Registration Number
0823U100525, PhD dissertation
Status
Доктор філософії
Date
27-07-2023
popup.evolution
.
Title
Methods for synthesizing recurrent neural network models for diagnostics
Author
Leoshchenko Serhii D.,
popup.head Subbotin Sergey O.
popup.head Oliinyk Andrii O.
popup.opponent Shakhovska Nataliya B.
popup.opponent Berezsky Oleh M.
popup.review Stepanenko Aleksandr O.
popup.review Fedoronchak Tetiana V.
popup.rada
Zaporizhzhya Polytechnic National University
Description
У дисертаційній роботі розв'язано актуальну науково-прикладну задачу у галузі комп’ютерних наук: підвищення точності та зменшення часу побудови діагностичних моделей, збільшення їхніх інтерпретовності та узагальнювальних здатностей шляхом розроблення нових та удосконалення існуючих методів синтезу рекурентних нейромережевих діагностичних моделей, які поєднують принципи інтелектуальних та паралельних обчислень.
Дисертаційна робота складається зі вступу, чотирьох розділів, висновків, списку використаних джерел та додатків.
У вступі обґрунтовано актуальність теми дисертаційного дослідження, наведено мету, об’єкт та предмет дослідження. Так, метою роботи є розроблення та дослідження методів і засобів синтезу діагностичних моделей на основі рекурентних нейромереж, які поєднують інтелектуальні та паралельні обчислення для підвищення точності нейромоделей, їх рівня узагальнення даних та інтерпретабельності. Об’єкт дослідження – процес синтезу діагностичних нейромоделей на основі історичних даних. Предметом дослідження є методи побудови діагностичних моделей на основі рекурентних нейронних мереж.
У першому розділі «Огляд проблемної області та постановка задачі дослідження» розглянуто стан проблеми діагностування на основі історичних даних про об’єкт. Проаналізовано різні типи штучних нейронних мереж, які можуть використовуватися як основа для діагностичних моделей при вирішенні завдань діагностування. Проаналізовано процес і методи синтезу таких діагностичних нейромоделей. Досліджено суттєві недоліки існуючих нейроеволюційних методів є синтезу нейромоделей. Обґрунтовано необхідність розробки нових методів синтезу діагностичних моделей на основі рекурентних нейронних мереж.
У другому розділі «Синтез рекурентних штучних нейронних мереж на основі нейроеволюційного підходу» розв’язано актуальне завдання синтезу діагностичних моделей на основі рекурентних нейромерж. Запропоновано методи синтезу нейромоделей на основі нейроеволюційного підходу, які дозволяють виконати процес синтезу нейромоделей із високим рівнем точності, що можуть використовуватися як базис для синтезу моделей для неруйнівного діагностування за історичними даними про систему та об’єкт. Розроблено модифікований генетичний метод для синтезу рекурентних нейромереж, в якому, на відміну від існуючих методів, на етапі кодування використовується спосіб кодування інформації про нейромодель на основі секвенування, для більш компактного зберігання даних. Запропоновано паралельний генетичний метод з імплементацією механізмів селективного тиску, в якому основні етапи процесу еволюційного синтезу виконуються на паралельних обчислювальних вузлах, використовуються механізми селективного тиску та рівномірного схрещування, що дозволяє скорочувати розміри популяції, не враховуючі та не опрацьовуючи ті особини з популяції, що відрізняються малим значенням функції пристосованості.
У третьому розділі «Структурна оптимізація синтезованих нейромережевих моделей» розв’язано актуальне завдання вибору механізмів для доналаштування нейромерж на основі індикаторної системи для оцінки рівня складності задачі. Запропоновано метод структурного доналаштування синтезованих нейромоделей на основі нейроеволюційного підходу з використанням системи індикаторів та критеріїв для адаптивного визначення мутаційних змін. Запропоновано систему індикаторів для оцінювання рівня складності задачі для подальшого моделювання, діагностування або прогнозування. Так на основі врахування характеристик вхідного набору даних, рівня можливого спрощення структури, загальної кількості суттєвих та несуттєвих факторів, рівня точності вимірювань та рівня можливого контролю та управління можливо в подальшому обрати варіант доналаштування математичної моделі. Запропоновано метод структурного доналаштування для підвищення характеристик нейропластичності мереж. Так, під час роботи із великими даними застосування складних топологій нейромереж часто обмежується обчислювальними ресурсами. Саме тому структурна оптимізація дозволяє отримати полегшену та проріджену структуру попередньо синтезованої нейромоделі.
У четвертому розділі «Експериментальне дослідження методів синтезу рекурентних нейромережевих моделей діагностування складних технічних об’єктів та систем» виконано експериментальне дослідження розроблених методів аналізу даних та синтезу діагностичних нейромоделей.
Наукові положення, висновки і рекомендації, викладені в дисертаційній роботі, використано при підготовці дисциплін «Інтелектуальні системи», «Основи обчислювального інтелекту», «Інтелектуальний аналіз даних» та НДР на кафедрі програмних засобів Національного університету «Запорізька політехніка» (акт впровадження від 20.12.2022). Результати дисертаційної роботи апробовано та впроваджено у практичну діяльність Товариства з обмеженою відповідальністю «Аптека Магнолія» (акт впровадження від 18.08.2022), у практичну діяльність Товариства з обмеженою відповідальністю «Запорізький ливарно-механічний завод» (акт впровадження від 20.09.2022).
Registration Date
2023-07-31
popup.nrat_date
2023-07-31 / 2026-07-01
