Применение моделей искусственного интеллекта в приемо-сдаточных испытаниях
Автор: Тарасов А.А., Лезина И.В.
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Новые информационные технологии
Статья в выпуске: 2 (82) т.21, 2023 года.
Бесплатный доступ
Данная статья рассматривает применение нейросетевых методов, а именно нечеткого персептрона, в задачах, требующих проведение приемо-сдаточных испытаний. Было проведено исследование по использованию различных нечетких функций при решении задачи аппроксимации плотностей вероятностей. Эксперименты проведены на временных рядах с известными законами распределения, с оценкой качества аппроксимации через среднеквадратичное отклонение в серии из 29 испытаний. В результате исследований при использовании Гауссовой функции принадлежности было получено среднее значение среднеквадратического отклонения равное 00145, что подтверждает хорошие аппроксимативные способности нечеткого персептрона. Система была протестирована на данных приемо-сдаточных испытаний двигателя газоперекачивающих агрегатов. В этом случае оценка качества аппроксимации проводилась с использованием критерия согласия Колмогорова-Смирнова. Результаты анализа подтверждают высокую аппроксимативную способность нечеткого персептрона, подчеркивая его применимость в реальных приемо-сдаточных испытаниях.
Нейронные сети, нечеткие функции, аппроксимация, приемо-сдаточные испытания, c-means, нечеткий персептрон, плотность распределения вероятности
Короткий адрес: https://sciup.org/140303634
IDR: 140303634 | DOI: 10.18469/ikt.2023.21.2.09
Список литературы Применение моделей искусственного интеллекта в приемо-сдаточных испытаниях
- Прохоров С.А., Куликовских И.М. Численные методы, алгоритмы и комплексы программ для проведения вычислительного и натурного экспериментов. Самара: Инсома-пресс, 2019. 208 с.
- Прохоров С.А. Аппроксимативный анализ случайных процессов. Самара: СНЦ РАН, 2001. 380 с.
- Терехов С.А. Нейросетевые аппроксимации плотности распределения вероятности в задачах информационного моделирования // Нейроинформатика–2002: материалы Всероссийской научно-технической конференции. М.: МИФИ, 2002. С. 94–120.
- Лезина И.В. Аппроксимативный анализ законов распределения ортогональными полиномами и нейросетевыми моделями: дис. … канд. техн. наук. Самара, 2012. 108 с.
- Хайкин С. Нейронные сети: 2-е изд., исправленное; пер. с англ. М.: ООО «И.Д. Вильямс», 2006. 1104 c.
- Осовский С. Нейронные сети для обработки информации / пер. с польск. И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.
- Bezdek J.C., Ehrlich R., Full W. FCM: The fuzzy c-means clustering algorithm // Computers and geosciences. 1984. Vol.10, no. 2–3. P. 191–203.
- Tarasenko L. Supervised and unsupervised learning in radial basis function classifiers // IEEE Proceedings – Vision, Image and Signal Processing. 1994. no. 4. P. 210–216.
- Дьерфи Л., Деврой Л. Непараметрическое оценивание плотности. L1-Подход / пер с англ. А.Б. Цыбакова. М.: Мир, 1988, 408 с.
- Тарасов А.А., Лезина И.В. Исследование аппроксимативных возможностей нечеткого персептрона при использовании различных ядерных функций // Перспективные информационные технологии (ПИТ–2020): материалы международной научно-технической конференции. Самара: Изд-во СНЦ РАН, 2020. C. 61–63.
- Колмогоров А.Н. Теория вероятностей и математическая статистика. М.: Наука, 1986. 535 с.
