Аналіз можливостей нейронних мереж, що самоадаптуються, з пошуковою поведінкою в агроекологічних системах.
DOI:
https://doi.org/10.34121/1028-9763-2020-3-125-133Ключові слова:
analysis, capabilities, neuroinformatics, self-adaptation, neural networks, search behavior, agroecological systems, neuroinformation control systems, аналіз, можливості, нейроінформатика, самоадаптація, нейронні мережі, пошукова поведінка, агроекологічні системи, нейроінформаційна система управлінняАнотація
Анотація. Складність екологічних проблем, що постають перед сучасною наукою у зв’язку з погіршенням екологічної ситуації на планеті і наростанням динаміки процесів, які відбуваються, безперервно зростає (це, у першу чергу, стосується агроекологічних систем). При цьому гнучкість і точність екологічних моделей, створюваних традиційними математичними методами, а також швидкість їх побудови, на практиці нерідко не виправдовує очікувань. Теж саме можна сказати і про інженерне управління агроекологічними об'єктами. Серед найбільш гнучких і ефективних способів вирішення подібних завдань виділяються нейромережеві моделі і нейрокомп’ютери. Однак концепції, покладені в основу побудови сучасних алгоритмів навчання нейромереж, накладають серйозні обмеження на потенційний діапазон застосування досягнень нейроінформатики у вирішенні екологічних завдань агросистем. Число наукових публікацій із кардинально новими результатами неухильно знижується, і наявні розробки починають «розтікатися» згідно з додатками. Прояв подібних тенденцій вказує, що основний потенціал ідей, які зумовили чергове просування у цьому найважливішому біонічному напрямі і створення 6-го покоління комп'ютерів – нейрокомп'ютерів, вичерпується. Сучасні досягнення нейроінформатики, що грунтуються на використанні супервізорного алгоритму, пов’язані в основному з реалізованою в них можливістю використання прихованих шарів нейронів (не з'єднаних із входом і виходом), які забезпечили високі адаптивні можливості нейромереж, і універсальністю, що базується на можливості навчати нейромережі рішенням точно поставленого завдання. У даній роботі вказані основні обмеження, властиві сучасним підходам до обмеження нейронних мереж, і запропонована концепція побудови нового типу навчальних нейромережевих і мережевих алгоритмів. Описано деякі нетрадиційні можливості, надані запропонованою концепцією. Запропоновано концептуальні засади розробки нейроінформаційної системи керування електротехнічним комплексом інформаційно-технічної системи локального оперативного моніторингу.Посилання
1. McCulloch W., Pitts W. А logical calculus of the ideal imminent in nervous activity. Bull. Math.Bioplis. 1943. Vol. S. P. 115–137.
2. Rosenblatt F. Principles of neurodynamics. Baltimore, 1962. 420 p.
3. Minsky M., Papert S. Perceptrons. Cambridge, Massachusets, 1969. 380 p.
4. Hopfild J.J. Neural networks and physical systems with emergent collective computational abilities. Proc. Nat. Acad. Sci. USA. 1982. Vol. 79. P. 2554–2558.
5. Барцев С.И., Охонин В.А. Адаптивные сети обработки информации. Красноярск, 1986. 19 с. (Препринт № 59Б, Институт биофизики СОАН СССР).
6. Bartsev S.I., Okhonin V.A. Variation principle and the algorithm of dual functioning: examples of applications. Neurocomputers and attention II: connectionism and neurocomputers. Manchester and New York, 1991. P. 445–452.
7. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representatives by back-propagating errors. Nature. 1986. Vol. 323. P. 533–536.
8. Bartsev S.I., Okhonin V.A. A self-learning neural networks plain «two coins». Neurocomputers and attention II: connectionism and neurocomputers. Manchester and New York. 1991. P. 453–458.
9. Lankin J.P., Khlebopros R.G. Modeling of changes of Ecological objects with the Help of Neuron Networks. Institute of Biophysics SB RAC. Theor. Dept.; Reprint TO N2. Krasnoyarsk, 1997. 8 p.
10. Ланкин Ю.П. Самоадаптирующиеся нейронные сети. Красноярск, 1997. 21 с. (Препринт ТО № 3, Институт биофизики СО РАН. Теоротдел).
11. Ланкин Ю.П. Адаптивные сети с самостоятельной адаптацией. Красноярск, 1998. 17 с. (Препринт ТО № 4, Институт биофизики СО РАН. Теоротдел).
12. Ланкин Ю.П. Самоадаптирующиеся нейронные сети при решении экологических задач (возможности реализации поискового поведения). Инженерная экология. 1998. Т. 4. С. 2–11.
13. Охонин В.А., Смолянинова Л.Г., Абовский Н.П., Деруга А.П. Нейросетевое управление конструкциями и возможности физической реализации уравнений двойственного функционирования. Третий сибирский конгресс по прикладной и индустриальной математике, посвящѐнный памяти С.Л. Соболева (1908–1989): тезисы докладов. Новосибирск: изд-во Института математики СО РАН, 1998. T. V. С. 90.
14. Басканова Т.Ф. Алгоритмы самостоятельной адаптации для нейронных сетей. Красноярск, 1998. 14 с. (Препринт ТО № 5, Институт биофизики СО РАН. Теоротдел).
15. Kirkpatrick S., Gellat C.D., Vecchi M.D. Optimization by Stimulated Annealing. Science. 1983. Vol. 220. P. 671–680.
16. Widrow B. Adaptive Switching Circuits. IRE Wescow Couv. Record. 1960. Vol. 4. P. 96–104.
17. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования. М.: Статистика, 1979. 252 с.
18. Троханяк В.І. Система енергозбереження у пташниках із використанням низькопотенціальної енергії ґрунту. К.: ЦП «Компрінт», 2018. 386 с.
Стаття надійшла до редакції 25.02.2020
135
84Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Математичні машини і системи
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
