–33. https://doi.org/10.1016/0165-0114(88)90113-3
Ljung, L. (1987). System Identification: Theory for the User. Upper Saddle River: Prentice Hall, Inc., 432.
Otto, P., Bodyanskiy, Y., Kolodyazhniy, V. (2003). A new learning algorithm for a forecasting neuro-fuzzy network. Integrated Computer-Aided Engineering, 10 (4), 399–409. https://doi.org/10.3233/ica-2003-10409
Narendra, K. S., Parthasarathy, K. (1990). Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks, 1 (1), 4–27. https://doi.org/10.1109/72.80202
Alieinykov, I., Thamer, K. A., Zhuravskyi, Y., Sova, O., Smirnova, N., Zhyvotovskyi, R. et al. (2019). Development of a method of fuzzy evaluation of information and analytical support of strategic management. Eastern-European Journal of Enterprise Technologies, 6 (2 (102)), 16–27. https://doi.org/10.15587/1729-4061.2019.184394
Koshlan, A., Salnikova, O., Chekhovska, M., Zhyvotovskyi, R., Prokopenko, Y., Hurskyi, T. et al. (2019). Development of an algorithm for complex processing of geospatial data in the special-purpose geoinformation system in conditions of diversity and uncertainty of data. Eastern-European Journal of Enterprise Technologies, 5 (9 (101)), 35–45. https://doi.org/10.15587/1729-4061.2019.180197
##submission.downloads##
Сторінки
102-137
Опубліковано
серпня 16, 2024
Авторське право (c) 2024 Svitlana Kashkevich, Heorhii Kuchuk, Ganna Plekhova, Viacheslav Davydov, Oleksandr Yefymenko, Yurii Beketov
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Деталі щодо доступних видів видань: PDF
PDF
ISBN-13 (15)
978-617-8360-04-7
Як цитувати
Кашкевич, С., Плєхова, Г., Єфименко, О., Кучук, Г., Давидов, В., & Бекетов, Ю. (2024). The development of methods of learning artificial neural networks of intelligent decision-making support systems. в А. Шишацький (ред.), INFORMATION AND CONTROL SYSTEMS: MODELLING AND OPTIMIZATIONS (с. 102–137). Kharkiv: ПП "ТЕХНОЛОГІЧНИЙ ЦЕНТР". https://doi.org/10.15587/978-617-8360-04-7.ch4
