Вісники та науково-технічні збірники, журнали
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/12
Browse
8 results
Search Results
Item Нейромережевий метод визначення активного складу вітрової електричної станції(Видавництво Львівської політехніки, 2020-03-01) Медиковський, Микола; Мельник, Роман; Дубчак, Максим; Medykovskyi, Mykola; Melnyk, Roman; Dubchak, Maxim; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityУ статті подано результати дослідження можливостей застосування нейронних мереж для розв’язання задачі визначення активного складу вітрової електричної станції (ВЕС) з врахуванням коефіцієнта ефективності кожної вітроелектричної установки (ВЕУ). Здійснено порівняльний аналіз отриманих результатів з відомими методами визначення активного складу ВЕС, такими як: метод динамічного програмування; метод динамічного програмування із обґрунтованим підвищенням заданого навантаження; модифікований метод динамічного програмування. Визначено переваги та недоліки використання кожного з досліджуваних методів, щодо можливості досягнення заданої потужності генерації при максимальному коефіцієнті ефективності вибраних ВЕУ. Встановлено, що при використанні рекурентних нейронних мереж для розв’язання задачі визначення активного складу ВЕС, мінімальний лінійний коефіцієнт варіації різниці між потужністю, яку необхідно генерувати, та реальною потужністю визначеного активного складу ВЕС становить 2,7 %. За тих самих умов застосування інших відомих методів, зокрема модифікованого методу динамічного програмування, забезпечує досягнення цього параметра на рівні 0,05 %. При цьому час розв’язання задачі суттєво збільшується. Шляхом комп’ютерного моделювання встановлено, що за рівних умов час розв’язання задачі за допомогою нейронних мереж – 0,04 с, а за допомогою модифікованого методу динамічного програмування – 3,4 с. Отримані результати забезпечують можливість реалізації ефективних систем підтримки прийняття рішень при управлінні енергетичними потоками.Item Порівняльний аналіз програмно-апаратного забезпечення алгоритмів глибокого навчання(Видавництво Львівської політехніки, 2019-03-01) Хома, Ю. В.; Бенч, А. Я.; Khoma, Y.; Bench, A.; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityАвтоматичний переклад, розпізнавання мови та її синтез, розпізнавання об’єктів та навіть людських емоцій – надзвичайно складні завдання, із якими легко справляються сучасні смартфони. Їх ефективна реалізація стала можливою завдяки широкому застосуванню алгоритмів штучного інтелекту та машинного навчання, серед яких надзвичайно популярними є штучні нейронні мережі та алгоритми глибокого навчання. Ці алгоритми проникли в усі галузі індустрії, а їх стрімкий розвиток неможливий без застосування апаратної акселерації та чіткої взаємодії між апаратними складовими та програмним забезпеченням. Особливо актуальним це завдання стає, коли програмне забезпечення, призначене для застосування в хмарах, адаптується для невеликих за розміром та обчислювальними потужностями вбудованих систем. Статтю присвячено трьом пунктам, що, відповідно, пов’язані з програмним забезпеченням глибокого навчання, спеціалізованою апаратурою на основі GPU та перспективами побудови акселераторів для алгоритмів глибокого навчання на основі програмованих логічних матриць. У роботі проведено порівняльний аналіз найпопулярніших програмних фреймворків, таких як Caffe, Theano, Torch, MXNet, Tensorflow, Neon, CNTK. Описано переваги GPU-рішень на основі CUDA і cuDNN. Розглянуто перспективи FPGA як високошвидкісних та енергоефективних рішень для розроблення алгоритмів глибокого навчання, особливо у поєднанні з мовою OpenCL.Item Застосування штучних нейронних мереж для класифікації ділянок поверхні з певним рельєфом(Видавництво Львівської політехніки, 2016) Рудий, Р.Мета досліджень. Головною метою досліджень є аналіз рельєфу різних поверхонь, а саме: виділення на загальній поверхні окремих ділянок певної форми, наприклад, схилів, що орієнтовані у заданому напрямку. Мета роботи - використання штучних нейронних мереж (ШНМ) для розв’язку задачі класифікації, яка полягає у створенні бінарного класифікатора та дослідження точності його роботи. Методика. Дослідження виконувались на ділянці земної поверхні. Для неї була створена цифрова модель, яка подана грідфайлом, тобто висотами у перехрестях регулярної сітки квадратів, або матрицею 21x17 висот у перехрестях. З цієї матриці були створені образи, тобто вікна окремих ділянок поверхні розміром 3x3 перехрестя. Кожен образ подавався як вектор ознак, якими були нахили з центральної точки вікна на інших восьми крайніх точках. Отже, рельєф взятої поверхні був поданий 77-ма образами. Наступним кроком було створення бінарного класифікатора. Він ділить об’єкти (ділянки поверхні) з нахилом із заходу на схід в одну групу, а усі інші - в другу. Для цього використовувався Модуль опрацювання даних на основі алгоритмів штучних нейронних мереж у пакеті прикладних програм МАТЛАБ. Була створена ШНМ, проведено її навчання, виконано моделювання та тестування, були вибрані вхідні, скриті та вихідні нейронні шари. На основі ШНМ був виконаний процес класифікації. Вхідні дані були представлені матрицею образів розміром 8x77. Матриця завдань (target) була розмірністю 2x77. Її елементи мали значення 0 або 1, залежно від того, до якого класу належить ця ділянка. Третя матриця (test) мала розмірність 8x8. Класифікація та її оцінка точності виконувались двома способами з використанням графічного редактора nntool і nprtool. Результати. Робота створеного класифікатора перевірялась за допомогою тестових образів. У дослідженнях тест був матрицею, що складалась з восьми стовпців. Два стовпці цієї матриці були образами схилів, орієнтованих із заходу на схід, один - близький до них, а решта - образами поверхонь довільної форми. Оцінка роботи класифікатора виконувалась за допомогою матриці неточностей (confusion matrix). У нашому випадку загальна кількість правильно класифікованих зразків становила близько 99 %. Наукова новизна і практична цінність. Проведені експериментальні дослідження з виділення ділянок поверхні зі схилами певної орієнтації та аналіз результатів дають змогу використовувати їх під час дослідженнь рельєфу земної поверхні та поверхонь інших об’єктів, наприклад, під час вивчення мікрорельєфу механічних деталей, різноманітних біологічних об’єктів рельєфу земної поверхні, який значною мірою визначає родючість сільськогосподарських угідь, впливає на екологічно небезпечні явища, а саме: повені, селі, зсуви та снігові лавини. Отже, розробка та вдосконалення об’єктивних методів класифікації ділянок поверхні є актуальним завданням. Цель исследований. Главной целью исследований является анализ рельефа различных поверхностей, а именно выделение на обшей поверхности отдельных участков определенной формы, например, склонов, ориентированных в заданном направлении. Целью статьи является использование исскуственных нейронных сетей (ИНС) для решения задачи классификации, заключается в создании бинарного классификатора и исследования точности его работы. Методика. Исследования выполнялись на участке земной поверхности. Для нее была создана цифровая модель, представленная гридфайлом, то есть высотами в перекрестках регулярной сетки квадратов, или матрицей 21x17 высот в этих перекрестках. С этой матрицы были созданы образы, то есть окна отдельных участков поверхности размером 3x3 перекрестий. Каждый образ подавался как вектор признаков, которыми были наклоны из центральной точки окна на остальных 8 крайних точках. Таким образом рельеф взятой поверхности был представлен 77-ю образами. Следующим шагом было создание бинарного классификатора. Он делит объекты (участки поверхности) с наклоном с запада на восток в одну группу, а все остальные - в другую. Для этого использовался Модуль обработки данных на основании алгоритмов исскуственных нейронных сетей пакета прикладных программ MATLAB. Была создана ИНС, проведено ее обучение, выполнено моделирование и тестирование. Для этого были выбраны входные, скрытые и выходные нейронные слои. На основе ИНС был выполнен процесс классификации. Входные данные были представлены матрицей образов размером 8x77. Матрица задач (target) была размерностью 2x77. Ее элементы имели значения 0 или 1, в зависимости от того, к какому классу относится данный участок. Третья матрица (test) имела размерность 8x8. Классификация и ее оценка точности выполнялись двумя путями с использованием графического редактора nntool и nprtool. Результаты. Работа созданного классификатора проверялась с помощью тестовых образов. В исследованиях тест был матрицей, состоящей из восьми столбцов. Два столбца этой матрицы были образами склонов, ориентированных с запада на восток, один - близкий к ним, а остальные - образами поверхностей произвольной формы. Оценка работы классификатора выполнялась с помощью матрицы неточностей (confusion matrix). В нашем случае общее количество правильно классифицированных образцов составляет около 99 процентов. Научная новизна и практическая ценность. Проведенные экспериментальные исследования по выделению участков поверхности с уклонами определенной ориентации и анализ результатов дают основания для их использования при исследованиях рельефа земной поверхности и поверхностей других объектов, например, при изучении микрорельефа механических деталей, различных биологических объектов и, конечно, рельефа земной поверхности, который в значительной степени определяет плодородие сельскохозяйственных угодий, влияет на экологически опасные явления, а именно: наводнения, сели, оползни и снежные лавины. Следовательно, разработка и совершенствование объективных методов классификации участков поверхности является актуальной задачей. The purpose of research. The main purpose of research is to analyze the relief of various surfaces. For example, to select on the surface the individual sections of a certain form, such as slopes that are oriented in a given direction. The main aim of the article is the use of artificial neural networks (ANN). To solve the problem of classification a binary classifier was created and its work and its accuracy was studied. Method. The research was carried out on the certain section of the earth's surface. The digital model, presented by greed file, was created. The heights at the intersections of grid squares, or matrix 21x17 were determined. From this matrix the images, that is separate windows of the surface areas measuring 3x3 intersection were made. Even image was made as a vector, that is the slopes from the central point of the window at the other 8 border points. The surface relief was presented by 77 images. The next step was to create a binary classifier. It divides objects (land surface) with the slopes from west to east into one group, and the rest - into the second. For this goal Module data processing algorithms based on artificial neural networks in MATLAB Software Package was used. It selected input, hidden and output neuron layers and conducted its study, performed the simulation and the testing. Classification process was carried on the base of ANN. Input data were presented by matrix size images 8x77. The matrix of targets had 2x77 dimensions. Its elements hada value of 0 or 1, depending on the class to wich the site belong. The third matrix (test) had 8x8 dimension. Classification and assessment of its accuracy was performed in two ways using the graphical editor nntool and nprtool. Results. The work of the created classifier was checked using the test images. The test, used in the studies was a matrix consisting of eight columns. Two columns of this matrix were images of slopes oriented from west to east - one close to them, and the rest - images of freeform surfaces. Assessment of the classifier was performed using confusion matrix. The total number of correctly classified samples was about 99 percent. Scientific novelty and practical value. Experimental research on the selection of surface areas with slopes of a certain orientation and analysis of the results give reasons for their use in different studies. It can be microrelief of the mechanical parts, various biological objects and, of course, the earth relief, which largely determines the fertility of agricultural lands, affects the ecological hazards such as: floods, mudflows, landslides and snow avalanche. So, development and improvement objective methods for classification surface areas is an urgent task.Item System of processing of technological information(Видавництво Львівської політехніки, 2014) Vysloukh, S. P.; Voloshko, O. V.; Rogovoy, A. N.Розглянуто питання опрацювання інформації під час розв’язання задач технологічної підготовки виробництва. Для цього пропонується використовувати ефективні методи багатовимірного статистичного аналізу і штучні нейронні мережі. Програмно реалізовано алгоритми стиснення початкових масивів інформації методами факторного, компонентного аналізу і багатовимірного шкалування, алгоритми класифікації і розпізнавання образів методами дискримінантного і кластерного аналізу, а також алгоритми моделювання методами групового врахування аргументів і штучних нейронних мереж. Ці програми наведені у вигляді системи автоматизованого опрацювання технологічної інформації. Наведено структурну схему розробленої системи, а також послідовність інтерфейсних вікон під час використання цієї системи. The problems of information processing in solving the technological preparation of production were considered. For this purpose use the effective methods of multivariate statistical analysis and artificial neural networks. Compression algorithms in the original array of information by factor analysis methods, component analysis and multidimensional scaling, classification algorithms and pattern recognition methods of discriminate and cluster analysis, as well as algorithms for modeling of group account of arguments and artificial neural networks were implemented with software. The programs are presented in the form of automated processing technology information. Structural scheme of the developed system, as well as the sequence of interface windows in the application of this system is shown.Item Самоорганізація в моделях обчислень нейронних мереж і декларативних програм(Видавництво Львівської політехніки, 2013) Зербіно, Д.; Цимбал, Ю.; Кинаш, Ю.Порівнюються дві моделі обчислень – штучні нейронні мережі та декларативні програми, що побудовані на основі логіки предикатів. Пропонуються такі їх узагальнення, за яких процес обчислень зможе приводити до цілеспрямованих змін власної програми. Сформульовано принципи самоорганізації, за якими вказані зміни будуть не хаотичними, а визначеними в результаті пошуку. Для детального вивчення самоорганізації необхідне зближення та взаємне доповнення розглянутих моделей. The two models of computations have been compared – the artificial neural networks and declarative programs based on logic. The generalization of these models is proposed in the part where the computational process can cause changes of the program. The principles of self-organization for these models have been formulated. According to these principles the abovementioned changes will be determined as a result of the search. Complementarity of the discussed models is necessary for a profound study of the self-organization.Item Application of the method of gaussian processes to identification problems of structures and soil mechanics(Видавництво Львівської політехніки, 2013) Waszczyszyn, Zenon; Ziaja, Dominika; Kłos, MarzenaTwo problems are analyzed in the paper: 1) prediction and identification of critical loads and concrete strength in compressed R/C colu mns, 2)identification of compaction characteristics in granular soils. The main goal of the paper is to compare the numerical efficiency of the Method of Gaussian Processes with the results obtained by means of other methods (Extended Back Propagation Neural Network, Semi Bayesian Neural Networks and Bayesian methods). Проаналізовано: 1) передбачення і визначення критичних навантажень і міцності бетону в стиснутих залізобетонних колонах, 2) визначення характеристик стисливості в сипучих грунтах. Основна мета статті: порівняти чисельну ефективність методу гауссових процесів з результатами, отриманими із застосуванням інших методів.Item Backpropagation algorithm for complex neural networks(Видавництво Львівської політехніки, 2012) Kotsovsky, V.; Geche, F.; Batyuk, A.; Mitsa, A.Розглянуто комплексні штучні нейронні мережі, функції активації яких є комплексними аналогами раціональної сигмоїди. Наведено алгоритм навчання цих мереж, заснований на методі зворотного поширення похибки. Neural networks with complex weights and continuously differentiable activation function have been studied in the paper. Learning algorithm based on the backpropagation method for rational sigmoid function has been given in the paper.Item Технологія нейрокомп’ютингу реального часу(Видавництво Львівської політехніки, 2010) Грицик, В.; Ткаченко, Р.; Цмоць, І.Проаналізовано особливості апаратної реалізації штучних нейронних мереж, вибрано принципи побудови, визначено шляхи підвищення ефективності використання обладнання, розроблено методи синтезу та базові структури нейрокомп’ютерних систем реального часу. Features of hardware representation of artificial neural networks were analyzed, principles of construction were chosen, ways of efficiency increase of equipment use were determined, methods of synthesis and base structures of the neural computing, , real-time systems were developed.