Software Journal:
Theory and Applications

Send article

Entrance Registration

Results for нейронные сети

  1. Когнитивные гибридные системы поддержки принятия решений и прогнозирования

    И.С. Повидало Государственный университет «Дубна», Дубна, Russian Federation;
    С.А. Ярушев Государственный университет «Дубна», Дубна, Russian Federation;
    А.Н. Аверкин Вычислительный центр им. А.А. Дородницына Федерального исследовательского центра «Информатика и управление» РАН, ул. Вавилова, «Московский авиационный институт (национальный исследовательский университет)», Москва, Russian Federation;
    А.В. Федотова «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)», Москва, Russian Federation;

    The article was published in issue №4

    В работе рассматривается ряд моделей, которые могут быть использованы для поддержки принятия решений в динамических ситуациях, характеризующихся слабой структурированностью, основанной на гибридной системе, интегрирующей нечеткую иерархическую модель оценивания и нечеткую когнитивную модель ситуации. Описываются нейронные сети, в основе которых лежат самоорганизующиеся карты Кохонена и которые могут быть успешно применены для решения задач поддержки принятия решений и прогнозирования временных рядов, а также новые, разработанные и успешно примененные для идентификации динамических объектов модульные нейронные сети, их архитектура, алгоритмы обучения и работы. В статье рассмотрены примеры работы полученных нейронных сетей, а также проведен их сравнительный анализ с рядом других нейросетевых алгоритмов идентификации динамических объектов.


  2. Гибридные нечеткие когнитивные карты в задачах поддержки принятия решений и прогнозирования

    Н.А. Ефремова «Вычислительный центр им. А.А. Дородницына Федерального исследовательского центра «Информатика и управление» РАН, Russian Federation;
    А.Н. Аверкин Вычислительный центр им. А.А. Дородницына Федерального исследовательского центра «Информатика и управление» РАН, ул. Вавилова, «Московский авиационный институт (национальный исследовательский университет)», Москва, Russian Federation;
    С.А. Ярушев Государственный университет «Дубна», Дубна, Russian Federation;

    The article was published in issue №4

    В настоящей работе предлагается гибридный подход к разработке систем прогнозирования временных рядов, а также поддержки принятия решений, основанный на модулярной архитектуре построения систем прогнозирования, базирующийся на гибридизации нейро-нечеткой нейронной сети ANFIS и нечетких когнитивных картах. С помощью подобной гибридной архитектуры система прогнозирования способна оперировать как качественными данными (субъективными мнениями экспертов), так и количественными (характеристиками исследуемого процесса). В данной работе подробно описан модуль с нечеткой когнитивной картой. Для облегчения задачи настройки весов когнитивной карты использован генетический алгоритм для обучения когнитивной карты, благодаря чему она способна самостоятельно обучиться и производить настройку.


  3. Разработка гибридной модели прогнозирования временных характеристик на основе нечетких когнитивных карт и нейро-нечетких сетей в управлении жизненным циклом изделия

    С.А. Ярушев Государственный университет «Дубна», Дубна, Russian Federation;
    А.В. Федотова «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)», Москва, Russian Federation;

    The article was published in issue №3

    Работа представляет собой исследование в области прогнозирования временных рядов на основе нейросетевых и когнитивных методов для задачи прогнозирования временных характеристик в управлении жизненным циклом изделия. Детально рассматриваются нейро-нечеткие методы прогнозирования, представлен обзор наиболее успешных работ в данной области. Исследуются проблемы в области прогнозирования временных рядов, которые существенным образом влияют на качество прогнозов.

    Результатом работы является созданная гибридная модель прогнозирования, сочетающая в себе нейро-нечеткие нейронные сети и нечеткие когнитивные карты, объединенные в систему прогнозирования. Благодаря сочетанию столь разных методов появляется возможность добиться качественного прогнозирования в условиях явлений, когда происходят сильные скачки во временном ряде и одна нейронная сеть не способна выполнять задачу достойным образом.

    Планируется апробирование системы для задачи прогнозирования временных характеристик в управлении жизненным циклом изделия.


  4. Использование нейросетевого подхода для сегментации слов в рамках задачи оффлайн-распознавания рукописного текста

    А.С. Басанько Калужский филиал ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)», Калуга, Russian Federation;
    Ю.С. Белов Калужский филиал ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)», Калуга, Russian Federation;

    The article was published in issue №4

    Задача оффлайн-распознавания рукописного текста состоит из множества этапов, связанных между собой, так как результаты выполнения каждого этапа являются входными данными для следующего. Один из важных этапов – этап сегментации слова на символы, напрямую влияющий на дальнейший результат классификации. Задача сегментации слова самая сложная в рамках оффлайн-распознавания рукописного текста и на данный момент полностью не решена. Существуют различные подходы для ее решения, однако они довольно сложны в реализации и не обеспечивают качественных результатов.

    В данной статье рассматривается относительно простой подход с применением нейронных сетей, позволяющий достичь хороших показателей сегментации. Идея подхода в том, чтобы с помощью гистограммного метода выделить набор потенциальных точек сегментации, а с помощью обученной нейронной сети оставить только нужные точки сегментации. В статье описываются гистограммный метод для выделения точек сегментации, процесс выделения признаков для обучения нейронной сети, а также алгоритм ее обучения. Приводятся результаты применения данного подхода.