Застосування технології глибинного навчання для побудови інтелектуальних автономних машин

• Дата: 2020
• Автор: Білоконь, О.С.
• Формат: Стаття
• Мова: Ukrainian
• Опубліковано: Інститут програмних систем НАН України 2020
• Назва видання: Проблеми програмування
• Теми: Методи машинного навчання
• Онлайн доступ: http://dspace.nbuv.gov.ua/handle/123456789/180487
• Назва журналу: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Цитувати: Застосування технології глибинного навчання для побудови інтелектуальних автономних маши / О.С. Білоконь // Проблеми програмування. — 2020. — № 2-3. — С. 407-418. — Бібліогр.: 6 назв. — укр.

Одними з найбільш частими задачами, що зустрічаються у побудові інтелектуальних систем машинного зору для побудови інтелектуальних автономних машин є задачі класифікації та регресії. Розв'язання задач класифікації використовуються для рефлекторних дій автономних машин. А розв'язання задач прогнозування можна застосовувати для побудови систем машинного зору для наділення інтелектуальних автономних машин знаннями з довкілля, які своєю чергою, важливі для запланованих прогнозованих рухів. Визначення класу екземплярів задач є важливою процедурою для ефективного проектування систем глибинного навчання. В цих рамках у роботі досліджено можливість застосування багатошарової нейронної мережі, в якості регресора для побудови елементарних функціональних відображень для подальшого прогнозування. У дослідженні окреслено особливості функціонування та комплектації спеціалізованої робототехнічної системи, яка розглядається у даній роботі, як інтелектуальна автономна машина або фізичний агент, згенерований набір даних точок за елементарними функціями, виконуються аналітичне моделювання та моделювання систем що навчаються. Побудовано графік вхідних даних, визначено архітектуру нейронної мережі, реалізовано алгоритм метода градієнтного спуску і на останок побудовані вихідні графіки: процесу навчання, прогнозування результатів та порівняльний графік прогнозованих результатів накладений на графік вхідних даних. У результаті дослідження проведено оцінку інтелектуальних можливостей машини до запланованих рухів.