Search academic texts

Information × Registration Number 2121U008603, Article popup.category Опубліковано, Стаття Title IMPLEMENTATION OF THE INDICATOR SYSTEM IN MODELING OF COMPLEX TECHNICAL SYSTEMS popup.author Леощенко С. Д.Субботін С. О.Олійник А. О.Нарівський О. Е.Leoshchenko S. D.Subbotin S. A.Oliinyk A. O.Narivs’kiy O. E. popup.publication 27-03-2021 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/227777 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Розглянуто задачу визначення оптимальної топології нейромоделі, що відрізняється високим рівнем логічної прозорості при моделюванні складних технічних систем. Об’єктом дослідження є процес застосування індикаторної системи для спрощення та вибору топології нейромоделі. Мета роботи полягає у розробці та використанні системи індикаторів для визначення рівню складності задачі моделювання та поступовому підборі оптимальної логічно прозорої топології нейромоделі. Метод. Запропоновано метод для підбору оптимальної, логічно прозорої топології нейронної мережі для моделювання складних технічних систем з використанням системи відповідних індикаторів. На початку метод визначає загальний рівень складності задачі моделювання та використовуючи отриману оцінку визначає спосіб подальшої оптимізації нейромоделі. Потім використовуючи дані про задачу та характеристики вхідних даних метод дозволяє отримати найбільш оптимальну структуру нейронної моделі для подальшого моделювання системи. Метод дозволяє скоротити час навчання та підвищити рівень логічної прозорості нейромоделі, що значно розширює практичне використання таких моделей, без використання нейроеволюційних методів, що можуть бути не виправдано ресурсоємними при ряді задач. Результати. Розроблений метод реалізовано та досліджено при вирішенні задачі моделювання динаміки піттінгових процесів стальних сплавів. Використання розробленого методу дозволило скоротити час навчання моделі на 22%, в залежності від використовуваних обчислювальних ресурсів. Також метод дозволило підвищити рівень логічної прозорості моделі скоротивши кількість обчислювальних вузлів на 50%, що також свідчить про прискорення та більш раціональне використання ресурсів. Висновки. Проведені експерименти підтвердили працездатність запропонованого математичного забезпечення і дозволяють рекомендувати його для використання на практиці при проектуванні топологій нейромоделей для подальшого вирішення задач моделювання, діагностування та оцінювання. Перспективи подальших досліджень можуть полягати в розробці методів структурної оптимізації попередньо синтезованих моделей та розробці нових методів відбору інформаційних ознак. popup.nrat_date 2026-02-09 Close