To see the other types of publications on this topic, follow the link: Сети LSTM.
Journal articles on the topic 'Сети LSTM'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the top 50 journal articles for your research on the topic 'Сети LSTM.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Browse journal articles on a wide variety of disciplines and organise your bibliography correctly.
1
Кенесов, Ерлан. "ПРОГНОЗИРОВАНИЕ НАГРУЗОК В ЭЛЕКТРИЧЕСКИХ СЕТЯХ С ИСПОЛЬЗОВАНИЕМ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ В УСЛОВИЯХ НЕДОСТАТОЧНОСТИ ИНФОРМАЦИИ О ПАРАМЕТРАХ ПОТРЕБЛЕНИЯ". Вестник Алматинского университета энергетики и связи 4, № 63 (2023): 5–18. http://dx.doi.org/10.51775/2790-0886/_2023_63_4_5.
Full textAbstract:
Эффективное планирование и управление ЭЭС существенно зависит от точных прогнозов электрических нагрузок на различных этапах ведения режимов ЭЭС. В условиях постоянного роста потребления электроэнергии и изменяющихся климатических условий в электрических сетях нефтегазового комплекса задача разработки точных и надежных методов прогнозирования становится все более критичной. Одним из перспективных направлений и мощным инструментом для решения таких задач в последнее десятилетие стали нейронные сети, выполняющие прогнозирование электрических нагрузок на основе методов обучающихся систем. В данной статье предложено использование модели рекуррентной нейронной сети с долговременной памятью (LSTM – Long-Short Term Memory) для прогнозирования электрических нагрузок. Преимущество этого метода состоит в том, что, в сравнении с существующими методами, LSTM способен учитывать и моделировать долгосрочные зависимости временных рядов за счет наличия в модели ячейки памяти, которая позволяет выявлять неявные корреляции в данных потребления. Практическое значение данного метода заключается в том, что предлагаемая модель апробирована на реальном наборе данных подстанции 220 кВ. Произведено сравнение модели прогнозирования на основе нейронной сети LSTM со статистическим методом прогнозирования ARIMA, результаты показали среднюю абсолютную процентную ошибку (MAPE – Mean Absolute Percentage Error) 5,57% для модели LSTM и 17,087% для модели ARIMA соответственно.
2
Кенесов, Ерлан, Даниил Васильев, Кармель Тохтибакиев та Азамат Ильясов. "ПРОГНОЗИРОВАНИЕ НАГРУЗОК В ЭЛЕКТРИЧЕСКИХ СЕТЯХ С ИСПОЛЬЗОВАНИЕМ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ В УСЛОВИЯХ НЕДОСТАТОЧНОСТИ ИНФОРМАЦИИ О ПАРАМЕТРАХ ПОТРЕБЛЕНИЯ". Вестник Алматинского университета энергетики и связи 4, № 63 (2023): 5–18. http://dx.doi.org/10.51775/2790-0886_2023_63_4_5.
Full textAbstract:
Эффективное планирование и управление ЭЭС существенно зависит от точных прогнозов электрических нагрузок на различных этапах ведения режимов ЭЭС. В условиях постоянного роста потребления электроэнергии и изменяющихся климатических условий в электрических сетях нефтегазового комплекса задача разработки точных и надежных методов прогнозирования становится все более критичной. Одним из перспективных направлений и мощным инструментом для решения таких задач в последнее десятилетие стали нейронные сети, выполняющие прогнозирование электрических нагрузок на основе методов обучающихся систем. В данной статье предложено использование модели рекуррентной нейронной сети с долговременной памятью (LSTM – Long-Short Term Memory) для прогнозирования электрических нагрузок. Преимущество этого метода состоит в том, что, в сравнении с существующими методами, LSTM способен учитывать и моделировать долгосрочные зависимости временных рядов за счет наличия в модели ячейки памяти, которая позволяет выявлять неявные корреляции в данных потребления. Практическое значение данного метода заключается в том, что предлагаемая модель апробирована на реальном наборе данных подстанции 220 кВ. Произведено сравнение модели прогнозирования на основе нейронной сети LSTM со статистическим методом прогнозирования ARIMA, результаты показали среднюю абсолютную процентную ошибку (MAPE – Mean Absolute Percentage Error) 5,57% для модели LSTM и 17,087% для модели ARIMA соответственно.
3
Хужаяров, Илёс, та Маннон Очилов. "Разработка языковой модели на основе искусственных нейронных сетей для узбекского языка". Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий 7, № 3 (2024): 76–83. http://dx.doi.org/10.62132/ijdt.v7i3.199.
Full textAbstract:
Целью этой исследовательской работы является разработка модели узбекского языка с использованием искусственных нейронных сетей для улучшения возможностей обработки естественного языка (NLP). В статье классифицированы различные методы создания языковых моделей и представлены этапы проектирования языковой модели с использованием таких архитектур, как рекуррентные нейронные сети (RNN) и сети долгой краткосрочной памяти (LSTM). Также обсуждается индекс оценки моделей нейронного языка. Дополнительно выделены особенности текстовой базы, использованной для создания языковой модели, предлагаемая архитектура нейронной сети, гиперпараметры нейронной сети и полученные результаты.
4
Nguyen, A., та Y. Sidorov. "РЕКУРРЕНТНАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ ОБРАБОТКИ БОЛЬШИХ ТЕКСТОВЫХ ДАННЫХ". Системи управління, навігації та зв’язку. Збірник наукових праць 4, № 50 (2018): 135–38. http://dx.doi.org/10.26906/sunz.2018.4.135.
Full textAbstract:
Предметом изучения статьи являются нейронные сети, а именно рекуррентные нейронные сети, отличающиеся способностью запоминания данных, а также программные библиотеки для их реализации. Целью работы является анализ нейронной сети Хопфилда, сетей Элмана и Джордана, эхо-сети, рекурсивной сети и рекуррентной сети с долгой краткосрочной памятью для непосредственного определения оптимальной архитектуры сети. А также анализ следующих программных библиотек: CNTK, Theano, Gluon, TensorFlow. Задачи: провести сравнение по направленности применения и возможностям работы с большими текстовыми данными вышеперечисленных рекуррентных нейронных сетей, определить какая из рассматриваемых программных библиотек является оптимальной и быстродейственной для разработки рекуррентной нейронной сети. Методом проведения исследования является нагрузочное тестирование программных комплексов в одинаковых аппаратных условиях, с использованием одинакового набора данных. По итогу работы получены результаты: платформой для интеграции технологий выбрано приложение для обработки текстовых данных большого объема и их резюмирования, а именно проект интерактивной среды написания литературы, созданный с использованием .NET, который позволяет автоматически резюмировать текст по определенным критериям. Для анализа производительности программных библиотек был рассмотрен тест на основе обучения и использования рекуррентных сетей с LSTM-модулями на тестовом наборе данных, с использованием всех исследуемых библиотек. Выводы: В качестве наиболее оптимального архитектурного подхода стоит считать использование LSTM-модулей, которые решают проблему затухающего градиента. Благодаря этому сети, основанные на этом подходе, показывают наилучшие результаты при работе с долгосрочными зависимостями в данных, что является крайне важным фактором при обработке текстовых данных. По результатам тестов производительности можно сказать, что наиболее оптимизированными для работы с рекуррентными архитектурами являются программные библиотеки CNTK и Gluon. При обучении они демонстрируют скорость, превосходящую производительность TensorFlow и Theano на 10-60%.
5
Маловецкая, Екатерина Викторовна. "THE POSSIBILITY OF USING A TEMPORARY NEURAL NETWORK TO PREDICT THE INCOMING CAR TRAFFIC." Транспорт: Наука, техника, управление, no. 11 (July 2, 2024): 43–52. http://dx.doi.org/10.36535/0236-1914-2023-11-6.
Full textAbstract:
В работе представлен обзор современных моделей временных рядов глубокого обучения, а также их применение для прогнозирования элементов железнодорожной сети. Рассмотрены глубокие последовательные модели, а именно глубокая нейронная сеть (Deep Neural Network DNN), долговременная кратковременная память (Long ShortTerm Memory LSTM) и традиционная временная нейронная сеть (TCNN) вместе с приложениями для прогнозирования данных временных рядов. Осуществлено сравнение исследуемых моделей с точки зрения областей применения, структуры и функций активации. Рассмотрена возможность использования традиционной временной нейронной сети (TCNN) для прогнозирования поступающего вагонопотока на стыковые пункты Восточного полигона на примере стыкового пункта Тайшет. This paper presents an overview of modern time series models of deep learning, as well as their application for forecasting elements of the railway network. Deep sequential models, namely Deep Neural Network (DNN), Long-term shortТerm Memory (LSTM) and traditional temporal neural network (TCNN), together with their applications for predicting time series data, are considered. The possibility of using a traditional time neural network (TCN) to predict the incoming car traffic to the junction points of the Eastern Polygon was considered. Such models were compared in terms of application areas, model structure and activation functions. The possibility of using a traditional time neural network (TCN) to predict the incoming car traffic to the junction points of the Eastern polygon was considered on the example of the Taishet junction point.
6
АБДУРАКИПОВ, С. С., and Е. Б. БУТАКОВ. "ON A METHOD OF CONTROLLING THE HEATER BY USING NEURAL NETWORKS." Автометрия 60, no. 2 (2024): 109–18. http://dx.doi.org/10.15372/aut20240213.
Full textAbstract:
Исследуется возможность применения нейронной сети долгой краткосрочной памяти (Long short-term memory, LSTM) для моделирования работы ПИД-регулятора. Реализован программный ПИД-регулятор для управления нагревателем с датчиком температуры на микроконтроллере Arduino, и разработана LSTM-модель, обученная на данных регулятора. Показано, что модель нейронной сети хорошо воспроизводит работу регулятора и может его полностью заменить при наличии многократно большего, но достаточного времени обработки данных. Продемонстрирована возможность использования данной модели в качестве детектора аномальной работы ПИД-регулятора. The paper studies the possibility of using a long short-term memory (LSTM) neural network to simulate the operation of a PID controller. A PID regulator has been implemented to control a heater with a temperature sensor by using the Arduino framework. An LSTM model trained on the controller data has been developed. It is shown that the neural network model quite accurately reproduces the regulator operation and can completely replace it. In addition, the applicability of this model as a detector of abnormal operation of the PID controller is shown.
7
Таганова, Г., Д. А. Тусупов, А. Назырова, А. А. Абдилдаева та Т. Ж. Ермек. "КРАТКОСРОЧНЫЙ ПРОГНОЗ ВЫРАБОТКИ ЭЛЕКТРОЭНЕРГИИ ФОТОЭЛЕКТРИЧЕСКИМИ ЭЛЕКТРОСТАНЦИЯМИ ПУТЕМ СРАВНЕНИЯ МОДЕЛЕЙ LSTM И MLP". Physico-mathematical series, № 3 (30 вересня 2024): 190–202. http://dx.doi.org/10.32014/2024.2518-1726.300.
Full textAbstract:
В современном мире эффективное управление электрическими сетями невозможно без достижения энергетического баланса между производством и потреблением электроэнергии. Стабильность работы электросетей напрямую зависит от способности операторов сети точно прогнозировать производство энергии, особенно когда речь идет о фотоэлектрических установках. Эти источники энергии, активно интегрируемые в электрические сети, подвержены влиянию множества факторов, в том числе и изменчивых погодных условий, что делает задачу прогнозирования особенно сложной. В рамках данного исследования была предпринята попытка повысить точность прогнозирования выходной мощности фотоэлектрической системы мощностью 20 кВт, собрав и анализировав данные о погодных условиях и производстве энергии за типичный год, охватывающий все четыре сезона. Особое внимание было уделено оценке двух методов машинного обучения: долгосрочной памяти (LSTM) и многослойного персептрона (MLP), которые были выбраны из-за их потенциала в обработке и анализе временных рядов данных. Результаты исследования демонстрируют высокую эффективность обоих методов в прогнозировании выходной мощности фотоэлектрических систем, что открывает новые возможности для улучшения управления электрическими сетями. Использование LSTM и MLP позволяет не только точно прогнозировать производство энергии, но и способствует оптимизации загрузки сети, минимизации потерь и повышению общей эффективности электроэнергетической системы. Важно отметить, что успех применения этих моделей зависит от качества и объема собранных данных, а также от тщательности подготовки данных к анализу. Исследование подчеркивает значимость интеграции передовых технологий машинного обучения в сферу управления энергетическими системами, предлагая практические рекомендации для энергетических компаний и операторов электросетей.
8
Шыхалиев, Рамиз. "ОБ ОДНОМ МЕТОДЕ ИНТЕЛЛЕКТУАЛЬНОГО ПРОАКТИВНОГО МОНИТОРИНГА КОМПЬЮТЕРНЫХ СЕТЕЙ". Problems of Information Technology 12, № 2 (2021): 41–52. http://dx.doi.org/10.25045/jpit.v12.i2.04.
Full textAbstract:
В статье предлагается метод для интеллектуального проактивного мониторинга компьютерных сетей (КС). Для обеспечения проактивности мониторинга КС предлагается использовать методы искусственного интеллекта, в частности глубокого обучения (ГО). Традиционные системы мониторинга в основном не имеют функции проактивного мониторинга. Несмотря на то, что сегодня в КС имеются достаточные вычислительные мощности, полосы пропускания и объемы памяти, все же идентификация важных событий среди огромных объемов данных мониторинга остается проблемой. Следовательно, несвоевременное обнаружение проблем КС может привести к перебоям в работе сети, предоставлении сетевых услуг и снижению безопасности КС. В отличие от традиционного мониторинга, интеллектуальный проактивный мониторинг может предоставлять больше информации о состоянии КС. Проактивность мониторинга КС основывается на прогнозировании поведения сети. При этом одним из основных требований для интеллектуального проактивного мониторинга КС является точность прогнозов, которая характеризует способность метода прогнозирования. Для достижения точности прогнозов при проактивном мониторинге КС используется однородный ансамбль, который состоит из одинокого базового алгоритма обучения. В качестве базового алгоритма обучения используется модель LSTM (Long Short-Term Memory − LSTM). Для создания базовых моделей обучения ансамбля LSTM используется «Bagging»-алгоритм. Предложенный в этой работе метод позволит обеспечить относительно высокую точность прогнозирования проблем КС, следовательно, гарантировать достаточную эффективность системы проактивного мониторинга КС.
9
Кулагина, Людмила Владимировна, та Елена Николаевна Зайцева. "ПРОГНОЗИРОВАНИЕ ГИДРОЛОГИЧЕСКОГО РЕЖИМА С ИСПОЛЬЗОВАНИЕМ СЕТИ LSTM НА ПРИМЕРЕ РЕКИ ЕНИСЕЙ". Российский журнал прикладной экологии, № 4 (27 грудня 2024): 18–22. https://doi.org/10.24852/2411-7374.2024.4.18.22.
Full textAbstract:
В статье оценивается возможность применения сетей LSTM, как дополнительного механизма прогнозирования гидрологического режима водного объекта, на примере архива данных по реке Енисей. Результаты исследования могут быть использованы при анализе и моделировании распространения последствий аварий и чрезвычайных ситуаций на крупных речных системах с наличием гидрологических постов наблюдений
10
Тормозов, В. С., та Tormozov V.S. "Адаптация модели нейронной сети LSTM для решения комплексной задачи распознавания образов". Международный журнал "Программные продукты и системы" 25 (15 березня 2021): 151–56. http://dx.doi.org/10.15827/0236-235x.133.151-156.
Full text
11
Тимофеев, А. Г., and О. Г. Лебединская. "Application of the long-term memory model (LSTM) to price forecasting under uncertainty." Экономика и предпринимательство, no. 4(141) (July 11, 2022): 1157–62. http://dx.doi.org/10.34925/eip.2022.141.4.214.
Full textAbstract:
Методы глубокого обучения оказались успешными при моделировании биржевых динамик цен и индексов. В статье рассматривается один из приемов применения сверточной нейронной сети (CNN) в сочетании с долговременной памятью (LSTM) для прогнозирования цены закрытия индекса фондового рынка. Deep learning methods have been successful in modeling stock price and index movements. The article discusses one of the methods of using a convolutional neural network (CNN) in combination with long-term memory (LSTM) to predict the closing price of a stock market index.
12
Сай, В. К. "DEEP NEURAL NETWORKS FOR PREDICTIVE MAINTENANCE." МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ 7, no. 4(27) (2019): 11–12. http://dx.doi.org/10.26102/2310-6018/2019.27.4.011.
Full textAbstract:
Глубокие нейронные сети в настоящее время становятся одним из самых популярных подходов при решении различных практических задач из самых разнообразных областей, таких как распознавание изображений и речи, обработка естественного языка, компьютерное зрение, медицинская информатика и др. В статье рассматривается возможность применения глубоких нейронных сетей при реализации проактивной стратегии технического обслуживания и ремонта (ТОиР) предсказательного технического обслуживания (Predictive maintenance, PdM). Рассмотрены различные методы построения предсказательных моделей для PdM. В настоящее время для построения предсказательных моделей для PdM наиболее перспективным представляются подходы, основанные на обработке данных с использованием глубоких нейронных сетей. Одна из причин успешного применения глубоких нейронных сетей заключается в том, что сеть автоматически выделяет из данных важные признаки, необходимые для решения задачи. Рассмотрены наиболее часто используемые нейронные сети для PdM: cеть долго-краткосрочной памяти (Long Short-Term Memory, LSTM), cвёрточная нейронная сеть (convolutional neural network, CNN) и автоэнкодер (autoencoder). Дан обзор мощных фрейворков для проектирования и обучения нейронных сетей, которые сделали возможным широкое практическое применение данной технологии. At present, deep neural networks are becoming one of the most popular approaches in solving various practical problems from a wide variety of fields, such as image and speech recognition, natural language processing, computer vision, medical informatics, etc. The article considers the possibility of using deep neural networks in the implementation of proactive maintenance strategy predictive maintenance (PdM). Various methods of constructing predictive models for PdM are considered. Currently, the data-driven approaches using deep neural networks for constructing predictive models for PdM are most promising methods. One of the reasons for the successful application of deep neural networks is that the networks automatically selects important features from the data needed to solve the problem. The most commonly used neural networks for PdM are considered: Long short-term memory (LSTM), convolutional neural networks (CNN) and autoencoders. An overview of powerful frameworks for the design and training of neural networks is given
13
Рыкшин, М. С., А. М. Бойченко, О. Ю. Миронов, and О. Я. Кравец. "DEVELOPMENT A MODEL FOR FORECASTING KEY PERFORMANCE INDICATORS IN DISTRIBUTED INFORMATION MONITORING SYSTEM WITH DECENTRALIZED STRUCTURE." СИСТЕМЫ УПРАВЛЕНИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, no. 1(87) (March 25, 2022): 36–40. http://dx.doi.org/10.36622/vstu.2022.87.1.008.
Full textAbstract:
В статье рассматривается подход к моделированию процесса прогнозирования ключевых параметров эффективности в рамках распределенной системы информационного мониторинга и управления качеством коммуникационных услуг, предоставляемых инфраструктурами «Интернета вещей» (IoT) и «Промышленного интернета вещей» (IIoT), базирующихся на решениях, поддерживающих межмашинное взаимодействие (machine-to-machine, M2M) и человеко-машинное взаимодействие (people-to-machine, P2M). В качестве методологической базы моделирования активного узла системы информационного мониторинга обосновывается выбор нейронной сети с долгой краткосрочной памятью (Long Short-Term Memory - LSTM). Приводится разработанная структура LSTM-сети, учитывающая пространственно-временную корреляцию полученных показателей в различных точках наблюдения распределенной системы информационного мониторинга. Обосновываются критерии оценивания эффективности предложенной модели для условий информационного мониторинга нестационарной нагрузки в режиме, близком к реальному времени. The article discusses an approach to modeling the process of predicting key performance parameters within distributed system of information monitoring and quality management of communication services, which provided by the Internet of Things (IoT) and the Industrial Internet of Things (IIoT) infrastructures, based on solutions that support machine-to-machine communication (machine-to-machine, M2M) and people-to-machine (P2M). The choice of a neural network with long short-term memory (LSTM) is substantiated as a methodological basis for modeling the active node of the information monitoring system. The developed structure of the LSTM-network is given, which considering the temporal-spatial correlation of the received indicators at various observation points. Criteria for evaluating the effectiveness of the proposed model for the conditions of information monitoring of non-stationary load in a real time mode are substantiated.
14
Рапаков, Г. Г., В. А. Горбунов, С. В. Дианов, and Л. В. Елизарова. "Research of the LSTM neural network approach in time series modeling." Cherepovets State University Bulletin, no. 3(114) (June 15, 2023): 47–54. http://dx.doi.org/10.23859/1994-0637-2023-3-114-4.
Full textAbstract:
В работе представлены результаты применения методов машинного обучения в задаче прогнозирования экономического временного ряда. На основе компьютерного моделирования разработана программная реализация LSTM-нейронной сети для товарной позиции из номенклатурного ряда за пятилетний период. Итоги исследования использованы при разработке корпоративной информационно-аналитической системы (ИАС). In this research, the authors present the results of the machine learning methods and algorithm application for development of LSTM neural network in order to time series modeling. Based on the application of artificial intelligence methods and five-year monitoring data a neural network software model for forecasting the time series of an economic indicator has been developed. The results were used in the corporate business intelligence system.
15
Мошкарова, Л. А., та О. А. Тельминов. "МЕТОДЫ ИЗВЛЕЧЕНИЯ АКУСТИЧЕСКИХ ПРИЗНАКОВ В ЗАДАЧЕ РАСПОЗНАВАНИЯ РЕЧИ РЕКУРРЕНТНЫМИ НЕЙРОННЫМИ СЕТЯМИ С ДОЛГОЙ КРАТКОСРОЧНОЙ ПАМЯТЬЮ". Nanoindustry Russia 13, № 5s (2021): 838–41. http://dx.doi.org/10.22184/1993-8578.2020.13.5s.838.841.
Full textAbstract:
В работе рассмотрены основные методы извлечения признаков из аудиосигнала, в том числе MFCC, PLP, PNCC. Решена задача побуквенного распознавания русской речи с помощью рекуррентной нейронной сети LSTM с выходным слоем - классификатором CTC. Проведен анализ результатов распознавания для разных акустических признаков. Установлен наиболее быстродействующий метод, а также метод, позволяющий получить наиболее точные результаты.
16
Шатагин, Д. А., М. В. Желонкин, Н. С. Клочкова та А. М. Давыдов. "Диагностика и идентификация процесса аддитивного электродугового выращивания с использованием глубоких lstm сетей". ТЕНДЕНЦИИ РАЗВИТИЯ НАУКИ И ОБРАЗОВАНИЯ 93, № 9 (2023): 112–16. http://dx.doi.org/10.18411/trnio-01-2023-465.
Full textAbstract:
В статье рассматривается метод диагностики и идентификации динамического состояния системы ―источник питания - электрическая дуга - сварочная ванна - материал‖ при аддитивном электродуговом выращивании, с использованием глубоких рекуррентных искусственных нейронных сетей. Предлагается новый критерий нелинейной динамики для оценки динамической устойчивости процесса 3D-печати электродуговой наплавкой на основе фрактального анализа сигналов мощности электрической дуги и акустической эмиссии. Разработана нейросетевая модель диагностики динамического состояния процесса электродуговой наплавки с использованием глубокой LSTM-сети.
17
Жуков, Г. А., В. Е. Михайлусь та А. В. Осадчая. "Применение нейросетей и машинного обучения в прогнозировании экономических процессов". Industrial Economics, № 4 (10 червня 2025): 18–24. https://doi.org/10.47576/2949-1886.2025.4.4.002.
Full textAbstract:
В статье детально рассмотрены теоретические и практические аспекты применения нейронных сетей и машинного обучения в экономической сфере. Описаны различные архитектуры нейронных сетей, такие как многослойные персептроны, рекуррентные нейронные сети и сети долгой краткосрочной памяти (LSTM), которые демонстрируют высокую эффективность в анализе временных рядов. Проведен сравнительный анализ данных потенциальных подходов для прогнозирования, включая регрессионные модели, деревья решений и алгоритмы объединения. Для каждого из методов обсуждаются их сильные и слабые стороны в контексте прогнозирования различных экономических индикаторов. Особое внимание уделяется важности выбора характеристик для обучения моделей и методологии их оптимизации. The article discusses in detail the theoretical and practical aspects of the application of neural networks and machine learning in the economic sphere. Various neural network architectures are described, such as multilayer perceptrons, recurrent neural networks, and long-term short-term memory (LSTM) networks, which demonstrate high efficiency in time series analysis. A comparative analysis of data from potential forecasting approaches, including regression models, decision trees, and pooling algorithms, has been conducted. For each of the methods, their strengths and weaknesses are discussed in the context of forecasting various economic indicators. Special attention is paid to the importance of choosing characteristics for training models and the methodology of their optimization.
18
Ахмед, Анас Фуад, Ихлас М. Фархан, and Абдулла Тейр Аль-Обаиди. "An Efficient Model for ECG Signal Processing and Classification Based on the Integration of CNN, LSTM, and Dual Attention Technique." Radioelectronics. Nanosystems. Information Technologies. 16, no. 8 (2024): 1065–74. https://doi.org/10.17725/rensit.2024.16.1065.
Full textAbstract:
Предлагается сквозная и эффективная модель классификации сигналов ЭКГ путем интеграции «сверточной нейронной сети (CNN)», «длинной краткосрочной памяти (LSTM)» и техники двойного внимания. Архитектура модели включает в себя блок кодера-декодера, построенный на основе LSTM, и блок двойного внимания с двумя уровнями: первый основан на сетях сжатия и возбуждения (SE), которые включены в секции CNN и отвечают за взвешивание функции Local Heartbeat Shape Pattern (LHSP), улавливаемой секциями CNN, а второй основан на схеме Багданау, которая встроена в блок кодера-декодера и отвечает за взвешивание функций Global Heartbeat (GH), улавливаемых LSTM. Предложенная модель позволяет извлечь отличительные особенности, которые балансируют локальную и глобальную информацию для оптимизации диагностики сигналов ЭКГ. Представленный подход превосходит предыдущие методы, описанные в литературе, и сравним с работой кардиолога. Представленная модель достигла следующих показателей F1: 99.12%, 99.89%, 96.48% и 99.89% для классификации комплексов F, V, S и N соответственно.
19
Fedotova, I. V., and M. K. O. Manafov. "GENERATION OF PERCUSSION INSTRUMENT PARTS USING A NEURAL NETWORK." Applied Mathematics and Fundamental Informatics 7, no. 3 (2020): 029–37. http://dx.doi.org/10.25206/2311-4908-2020-7-3-29-37.
Full textAbstract:
This article discusses the automation of the process of creating batches of percussion instruments using a neural network. The LSTM neural network for generating drum parts is considered as a tool. The results of the conducted studies allow us to conclude that despite the ability of the LSTM neural network to generate percussion instrument parts with a stable rhythm, the quality of the generated parts is inferior to the quality of human-made parts.
20
Паршин, А. И., М. Н. Аралов, В. Ф. Барабанов, and Н. И. Гребенникова. "RANDOM MULTI-MODAL DEEP LEARNING IN THE PROBLEM OF IMAGE RECOGNITION." ВЕСТНИК ВОРОНЕЖСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА, no. 4 (October 20, 2021): 21–26. http://dx.doi.org/10.36622/vstu.2021.17.4.003.
Full textAbstract:
Задача распознавания изображений - одна из самых сложных в машинном обучении, требующая от исследователя как глубоких знаний, так и больших временных и вычислительных ресурсов. В случае использования нелинейных и сложных данных применяются различные архитектуры глубоких нейронных сетей, но при этом сложным вопросом остается проблема выбора нейронной сети. Основными архитектурами, используемыми повсеместно, являются свёрточные нейронные сети (CNN), рекуррентные нейронные сети (RNN), глубокие нейронные сети (DNN). На основе рекуррентных нейронных сетей (RNN) были разработаны сети с долгой краткосрочной памятью (LSTM) и сети с управляемыми реккурентными блоками (GRU). Каждая архитектура нейронной сети имеет свою структуру, свои настраиваемые и обучаемые параметры, обладает своими достоинствами и недостатками. Комбинируя различные виды нейронных сетей, можно существенно улучшить качество предсказания в различных задачах машинного обучения. Учитывая, что выбор оптимальной архитектуры сети и ее параметров является крайне трудной задачей, рассматривается один из методов построения архитектуры нейронных сетей на основе комбинации свёрточных, рекуррентных и глубоких нейронных сетей. Показано, что такие архитектуры превосходят классические алгоритмы машинного обучения The image recognition task is one of the most difficult in machine learning, requiring both deep knowledge and large time and computational resources from the researcher. In the case of using nonlinear and complex data, various architectures of deep neural networks are used but the problem of choosing a neural network remains a difficult issue. The main architectures used everywhere are convolutional neural networks (CNN), recurrent neural networks (RNN), deep neural networks (DNN). Based on recurrent neural networks (RNNs), Long Short Term Memory Networks (LSTMs) and Controlled Recurrent Unit Networks (GRUs) were developed. Each neural network architecture has its own structure, customizable and trainable parameters, and advantages and disadvantages. By combining different types of neural networks, you can significantly improve the quality of prediction in various machine learning problems. Considering that the choice of the optimal network architecture and its parameters is an extremely difficult task, one of the methods for constructing the architecture of neural networks based on a combination of convolutional, recurrent and deep neural networks is considered. We showed that such architectures are superior to classical machine learning algorithms
21
Олисеенко, Валерий Дмитриевич, Максим Викторович Абрамов та Александр Львович Тулупьев. "Нейронные сети lstm и gru в приложении к задаче многоклассовой классификации текстовых постов пользователей социальных сетей". Вестник ВГУ. Серия: Системный анализ и информационные технологии, № 4 (18 грудня 2021): 130–41. http://dx.doi.org/10.17308/sait.2021.4/3803.
Full textAbstract:
В данной статье рассмотрены две архитектуры нейронных сетей глубинного обучения — long short-term memory (LSTM) и gated recurrent units (GRU). Данные модели предлагается применить к задаче многоклассовой классификации постов пользователей социальных сетей, при этом результаты классификации используются для построения эмпирического распределения постов пользователя между классами, которое, в свою очередь, применяется в частичной автоматизации процесса оценки степени выраженности психологических особенностей пользователей. Целью исследования является повышение точности многоклассовой классификации постов пользователей посредством разработки и внедрения новых моделей второго уровня иерархического классификатора. Теоретическая значимость исследования заключается в построении новых более точных моделей классификации, которые лягут в основу моделей оценки выраженности личностных особенностей пользователей. Практическая значимость заключается в улучшении автоматизированной системы классификации постов, которая дополнит существующий прототип программы для анализа защищенности пользователей от социоинженерных атак. Новизна результата заключается в создании нового способа решения актуальной задачи автоматизированной классификации постов, позволяющего достигать большей точности классификации по отношению к существующим ранее способам. Лучший результат классификации показала модель на основе архитектуры LSTM (F1-micro 0.766, F1-macro 0.734, Accuracy 0.793).
22
Шутова, Д. Ю., та Е. А. Павлова. "ВОЗМОЖНОСТИ НЕЧЕТКО-ЛОГИЧЕСКИХ МЕТОДОВ ДЛЯ УПРАВЛЕНИЯ РЕГИОНАЛЬНЫМИ ИННОВАЦИОННЫМИ СИСТЕМАМИ". Management Accounting, № 12 2022 (10 грудня 2022): 150–57. http://dx.doi.org/10.25806/uu12-12022150-157.
Full textAbstract:
Охарактеризованы современные региональные инновационные процессы, выявлены их специфические черты и особенности реализации. Определены основные факторы развития таких систем и отмечены ключевые аспекты, оказывающие влияние на развитие и эффективное управление региональной инновационной системой. Обоснована необходимость межорганизационного кооперационного взаимодействия региональных субъектов на основе ИКТ и принципов цифровой экономики. Рассмотрены существующие методы по управлению развитием инновационных систем, описаны основные особенности инструментов, которые используются при управлении инновационными процессами в рамках нейросетевого подхода. Рассмотрены возможности прогнозирования на основе анализа временных рядов с помощью рекуррентных нейронных сетей, среди которых выделены LSTM сети.
23
Шестаков, Д. А., Г. В. Шагрова, В. Г. Струкова, and В. А. Доронин. "Smoke recognition model in an open area using a convolutional and recurrent neural network." МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ 11, no. 1(40) (2023): 27–28. http://dx.doi.org/10.26102/2310-6018/2023.40.1.027.
Full textAbstract:
Своевременное обнаружение источника возгорания является важным вопросом защиты людей, животных и обширных территорий от пожаров. Актуальность исследования обусловлена тем, что существующие системы визуального обнаружения дыма имеют ряд недостатков, которые не позволяют эффективно применять их на практике. Система наблюдения должна полагаться на визуальные характеристики, и часто ошибочно определяет туман и облака как дым. Целью исследования является повышение эффективности обнаружения дыма за счет использования усовершенствованной модели детектора дыма на основе нейронной сети «You-Only-Look-Once» и классификатора с долговременной кратковременной памятью (LSTM). Основными задачами исследования являются: структурное описание предлагаемой модели обнаружения дыма, математическое описание обучаемой модели и проведение сравнительного анализа с существующими моделями нейронных сетей. Путем изменения структуры LSTM достигается уменьшение количества слоев и ячеек, сохраняется производительность исходной LSTM. Предложенный метод обеспечивает уменьшение количества параметров в несколько раз и более быстрое время обработки на используемом наборе данных. В статье приводятся результаты производительности систем искусственного интеллекта для сравнительного анализа кандидатов нейронных сетей в модель распознавания дыма. Timely detection of the source of ignition is an important issue of protecting people, animals and vast territories from fires. The relevance of this study is due to the fact that the existing visual smoke detection systems have a number of disadvantages that do not allow them to be effectively applied in practice. The surveillance system must rely on visual characteristics and often mistakenly identifies fog and clouds as smoke. The aim of this study is to increase the efficiency of smoke detection by using an advanced smoke detector model based on the "You-Only-Look-Once" neural network and a classifier with long-term short-term memory (LSTM). The main objectives of the study are structural description of the proposed smoke detection model, mathematical description of the trained model and comparative analysis with existing neural network models. By changing the structure of the LSTM, a reduction in the number of layers and cells is achieved, and the performance of the original LSTM is maintained. The proposed method provides a reduction in the number of parameters by several times and a faster processing time on the data set used. The article presents the results of the performance of artificial intelligence systems for a comparative analysis of neural network candidates in the smoke recognition model.
24
Kozelov, Boris V. "Prediction of solar activity time series using LSTM artificial neural network." Transactions of the Kоla Science Centre. Series: Natural Sciences and Humanities 2, no. 2/2023 (2023): 19–24. http://dx.doi.org/10.37614/2949-1185.2023.2.2.003.
Full textAbstract:
A numerical model for predicting the parameters of solar activity — the number of sunspots R and the radioflux at a wave of 10.7 cm F10.7 ahead for 27 days — has been built. The numerical model uses an artificial neural network (NN) with LSTM (Long short-term memory) layers. For both the number of sunspots and the radioflux, the model predicts the levels and limits of variation of the values for 27 days. The average absolute prediction error of the model is less than 6 %. The real-time model is implemented on the site http://aurora.pgia.ru and can be an addition to long-term forecasts of other INTERNET resources.
25
Минаев, Владимир Александрович, Евгений Сергеевич Поликарпов, and Александр Валерьевич Симонов. "APPLICATION OF DEEP NEURAL NETWORKS TO IDENTIFY DESTRUCTIVE CONTENT IN SOCIAL MEDIA." ИНФОРМАЦИЯ И БЕЗОПАСНОСТЬ, no. 3(-) (October 19, 2021): 361–72. http://dx.doi.org/10.36622/vstu.2021.24.3.004.
Full textAbstract:
Цель исследования состоит в разработке методики и поиске эффективного алгоритма выявления деструктивного контента в кратких публикациях и комментариях в социальных медиа. Проведен обзор существующих решений для выявления деструктивного контента, описаны их преимущества и недостатки в контексте решаемой задачи. Сформированы составные экспериментальные корпуса текстов по темам: реабилитация нацизма, антисемитизм, радикальный ислам. Проведена нормализация корпусов, используя методы стемминга и лемматизации. Осуществлена операция векторизации нормализованных корпусов методами мешка слов (BoW), TF-IDF и слоем искусственных нейронных сетей (ИНС). Построены архитектуры глубинных ИНС: сверточной нейронной сети (CNN), рекуррентной нейронной сети с долгой краткосрочной памятью (LSTM), рекуррентной нейронной сети с механизмом вентилей (GRU). Проведены эксперименты по классификации сформированных корпусов текстов с использованием созданных ИНС и традиционных методов машинного обучения. Произведена интерпретация полученных результатов экспериментов и обосновано применение глубинных ИНС при решении поставленной задачи. Сделан вывод о целесообразности использования полученных результатов структурами, занятыми выявлением и удалением деструктивного контента. The purpose of the research is to develop a methodology and search for an effective algorithm for identifying destructive content in short publications and comments in social media. The review of existing solutions for identifying destructive content is carried out, their advantages and disadvantages are described in the context of the problem being solved. Composite experimental corpuses of texts on the following topics were formed: rehabilitation of Nazism, anti-Semitism, and radical Islam. The normalization of the cases was carried out using the methods of stemming and lemmatization. The operation of vectorization of normalized corpora by the methods of a bag of words (BoW), TF-IDF and a layer of artificial neural networks (INS) is carried out. The architectures of deep INS are constructed: convolutional neural network (CNN), recurrent neural network with long short-term memory (LSTM), recurrent neural network with a gate mechanism (GRU). Experiments were conducted on the classification of the generated text corpora using the created INS and traditional machine learning methods. The interpretation of the obtained experimental results is made and the use of deep INS in solving the problem is justified. The conclusion is made about the expediency of using the obtained results by structures engaged in identifying and removing destructive content.
26
Kotenko, I. V., and M. V. Melnik. "APPLICATION OF A HYBRID NEURAL NETWORK AE-LSTM FOR ANOMALIESb DETECTION IN CONTAINER SYSTEMS." IZVESTIYA SFedU. ENGINEERING SCIENCES, no. 5 (November 13, 2024): 38–47. https://doi.org/10.18522/2311-3103-2024-5-38-47.
Full text
27
Buevich, A. G., A. P. Sergeev, A. V. Shichkin, E. M. Baglaeva, I. E. Subbotina, and A. S. Butorova. "A hybrid model based on an artificial neural network with a long chain of short-term memory elements and a discrete wavelet transform for predicting surface methane content in the Arctic area." Arctic: Ecology and Economy 13, no. 3 (2023): 428–36. http://dx.doi.org/10.25283/2223-4594-2023-3-428-436.
Full textAbstract:
The study of the dynamics of greenhouse gases in the Arctic regions of the planet is becoming increasingly important. Such studies are especially relevant due to the climate change observed in this region. The paper propose a hybrid model that combines wavelet transformation of the original data and an artificial neural network with a long chain of short-term memory (LSTM) elements to predict changes in the surface methane concentration in the Arctic latitudes. The methane concentration time series via a discrete wavelet transform was decomposed into four components — one approximating and three detailing ones. These components were used to train the LSTM network. The forecast was calculated as the sum of forecasts for each of the components. Three predictive models were built. In the first, the LSTM network was trained in a non-linear autoregressive mode. The second one was a combination of discrete wavelet transform with LSTM neural network. An additional model based on a non-linear autoregressive neural network (NAR) was also used for comparison. The work is based on data from environmental monitoring of greenhouse gases on Bely Island, Yamalo-Nenets Autonomous Area of Russia. The initial data for building the proposed model were obtained within July-August 2017. The accuracy of the forecast was assessed using several indicators. The hybrid model based on LSTM showed the best accuracy.
28
Вялкова, Светлана Александровна, Иван Иванович Надтока та Фируз Додарджонович Махмадджонов. "Краткосрочное прогнозирование активной мощности энергосистемы Республики Таджикистан с использованием нейронных сетей". ИЗВЕСТИЯ ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЙ. ЭЛЕКТРОМЕХАНИКА 66, № 3 (2023): 78–83. http://dx.doi.org/10.17213/0136-3360-2023-3-78-83.
Full textAbstract:
Введение. Проанализированы графики среднесуточных значений активной мощности и температуры воздуха энергосистемы Республики Таджикистан за 2020 и 2021 гг. Исследованы взаимосвязи активной мощности с температурой воздуха в нормальных режимах работы энергосистемы.
 Цели и задачи. Для повышения качества диспетчерского управления и планирования балансов мощности разработана новая модель краткосрочного прогнозирования электропотребления.
 Методы и результаты. Предложена математическая модель для краткосрочного прогнозирования суточных графиков активной мощности энергосистемы с учетом температуры воздуха на основе нейронной сети с долгосрочной памятью LSTM. Представленный вариант модели позволил найти зависимость между активной мощностью и температурой воздуха при помощи особой разновидности архитектуры. Выполнено прогнозирование суточных графиков активной мощности.
 Заключение. Результаты тестирования разработанной прогнозной модели в течение месяца для августа 2020 и 2021 гг. показали, что абсолютные процентные ошибки не превышают 3,5 %.
29
Уздяев, М. Ю., Д. М. Дударенко, and В. Н. Миронов. "Method of human emotion recognition through analysis of body motor activity in video stream using neural networks." МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ 9, no. 1(32) (2021): 4–5. http://dx.doi.org/10.26102/2310-6018/2021.32.1.004.
Full textAbstract:
В данной статье рассматривается применение различных нейросетевых моделей для решения задачи распознавания эмоций по двигательной активности его тела на кадрах видеопотока без сложной предварительной обработки этих кадров. В работе рассматриваются трехмерные сверточные нейронные сети: Inception 3D (I3D), Residual3D (R3D), а также сверточно-рекуррентные нейросетевые архитектуры, использующие сверточную нейронную сеть архитектуры ResNet и рекуррентные нейросети архитектур LSTM и GRU (ResNet+LSTM, ResNet+GRU), которые не требуют предварительной обработки изображений или видеопотока и при этом потенциально позволяют достичь высокой точности распознавания эмоций. На основе рассмотренных архитектур предложен метод распознавания эмоций человека по двигательной активности тела в видеопотоке. Обсуждаются архитектурные особенности используемых моделей, способы обработки моделями кадров видеопотока, а также результаты распознавания эмоций по следующим метрикам качества: доля верно распознанных экземпляров (accuracy), точность (precision), полнота (recall). Результаты апробации предложенных в работе нейросетевых моделей I3D, R3D, ResNet+LSTM, ResNet+GRU на наборе данных FABO показали высокое качество распознавания эмоций по двигательной активности тела человека. Так, модель R3D показала лучшую долю, верно, распознанных экземпляров, равную 91%. Другие предложенные модели: I3D, ResNet+LSTM, ResNet+GRUпоказали 88%, 80% и 80% точность распознавания соответственно. Таким образом, согласно полученным результатам экспериментальной оценки предложенных нейросетевых моделей, наиболее предпочтительными для использования при решении задачи распознавания эмоционального состояния человека по двигательной активности с точки зрения совокупности показателей точности классификации эмоций являются трехмерные сверточные модели I3Dи R3D. При этом, предложенные модели, в отличие от большинства существующих решений позволяют реализовывать распознавание эмоций на основе анализа RGB кадров видеопотока без выполнения их предварительной ресурсозатратной обработки, а также с высокой точностью выполнять распознавание эмоций в реальном масштабе времени. This paper considers application of various neural network models for solution of the problem, which consists in emotion recognition through motor activity of a human body in the frames of video stream without complex preprocessing of these frames. The paper considers some convolutional neural networks: Inception 3D (I3D), Residual 3D (R3D), as well convolutional-recurrent neural network architectures LSTM and GRU (ResNet+LSTM, ResNet+GRU), which do not require image or video stream preprocessing, thereby potentially providing for high accuracy in emotion recognition. On the basis of the architectures considered, a method of human emotion recognition through analysis of body motor activity in video stream is proposed. Architectural specifics of the proposed models are discussed, as well the approaches to processing of frames in the stream within these models and emotion recognition results according to the following quality metrics: the share of correctly recognized instances (accuracy), precision, recall. The results of approbation with the neural network models I3D, R3D, ResNet+LSTM, ResNet+GRU, proposed in the paper, based on the FABO dataset showed high fidelity of emotion recognition through motor activity of human body. So, the model R3D performed better, its accuracy amounted to 91%. Other proposed models: I3D, ResNet+LSTM, ResNet+GRU showed 88%, 80% and 80% recognition accuracy, respectively. Hence, according to the obtained results of the experimental evaluation of proposed neural network models, the most promising options for solution of the problem, which consists in emotion recognition through motor activity of a human body in the frames of video stream in terms of overall accuracy/precision/recall metrics, are the three-dimensional convolutional models I3D and R3D. With that, the proposed models, contrary to most of the existing solutions, allow to implement emotion recognition based on the analysis of the RGB frames in video stream without prior resource-intensive processing of them, as well enable high-fidelity emotion recognition in real-time mode.
30
Иванов, Д. В., А. А. Кислицын, Н. А. Конкин, А. С. Елчанинова та А. А. Чернов. "Специализированная нейронная сеть для прогнозирования параметров широкополосных трансионосферных радиоканалов в составе интеллектуального сенсора". Vestnik of Volga State University of Technology. Series Radio Engineering and Infocommunication Systems, № 4(60) (16 лютого 2024): 50–63. https://doi.org/10.25686/2306-2819.2023.4.50.
Full textAbstract:
Развит подход к синтезу специальной рекуррентной нейронной сети для задачи прогнозирования полосы когерентности трансионосферных радиоканалов. Создан алгоритм подготовки данных и обучения нейронной сети. Валидация разработанной нейросети выполнена на данных натурных экспериментов, проведённых с помощью пассивных радиосенсоров глобальных навигационных спутниковых систем при использовании фазовых и кодовых измерений. Экспериментально показана достигаемая высокая точность прогноза. Introduction. Artificial intelligence (AI) stands as a pivotal technology in satellite communications and radio navigation, contributing significantly to enhancing user experiences and optimizing communication stability. The urgent need for reliable coherence band prediction methods to ensure stable radiocommunication over transionospheric radio channels underscores the importance of developing more accurate and faster approaches using artificial intelligence. The aim of the work is to develop methods for analyzing and predicting the dynamics of coherence bands of wideband transionospheric radio channels using artificial neural networks. Data preparation and neural network training algorithm. The processing of data and the training of neural network models were conducted in the Python programming language, utilizing the Keras framework and the Tensorflow library. Auxiliary operations were performed using the numpy and pandas packages. Findings. The study scrutinizes the potential of employing existing neural networks in forecasting tasks for radio communication systems, drawing conclusions about the applicability of recurrent neural networks using fully connected and LSTM layers. The development of the method involved intelligent analysis of data from passive radio sensors in the Global Navigation Satellite System (GNSS) network. An algorithm for data preparation and training a neural network model for predicting the coherence band has been devised with the use of Keras Tuner library. This algorithm optimizes hyperparameters of the neural network in a given space, enhancing accuracy during training and validation. Conclusion. The resulting architecture of the neural network, based on hyperparameter selection, includes: an input layer (9,1); 1 LSTM layer with 260 neurons; 2 LSTM layer with 184 neurons; 1 Dense layer with 184 neurons (SeLU); 2 Dense layer with 152 neurons (SeLU); 3 Dense layer with 152 neurons (SeLU); 4 Dense layer with 80 neurons (SeLU); 5 Dense layer with 32 neurons (SeLU); Output Dense layer with 1 neuron; Optimizer: Adam, learning rate = 0.001. With an average Mean Absolute Percentage Error (MAPE) metric of 3.3%, the accuracy of model training and validation was notable. Experimental tests of the predicted coherence band, based on the synthesized neural network structure, resulted in a final accuracy of 18.2 MHz for Mean Absolute Error (MAE), an R2 coefficient of determination of 0.89, and a Mean Absolute Percentage Error (MAPE) of 6%.
31
Chumakova, Ekaterina V., Dmitry G. Korneev, and Mikhail S. Gasparian. "An approach to the design of a neural network for the formation of an individual trajectory of knowledge testing." Journal Of Applied Informatics 17, no. 5 (2022): 102–15. http://dx.doi.org/10.37791/2687-0649-2022-17-5-102-115.
Full textAbstract:
The paper discusses the issues of implementing an adaptive testing system based on the use of artificial neural network (INS) modules, which should solve the problem of intelligent choice of the next question, forming an individual testing trajectory. The aim of the work is to increase the accuracy of the INS to form the level of complexity of the next test question for two types of architectures – direct propagation (FNN – Feedforward Neural Network) and recurrent with long-term short-term memory (LSTM – Long-Short Term Memory). The data affecting the quality of training are analyzed, the architectures of the input layer of the direct propagation INS are considered, which have significantly improved the quality of neural networks. To solve the problem of choosing the thematic block of the question, a hybrid module structure is proposed, including the INS itself and a software module for algorithmic processing of the results obtained from the INS. A study of the feasibility of using direct propagation ANNs in comparison with the LSTM architecture was carried out, the input parameters of the network were identified, various architectures and parameters of the ANN training were compared (algorithms for updating weights, loss functions, the number of training epochs, packet sizes). The substantiation of the choice of a direct distribution network in the structure of the hybrid module for selecting a thematic block is given. The above results were obtained using the Keras high-level library, which allows you to quickly start at the initial stages of research and get the first results. Traditionally, learning has taken place over a large number of eras.
32
Пономарев, Д. С. "Нейросетевые методы прогнозирования в производственном секторе: MLP или RNN?" Информатика. Экономика. Управление - Informatics. Economics. Management 4, № 2 (2025): 3001–6. https://doi.org/10.47813/2782-5280-2025-4-2-3001-3006.
Full textAbstract:
В статье рассматриваются методы глубокого обучения, применяемые для решения задач регрессии в производственном секторе. Основное внимание уделяется сравнению полносвязных нейронных сетей (MLP) и рекуррентных нейронных сетей (RNN, LSTM, GRU) в задачах прогнозирования ключевых показателей: объема производства, затрат, времени простоя оборудования, уровня брака и энергопотребления. Проведен анализ особенностей этих моделей, их преимуществ и ограничений в зависимости от структуры данных и их временных зависимостей. Рассматриваются практические примеры использования регрессионных моделей для оптимизации производственных процессов, бюджетного планирования и управления ресурсами. Особое внимание уделяется обработке исторических данных, включая временные ряды, а также вопросам выбора подходящей архитектуры нейронной сети в зависимости от поставленных задач. В статье приводятся рекомендации по применению MLP и RNN в различных сценариях, учитывающие вычислительные ресурсы, сложность реализации и эффективность прогнозирования. Сделан вывод о целесообразности использования MLP для задач с ограниченными временными зависимостями и RNN для анализа последовательных данных с выраженной динамикой. Полученные результаты могут быть полезны специалистам в области анализа данных, управления производством и планирования ресурсов.
33
Никитин, Н. А., Ю. А. Орлова, and В. Л. Розалиев. "Generation of genre musical compositions according to the emotional state of a person." МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ 10, no. 2(37) (2022): 26–27. http://dx.doi.org/10.26102/2310-6018/2022.37.2.026.
Full textAbstract:
Данная работа направлена на исследование и разработку математического и программного обеспечения для автоматизации и поддержки технического творчества путем автоматизированной генерации музыкальных произведений различных жанров, основанных на эмоциональном состоянии человека (пользователя). В основе работы лежит метод генерации музыкального материала с использованием искусственных нейронных сетей. Для генерации музыки была выбрана рекуррентная нейронная сеть с долгой краткосрочной памятью (LSTM), поскольку именно такой тип сетей позволяет учитывать иерархичность и созависимость музыкальных данных. Работа содержит подробное описание процесса сбора обучающих данных, процесса обучения сети, ее использование для генерации музыки, а также описание архитектуры сети. Кроме этого, дается описание обобщенного метода получения эмоционального состояния человека путем анализа изображения с использованием принципов теста Люшера. Для синтеза звуков по готовому музыкальному материалу в работе используется метод сэмплинга. Именно этот метод позволяет получить звучание музыкальных инструментов, приближенное к реалистичному, также данный метод сравнительно прост в реализации. Также статья включает описание процесса проектирования и разработки программного обеспечения для подтверждения описанных алгоритмов и методов, а именно веб-сайта для генерации музыкальной композиции путем анализа изображения. The aim of this article is research and development of algorithms and software for automation and support of technical creativity process by automated generation of musical compositions of different genres, based on the emotional state of a person. It relies on the method of generating musical material with the aid of artificial neural networks. To generate music, a recurrent neural network with long-short term memory is chosen because this is the type of neural networks that helps to take into account the hierarchy and codependency of musical data. The paper contains a detailed description of training data collection process, the process of neural network training, its use for generating musical compositions as well as an illustration of the network architecture. In addition, it outlines a generalized method for obtaining the emotional state of a person by analyzing an image by utilizing the principles of the Luscher test. For the synthesis of sounds with the help of the prefabricated musical material, the sampling method is applied. It is this method that makes it possible to emulate the realistic sound of musical instruments, which is also relatively easy to implement. Furthermore, the article includes a description of the software design and development process with a view to confirming the algorithms and methods under review, namely a website for generation musical composition by analyzing an image.
34
Andriyanov, Nikita A., David A. Petrosov, and Andrey V. Polyakov. "SELECTING AN ARTIFICIAL NEURAL NETWORK ARCHITECTURE FOR ASSESSING THE STATE OF A GENETIC ALGORITHM POPULATION IN THE PROBLEM OF STRUCTURAL-PARAMETRIC SYNTHESIS OF SIMULATION MODELS OF BUSINESS PROCESSES." SOFT MEASUREMENTS AND COMPUTING 12, no. 73 (2023): 70–81. http://dx.doi.org/10.36871/2618-9976.2023.12.007.
Full textAbstract:
This article proposes a study aimed at determining the architecture of artificial neural networks to solve the problem of determining the population state of a genetic algorithm adapted to solve the problem of structuralparametric synthesis of simulation models of business processes. As the initial data for training the artificial neural network, we used the results of computational experiments obtained when operating a genetic algorithm model based on mathematical nested Petri nets, which solves the problem of synthesizing business process models (Petri net models) based on a given behavior. As examples of artificial neural network architectures for managing the process of finding solutions based on an evolutionary procedure, the following are considered: fully connected artificial neural network (FCNN), simple recurrent artificial neural network (Simple RNN), long shortterm memory recurrent network (LSTN), closed recurrent recurrent network block (GRU) and bidirectional LSTM (Bidirectional LSTM). The deep learning algorithms used were: Support Vector Classifier, Decision Tree Classifier and Random Forest Classifier. The article discusses the presented architectures of artificial neural networks and various training methods. Based on the computational experiments carried out and the analysis of the results obtained, conclusions were drawn about the feasibility of using artificial neural networks with RNN architecture to solve the problem of recognizing the state of the population and controlling the process of synthesis of solutions.
35
Basalaev, Aleksandr A. "Identification of Disturbances for a Room Temperature Conditions Model Using a Neural Network." Vestnik MEI, no. 6 (2021): 137–47. http://dx.doi.org/10.24160/1993-6982-2021-6-137-147.
Full textAbstract:
The use of IoT devices for building heating systems opens the possibility of collecting a large amount of various data about room temperature conditions. At the level of individual rooms, there are factors that can have a significant effect on the temperature conditions, the measurement of which involves difficulties. As a consequence, the models of room temperature conditions are identified incorrectly. In view of this circumstance, the consideration of unknown disturbances becomes of issue. A method to identify the building room temperature conditions is proposed that allows unknown disturbing inputs in dynamic systems to be taken into account. The unknown disturbance action time is described using indicator functions. The indicator function time characteristics are identified using neural LSTM networks by solving the problem of performing binary classification of whether the measured data sample time tags belong to unknown disturbances. The sequence in which unknown disturbances are taken into account in the model is found by sorting the evaluated degree to which the time tags belong to the onset of a certain unknown disturbance that is obtained by solving the binary classification problem. The application of the proposed approach is illustrated on the temperature conditions identification problem using test data with two samples of unknown disturbances with random action degree and time. The study results demonstrate correctness of the proposed approach, the use of which makes it possible to more accurately identify the static and dynamic parameters of system models under the effect of unknown disturbances.
36
Подвальный, С. Л., М. А. Лихотин, А. В. Михайлусов, and А. К. Донских. "USING RECURRENT NETWORKS TO PREDICT ELECTRICITY CONSUMPTION." ВЕСТНИК ВОРОНЕЖСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА, no. 3(-) (August 15, 2022): 45–50. http://dx.doi.org/10.36622/vstu.2022.18.3.005.
Full textAbstract:
Продемонстрирована возможность предсказания почасового потребления электроэнергии по данным независимого системного оператора региона PJM Interconnection LLC с применением рекуррентных нейронных сетей. Представлено краткое описание коэффициента детерминации, который является разновидностью версии среднеквадратичной ошибки. Продемонстрирована структура исходных данных, устранён ошибочный порядок следования записей и проведена нормализация для последующего обучения моделей, а также весь набор имеющихся данных был разделён на тестовую и обучающую выборки. Кратко описаны используемые архитектуры рекуррентных нейронных сетей: рекуррентная нейронная сеть (recurrent neural network) и долгая краткосрочная память (long short-term memory). Представлены основные параметры архитектур для нейронных сетей, значения одной части которых приняты по умолчанию, так как подбирались экспериментально в ходе исследования, а прочие подбирались для получения оптимальной модели. Производится сравнительный анализ качества работы моделей в зависимости от различных оптимизаторов обучения и активационных функций в нейронных слоях и представлен результат этого анализа. Получены оптимальные параметры для рекуррентной нейронной сети и долгой краткосрочной памяти моделей, которые давали максимальные значения коэффициента детерминации The paper demonstrates the possibility of predicting hourly electricity consumption according to the independent system operator of the PJM Interconnection LLC region using recurrent neural networks. We present a brief description of the coefficient of determination, which is a version of the root mean square error. We demonstrated the structure of the initial data, eliminated the erroneous order of the records and carried out normalization for the subsequent training of the models, and divided the entire set of available data into test and training samples. We briefly described the used architectures of recurrent neural networks: recurrent neural network (RNN) and long short-term memory (LSTM). We present the main parameters of architectures for neural networks, the values of one part of which are taken by default, as they were selected experimentally during the study, and the rest were selected to obtain the optimal model. We carried out a comparative analysis of the performance quality of the models depending on various learning optimizers and activation functions in neural layers, and presented the result of this analysis. We obtained optimal parameters for a recurrent neural network and long short-term memory of models, which gave the maximum values of the coefficient of determination
37
Демченко, М. В., И. Л. Каширина, and М. А. Фирюлина. "Development of models for predicting atherosclerosis risk using machine learning methods." МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ 9, no. 2(33) (2021): 23–24. http://dx.doi.org/10.26102/2310-6018/2021.33.2.023.
Full textAbstract:
Атеросклероз является одним из наиболее распространенных и опасных для жизни заболеваний, которое может развиваться уже в раннем возрасте. На начальных стадиях атеросклероз сложно обнаружить, поэтому его диагностика требует использования своевременных подходов, в частности, с привлечением методов машинного обучения. В предлагаемом исследовании разрабатываются модели и алгоритмы расчета риска развития атеросклероза магистральных артерий в зависимости от исходных клинических характеристик пациентов. В качестве обучающего набора данных была использована выборка международной базы данных MIMIC-III, имеющая структуру последовательных временных рядов, для обработки которых применялись рекуррентные глубокие нейронные сети архитектуры LSTM. В ходе решения задачи предсказания атеросклероза с использованием моделей SHAP были выявлены основные значимые признаки, наиболее ассоциированные с риском развития данного заболевания. В завершении данного исследования был произведен сравнительный анализ нейросетевой модели, обученной на данных MIMIC-III, с моделью расчета риска атеросклероза, разработанной с использованием регионального набора данных, полученного в результате обследования пациентов Воронежской области в рамках программы всеобщей диспансеризации. Качество разработанных моделей оценивалось с помощью показателей чувствительности, специфичности и ROC-AUC. В ходе исследования были выявлены сходства и различия разработанных моделей, касающиеся как признаков, включенных в исходные наборы данных, так и предикторов, ассоциированных с высоким риском развития атеросклероза. Atherosclerosis is one of the most common and life-threatening diseases that can develop at an early age. At the initial stages, atherosclerosis is difficult to detect; therefore, its diagnosis requires the use of timely approaches, in particular, using machine learning methods. In the proposed study, models and algorithms are developed for calculating the risk of developing atherosclerosis of the main arteries, depending on the initial clinical characteristics of patients. As a training dataset, a sample of the international MIMIC-III database was used, which has a structure of time series sequences, for which the recurrent deep neural networks of the LSTM architecture were used. In the course of solving the problem of predicting atherosclerosis using SHAP models, the main significant features most associated with the risk of developing this disease were identified. In the course of this study, a comparative analysis of a neural network model trained on MIMIC-III data was carried out with a model for calculating the risk of atherosclerosis, developed using a regional dataset obtained as a result of examining patients in the Voronezh region as part of the general medical examination program. The quality of the developed models was assessed using the indicators of sensitivity, specificity and ROC-AUC. In the course of the study, the similarities and differences of the developed models were identified, concerning both the features included in the initial data sets and the predictors associated with a high risk of atherosclerosis.
38
САВВИН, Н. В., Д. Н. ВАСЕНИН та Д. С. СВИРИДОВ. "ОБОСНОВАНИЕ МЕТОДА ОБРАБОТКИ ИНФОРМАЦИИ ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ КРАТКОСРОЧНОГО ПРОГНОЗА ЭЛЕКТРОПОТРЕБЛЕНИЯ (НА ПРИМЕРЕ КОМПЛЕКСА ОБЪЕКТОВ ИНЖЕНЕРНОГО КАМПУСА УНИВЕРСИТЕТА)". Инженерные системы и сооружения, № 1(59) (4 квітня 2025): 149–54. https://doi.org/10.36622/2074-188x.2025.36.19.014.
Full textAbstract:
В данной статье представлен новый метод краткосрочного прогнозирования электрической нагрузки, в котором акцент делается на интеграцию календарных данных и уникального метода временного кодирования. Проведённый анализ показал, что погодные переменные оказывают незначительное влияние на точность прогнозов. В связи с этим предложен новый подход, позволяющий моделям лучше понимать временные закономерности, используя синусоидальные и косинусоидальные преобразования минут, часов, дней недели и года. Для прогнозирования нагрузки применялись модели машинного обучения: LSTM (долгая краткосрочная память), Bi-LSTM (двунаправленная LSTM), CNN LSTM (сверточная нейронная сеть с LSTM) и CNN-Bi-LSTM. По результатам экспериментов Bi-LSTM показала наилучшую точность. This article presents a new method for short-term forecasting of electrical load, which focuses on the integration of calendar data and a unique time coding method. The analysis showed that weather variables have little effect on the accuracy of forecasts. In this regard, a new approach is proposed that allows models to better understand temporal patterns using sinusoidal and cosine transformations of minutes, hours, days of the week, and year. Machine learning models were used to predict the load: LSTM (long-term short-term memory), Bi LSTM (bidirectional LSTM), CNN-LSTM (convolutional neural network with LSTM) and CNN-Bi-LSTM. According to the experimental results, Bi-LSTM showed the best accuracy.
39
Вітковський, В. Б., К. Р. Потапова та О. П. Мартинова. "ЕФЕКТИВНІСТЬ ЗАСТОСУВАННЯ ШАРІВ НЕЙРОННОЇ МЕРЕЖІ LSTM ДЛЯ ЗАДАЧІ КЛАСИФІКАЦІЇ ЕМОЦІЙ НА ОБЛИЧЧІ ЛЮДИНИ". Таврійський науковий вісник. Серія: Технічні науки, № 4 (5 грудня 2024): 41–53. https://doi.org/10.32782/tnv-tech.2024.4.4.
Full textAbstract:
У статті детально досліджено ефективність використання шарів нейронної моделі довготривалої короткочасної пам'яті (LSTM) для вирішення завдання класифікації емоцій на зображеннях людських облич. Особливу увагу приділено порівнянню результатів двох моделей: стандартної згорткової нейронної мережі (CNN) та гібридної моделі, яка включає шари LSTM. Отримані результати дослідження продемонстрували, що, хоча на чистих даних CNN трохи перевершує LSTM за основними метриками якості, в умовах підвищеного рівня шуму LSTM значно перевершує CNN за продуктивністю. Це особливо важливо для завдань, пов'язаних із розпізнаванням емоцій у реальних умовах, де присутність шуму є звичайним явищем і може впливати на точність системи. Крім того, було виявлено, що LSTM має переваги не лише у стійкості до шуму, але й у швидкості обробки даних та меншій кількості параметрів, що робить її значно ефективнішою з точки зору використання обчислювальних ресурсів. Також у статті розглядається можливість застосування LSTM для прогнозування змін емоційних станів, що відкриває нові перспективи для аналізу динаміки емоцій. Це може мати вагоме значення для побудови майбутніх емоційно-орієнтованих систем, де важлива не тільки точність розпізнавання, але й здатність передбачати зміни в емоціях користувача. Для навчання моделей використовувався датасет FER2013, який містить зображення емоцій семи різних категорій, що забезпечує комплексний підхід до оцінки моделей. Дослідження робить акцент на практичному потенціалі LSTM для використання в реальних системах розпізнавання емоцій, де такі фактори, як вплив шуму, швидкість обробки та обчислювальна ефективність, мають вирішальне значення для надійності та продуктивності. Використання LSTM у таких системах дозволяє створювати більш адаптивні рішення, здатні до високоточного розпізнавання та передбачення емоційних станів користувачів.
40
Исаева, А. С., М. А. Денисенко, and А. В. Ковалев. "Neural network application to road surface typ eidentification." Вычислительные технологии, no. 2 (April 16, 2023): 19–26. http://dx.doi.org/10.25743/ict.2023.28.2.003.
Full textAbstract:
Цель.Решена задача определения типа дорожного покрытия (асфальтированная, гравийная дорога, мостовая) с использованием искусственного интеллекта. Методы.Предложено использовать данные об ускорении по трем осям с инерциального измерительного модуля, помещенного в транспортное средство. Массив разделен на данные, полученные на трех разных типах дорожного покрытия путем фильтрации данных по географическим координатам. Всего при частоте дискретизации 400 Гц получено 802 163 отсортированных по координатам семпла, что равно примерно 33 минутам езды на автомобиле. Для реализации алгоритма идентификации типов дорожного покрытия использована сеть долгой краткосрочной памяти (англ. long short-term memory — LSTM) — разновидность архитектуры рекуррентных нейронных сетей. Однослойная LSTM-нейронная сеть, содержащая 256 нейронов, реализована с помощью библиотеки Keras. Результаты.Эффективность идентификации типов дорожного покрытия, достигнутая в работе, равна 88.2 %. Проанализирована матрица ошибок. Большинство ошибок можно объяснить, принимая во внимание выбранную стратегию сбора данных: симуляция естественной езды на легковом автомобиле в черте города. Приведено краткое описание будущей работы по данной теме. Road condition monitoring is an essential goal for transport infrastructure. It is important for the fast and safe evolution of autonomous vehicles, useful for advanced driver assistance systems and efficient road repair. In this paper we propose a solution to the problem of identifying the type of pavement using machine learning methods. Asphalt road, gravel road and cobbled road were the types of pavement quality, which were identified. The research community uses various types of sensors and data to solve this classification problem. This paper evaluates pavement type identification using data received from the inertial measurement unit installed in a vehicle and, in particular, data generated by the accelerometers. One car was used. The traffic route was chosen so that all three types of road surface were located on a small section of the road. The obtained data was used in training the long short-term memory recurrent neural network. The achieved accuracy of identification the type of road surface was 88.2 %.
41
Грачев, С. А., та О. С. Вакуленко. "Прогнозирование параметров финансового рынка с применением элементов искусственного интеллекта". Applied Economic Researches Journal, № 1 (25 січня 2025): 79–84. https://doi.org/10.47576/2949-1908.2025.1.1.009.
Full textAbstract:
Целью работы является изучение особенностей прогнозирования параметров финансового рынка с применением доступных нейронных сетей. В статье использовалось прогнозирование по моделям ARIMA, LSTM, Prophet. Моделирование производилось по акциям «Ренессанс Страхование» по цене закрытия. Применялись СhatGPT и copilot. Из сформированных моделей наиболее точной является модель, представленная самостоятельными расчетами ChatGPT версии 2, ее прогнозные значения отличаются от фактических в среднем на 0,31 %. Наименее же точный прогноз был предоставлен ChatGPT (codestral), среднее отклонение расчетных от фактических составляет около 3,97 %. Отметим, что когда нейронная сеть проводила расчеты самостоятельно, то результаты от запуска того же кода в среде разработки отличались от полученных искусственным интеллектом. Дальнейшее развитие данной тематики видится в изучении особенностей моделирования иных параметров и активов, представленных на финансовом рынке с применением нейронных сетей. The aim of the work is to study the features of forecasting financial market parameters using widely available neural networks. The article used forecasting using ARIMA, LSTM, Prophet models. Modeling was performed on Renaissance Insurance shares at the closing price. ChatGPT and copilot were used. Of the generated models, the most accurate is the model presented by independent calculations of ChatGPT version 2, its forecast values differ from the actual ones by an average of 0.31 %. The least accurate forecast was provided by ChatGPT (codestral), the average deviation of the calculated from the actual ones is about 3.97 %. Note that when the neural network performed calculations independently, the results from running the same code in the development environment differed from those obtained by artificial intelligence. Further development of this topic is seen in the study of the features of modeling other parameters and assets presented in the financial market using neural networks.
42
Шапеев, В. П., Л. С. Брындин, and В. А. Беляев. "Numerical solution of an elliptic problem with several interfaces." Numerical Methods and Programming (Vychislitel'nye Metody i Programmirovanie), no. 3 (July 15, 2022): 172–90. http://dx.doi.org/10.26089/nummet.v23r311.
Full textAbstract:
Разработан алгоритм высокоточного численного решения эллиптического уравнения второго порядка при наличии в области нескольких интерфейсов, в том числе пересекающихся и невыпуклых. Для аппроксимации задачи в окрестности интерфейсов используются нерегулярные ячейки (н-ячейки), отсекаемые ими от регулярных ячеек прямоугольной сетки, и законтурные части этих ячеек. Для построения приближенного решения предложено: 1) выписывать дополнительные условия согласования в н-ячейках на интерфейсах, увеличивая количество согласуемых ячеек вблизи интерфейсов; 2) уменьшать общую часть интерфейса, заключенную в соседних ячейках и используемую для записи условий. Для решения краевой задачи Дирихле реализован hp-вариант метода коллокации и наименьших квадратов (hp-МКНК) в сочетании с современными алгоритмами ускорения итерационного процесса: предобуславливание; распараллеливание с помощью OpenMP; ускорение, основанное на подпространствах Крылова; многосеточный алгоритм. При решении различных тестовых задач исследованы сходимость hp-МКНК и обусловленность возникающих переопределенных систем линейных алгебраических уравнений (СЛАУ). Проведено сравнение результатов, полученных МКНК, с результатами других авторов, использовавших метод MIB (англ. matched interface and boundary). An algorithm of the high-accuracy numerical solution of the second order elliptic equation with several interfaces including intersecting and non-convex ones is developed. To approximate the interface problem in the neighbourhood of the discontinuity lines irregular cells (i-cells) which are cut off by the discontinuity lines from the regular cells of the rectangular grid and the “outsidethe-contour” parts of the cells are used. To construct an approximate solution, it is proposed: 1) to write out the additionally matching conditions in i-cells on interfaces increasing the number of matching cells; 2) to reduce the common part of the discontinuity line enclosed between neighboring cells and used for setting conditions. To solve the Dirichlet boundary value problem the hp-version of the least-squares collocation method (hp-LSCM) is implemented in combination with modern algorithms for accelerating the iterative process: preconditioning, parallelization of the computational program using OpenMP, Krylov subspaces; multigrid method. The convergence of the hp-LSCM and the conditionality of the arising overdetermined systems of linear algebraic equations (SLAE) are investigated in solving various test problems. The results obtained by the LSCM and other authors using the method MIB (matched interface and boundary) are compared.
43
Ф.А., Садовников, Полякова М.В., Астахова А.И. та Алчинова И.Б. "Морфологические изменения митохондрий стромальных клеток костного мозга мышей, подвергнутых моделированной гипокинезии". Nauchno-prakticheskii zhurnal «Patogenez» 22, № 2 (2024): 84–88. http://dx.doi.org/10.25557/2310-0435.2024.02.84-88.
Full textAbstract:
Особую роль в развитии иммобилизационно-опосредованных нарушений костной ткани играет костный мозг, депонирующий популяции прогениторных клеток, в частности остеогенных, важным элементом физиологии которых являются митохондрии. В свою очередь, изменение активности митохондрий определяется не только биохимическими процессами, но и их структурной динамикой. Цель работы: количественное определение изменений в морфологии митохондрий культуры стромальных клеток костного мозга после воздействия гипокинезии на мышей. Материалы и методы. Самцов мышей ICR весом 23,0 ± 1,5 г 7 дней подвергали воздействию моделированной гипокинезии с последующим выделением клеток костного мозга из бедренных костей. Первичную культуру выращивали в стандартных условиях на полной питательной среде. На 6-й день клетки пересевали и через 24 ч проводили морфологическую оценку митохондриома с помощью метода лазерной сканирующей конфокальной флуоресцентной микроскопии (ЛСКМ) с последующей математической обработкой и анализом 3D-изображений. Результаты. Суммарный объём и площадь поверхности митохондрий клеток группы «Гипокинезия» были меньше в 4 и 1,73 раза, соответственно, по сравнению с «Контролем». По объему сами клетки в группе «Гипокинезия» были в 3,26 раз меньше, чем в культуре от контрольных животных. Количественную оценку морфологических различий митохондриома проводили с помощью вычисления отношения суммарной площади поверхности всех митохондрий клетки к их суммарному объёму. Этот параметр в клетках мышей из группы «Гипокинезия» превосходил таковой в «Контроле» в 2,3 раза. Заключение. После 7 суток ограничения подвижности животных наблюдали изменение митохондриальной морфологии в стромальных клетках костного мозга. Полученный численный показатель разницы говорит о более высокой фрагментированности или извилистости митохондриальной сети в клетках группы «Гипокинезия». Bone marrow, which harbors populations of different progenitor cells, in particular osteogenic cells, plays a special role in the development of immobilization-mediated bone disorders. Mitochondria are a vital component in the physiology of these cells. Changes in mitochondrial activity are determined not only by biochemical processes but also by their structural dynamics. The aim of this study was to quantitatively assess changes in the morphology of mitochondria in a culture of bone marrow stromal cells after exposure to hypokinesia in mice. Materials and methods. Male ICR mice weighing 23,0 ± 1,5 g were subjected to simulated hypokinesia for 7 days, followed by isolation of bone marrow cells from the femurs. The primary culture was grown under standard conditions on a complete nutrient medium. On day 6, the cells were subcultured and 24 hours later, the morphological assessment of the mitochondria was carried out using the laser scanning confocal fluorescent microscopy (LSCM) technique followed by mathematical processing and analysis of 3D-images. Results. The total volume and surface area of mitochondria in cells in the «Hypokinesia» group were 4 and 1,73 times smaller, respectively, compared to the «Control» group. In terms of volume, the cells themselves in the «Hypokinesia» group were 3,26 times smaller than in «Control». A quantitative assessment of the morphological differences in the mitochondria was carried out by calculating the ratio of the total surface area of all mitochondria in a cell to their total volume. This parameter in the cells of mice from the «Hypokinesia» group exceeded that in the «Control» by 2,3 times. Conclusion. After 7 days of restriction of animal mobility, changes in mitochondrial morphology were observed in bone marrow stromal cells. The resulting numerical difference indicates a higher fragmentation or tortuosity of the mitochondrial network in the cells of the «Hypokinesia» group.
44
Василенко, К. А., А. Л. Золкин, and В. С. Тормозов. "Configuring, Training and Testing a Long-term Short-term Memory Neural Network for Pattern Recognition." Промышленные АСУ и контроллеры, no. 3 (March 16, 2020). http://dx.doi.org/10.25791/asu.3.2020.1171.
Full textAbstract:
Статья посвящена искусственным нейронным сетям прямого распространения с блоками долгой краткосрочной памяти (ДКП). Выполнено исследование способностей этой нейронной сети по распознанию разрозненных образов. В статье предлагается линейное переключение блоков ДКП в зависимости от значения проходящего сигнала. Выполнено сравнение полученных результатов с результатами работы нейронной сети прямого распространения аналогичной структуры. The article is devoted to artificial neural networks of direct distribution with blocks of long short-term memory (LSTM). A study of the abilities of this neural network to recognize disparate images has been performed. The article suggests linear switching of LSTM blocks depending on the value of the transmitted signal. The results obtained are compared with the results of the operation of a neural network of direct distribution of a similar structure.
45
Лыченко, Н.М. "Применение LSTM-нейронных сетей для классификации индекса качества воздуха г. Бишкек". 23 червня 2020. https://doi.org/10.5281/zenodo.3904130.
Full textAbstract:
Рассмотрена задача прогнозирования индекса качества воздуха AQI г. Бишкек в зависимости от метеопараметров как задача нейросетевой классификации. Обоснован выбор LSTM- нейронной сети как наиболее эффективной. Разработан классификатор индекса качества воздуха, решающий проблему прогноза классов AQI “Хороший”/“Нездоровый”, для различной истории наблюдений метеопараметров и различной глубины прогноза. Достигнута точность прогноза более 90%.
46
Терентьева, Е. В. "Сравнение нейросетей по эффективности для задачи предсказания физико-химических показателей сырья". Вопросы устойчивого развития общества, № 8 (10 листопада 2020). https://doi.org/10.34755/irok.2020.39.23.059.
Full textAbstract:
В металлургической промышленности подготовка шихты является важным этапом производства. Важность подготовки её велика из-за того, что неоднородность состава крайне отрицательно влияет на показатели доменного процесса. Одним из способов устранения неоднородности сырья является изменение способа физического размещения и смешивания сырья, другой предполагает использование автоматизированных систем контроля и мониторинга. В рамках этих систем возможно использование методов интеллектуального анализа таких как нейронные сети. В данной статье проводится сравнение эффективности работы нейронных сетей MLP и LSTM. Сравнение идет по таким показателям как время обучения и средняя абсолютная ошибка. Сравнение показывает, что более эффективной является LSTM нейронная сеть, потому что имеет большую скорость обучения и дает меньшую среднюю ошибку. In the metallurgical industry, charge preparation is an important stage of production. The importance of preparing it is great due to the fact that the heterogeneity of the composition has an extremely negative effect on the performance of the domain process. One of the ways to eliminate the heterogeneity of raw materials is to change the method of physical placement and mixing of raw materials, the other involves the use of automated control and monitoring systems. Within these systems, it is possible to use intelligent analysis methods such as neural networks. This article compares the performance of MLP and LSTM neural networks. The comparison is based on such indicators as training time and average absolute error. The comparison shows that the LSTM neural network is more efficient, because it has a higher learning rate and gives a lower average error.
47
Шатравин, В., та Д. В. Шашев. "Применение вычислительных сред для ускорения рекуррентных нейронных сетей". Цифровая экономика, № 1(22) (1 квітня 2023). https://doi.org/10.34706/de-2023-01-04.
Full textAbstract:
Одним из основных факторов, ограничивающих применение современных алгоритмов машинного обучения в технических системах, является несовершенство используемого аппаратного обеспечения. Особенно остро проблема стоит для крупных нейронных сетей в маломощных и автономных системах, имеющих жесткие ограничения к массе и энергопотреблению. Большинство предлагаемых на сегодняшний день аппаратных ускорителей нейронных сетей либо имеют высокое энергопотребление и массу, либо поддерживают лишь очень ограниченное множество алгоритмов. Решением этой проблемы может быть применение перестраиваемых аппаратных ускорителей, которые поддерживают динамическую настройку на реализацию требуемых алгоритмов. Одним из способов построения таких ускорителей могут быть решения на основе концепции перестраиваемых вычислительных сред (ПВС). В данной работе представлена реализация рекуррентных архитектур нейронных сетей на примере сети Хопфилда и сети долгой краткосрочной памяти (LSTM) на ускорителях, построенных на основе ПВС. Приведены формулы оценки быстродействия разработанных моделей на основе результатов симуляций на FPGA. Полученные оценки показывают высокое быстродействие предложенных моделей в сравнении с существующими аналогами при значительно большей занимаемой на полупроводнике площади. Согласно оценкам, расчёт одного шага LSTM сети с 25 скрытыми нейронами занимает 223 нс. Результаты позволяют сделать вывод о большом потенциале применения перестраиваемых сред для реализации рекуррентных сетей и необходимость дальнейших оптимизаций предложенных моделей. The application of modern machine learning algorithms in technical systems is limited by the hardware they use. The problem is particularly serious when using large neural networks in low-power and autonomous systems that have severe weight and power consumption restrictions. Majority of modern neural network hardware accelerators either have high both power consumption and weight or they are highly specialized for a small set of algorithms. One possible solution to the problem is the use of dynamically reconfigurable hardware accelerators that can change the implemented algorithms at run time. The accelerators can be based on the principles of reconfigurable computing environments (RCE). This paper presents implementations of Hopfield and long short-term memory (LSTM) recurrent networks on RCE-based accelerators. The performance evaluations of the developed models were determined through simulations on FPGA. Estimates show the high performance of the presented models in comparison with analogues, however, the requirements for the area on a chip are also higher. According to estimates, an LSTM network with 25 hidden neurons will be calculated in 223 ns. The results obtained allow to conclude that there is a high potential for using RCE-based accelerators for recurrent networks and the need for further optimization.
48
Тюлемисова, Д. Б., А. К. Шайханова, В. Мартценюк, Г. А. Ускенбаева та Г. Б. Бекешова. "СОВРЕМЕННЫЕ ПОДХОДЫ К ИЗУЧЕНИЮ ДИНАМИКИ ИНФОРМАЦИОННОГО ПОТОКА В СОЦИАЛЬНЫХ МЕДИА НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ". Physico-mathematical series, № 4 (6 грудня 2024). https://doi.org/10.32014/2024.2518-1726.320.
Full textAbstract:
Данная обзорная статья представляет современные подходы к анализу информационного потока в социальных медиа с применением глубокого машинного обучения. Особое внимание уделяется глубоким рекуррентным нейронным сетям, используемым для анализа эмоций и настроений с использованием искусственного интеллекта, а также методам понимания естественного языка. Кроме того, рассматриваются новые методы выявления фейковых новостей, основанные на анализе их распространения в социальных сетях. Для этой цели применяются сверточные нейронные сети (CNN), глубокие нейронные сети (DNN) и долговременная краткосрочная память (LSTM), что позволяет эффективно обнаруживать ложные новости. Обсуждаются результаты последних исследований в данной области и их значимость для современного информационного пространства в социальных медиа. В данном обзорном анализе рассматриваются основные подходы машинного обучения, которые базируются на анализе карты предметной области библиометрических данных. Проведенное исследование при помощи инструмента Bibliometrix для библиометрического анализа и научного картографирования, позволило охватить текущее состояние и основные направления развития в области машинного обучения. Обсуждаются ключевые тенденции исследований, выявленные в библиометрических данных, а также значимость и перспективы этих методов для дальнейшего прогресса в области машинного обучения. В итоговом анализе было обнаружено, что основное внимание исследователей в области современных подходов к изучению динамики информационного потока в социальных медиа, основанных на методах машинного обучения, сосредоточено на следующих направлениях: глубокое обучение, рекуррентные нейронные сети, анализ тональности текста, классификация и сверточные нейронные сети.
49
БОРОДИН, А. С., А. Р. АБДЕЛЛАХ, and А. Е. КУЧЕРЯВЫЙ. "DEEP LEARNING WITH LONG-TERM SHORT-TERM MEMORY FOR IOT TRAFFIC PREDICTION." Электросвязь, no. 2(15) (February 16, 2021). http://dx.doi.org/10.34832/elsv.2021.15.2.003.
Full textAbstract:
Использование искусственного интеллекта в сетях связи пятого (5G) и последующих поколений дает новые возможности, в том числе для прогнозирования трафика. Это особенно важно для трафика интернета вещей (IoT - Internet of Things), поскольку число устройств IoT очень велико. Предлагается для прогнозирования трафика IoT применить глубокое обучение с использованием нейронной сети долговременной краткосрочной памяти LSTM (Long Short-Term Memory). The use of artificial intelligence in communication networks of the 5G and subsequent generations provides completely new opportunities, including for traffic forecasting. This is especially important for IoT traffic because the number of IoT devices is very large. The article proposes to apply deep learning to predict IoT traffic using a neural network of longterm short-term memory (LSTM).
50
Е., АБРАМКИН С., та ПЕТРОВА А. К. "ПРИМЕНЕНИЕ БАЙЕСОВСКИХ СЛОЕВ ДЛЯ ПОЛУЧЕНИЯ ВЕРОЯТНОСТНЫХ ОЦЕНОК ПРЕДСКАЗАНИЙ ПО РАСХОДУ ГАЗА, ПОЛУЧЕННЫХ ПРИ ПОМОЩИ LSTM НЕЙРОСЕТИ". Промышленные АСУ и контроллеры, № 9 (28 вересня 2024). http://dx.doi.org/10.25791/asu.9.2024.1528.
Full textAbstract:
Для идентификации отклонений в результатах измерения объемов газа может быть применена LSTM нейросеть. Однако необходимо получить вероятностные оценки предсказанных нейросетью значений, математическое ожидание и дисперсию прогнозируемых результатов, и, соответственно, доверительные интервалы этих значений, которые с заданной вероятностью накрывают оцениваемый параметр. В данной статье рассматривается подход, при котором, для получения вероятностных характеристик результатов предсказаний LSTM нейросети, синтезируется нейросеть с дополнительными Байесовскими слоями, при помощи которых, используя распределение весов вместо единичных значений весов, можно оценить неопределенность прогнозов сети. An LSTM neural network can be used to identify deviations in the results of measuring gas volumes. However, it is necessary to obtain probabilistic estimates of the values predicted by the neural network, the mathematical expectation and variance of the predicted results, and, accordingly, confidence intervals of these values, which cover the estimated parameter with a given probability. This article considers an approach in which, in order to obtain probabilistic characteristics of the results of LSTM neural network predictions, a neural network with additional Bayesian layers is synthesized, with the help of which, using the distribution of weights instead of single values of weights, it is possible to estimate the uncertainty of network forecasts.