Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя

Здійснено розробку нейромережевої інтелектуальної системи для прогнозування енергетичних центрів (ЕЦ) плямових зображень у процесах профілювання лазерного променя (ЛП). Обґрунтовано актуальність задачі прогнозування координат ЕЦ профілю ЛП. Розглянуто методи прогнозування та обґрунтовано доцільність...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	Системні дослідження та інформаційні технології
Datum:	2012
Hauptverfasser:	Яровий, А.А., Власюк, Р.С.
Format:	Artikel
Sprache:	Ukrainisch
Veröffentlicht:	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України 2012
Schlagworte:	Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи
Online Zugang:	https://nasplib.isofts.kiev.ua/handle/123456789/50148
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя / А.А. Яровий, Р.С. Власюк // Систем. дослідж. та інформ. технології. — 2012. — № 1. — С. 39-50. — Бібліогр.: 14 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859594009061621760
author	Яровий, А.А. Власюк, Р.С.
author_facet	Яровий, А.А. Власюк, Р.С.
citation_txt	Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя / А.А. Яровий, Р.С. Власюк // Систем. дослідж. та інформ. технології. — 2012. — № 1. — С. 39-50. — Бібліогр.: 14 назв. — укр.
collection	DSpace DC
container_title	Системні дослідження та інформаційні технології
description	Здійснено розробку нейромережевої інтелектуальної системи для прогнозування енергетичних центрів (ЕЦ) плямових зображень у процесах профілювання лазерного променя (ЛП). Обґрунтовано актуальність задачі прогнозування координат ЕЦ профілю ЛП. Розглянуто методи прогнозування та обґрунтовано доцільність застосування нейромережевої моделі. Здійснено комп’ютерне моделювання системи прогнозування, а також на основі отриманих результатів сформульовано вимоги та здійснено програмну реалізацію інтелектуальної системи. Выполнено разработку нейросетевой интеллектуальной системы для прогнозирования энергетических центров (ЭЦ) пятенных зображений в процесах профилирования лазерного луча (ЛЛ). Обоснована актуальность задачи прогнозирования координат ЭЦ профиля ЛЛ. Рассмотрены методы прогнозирования и обоснована целесообразность применения нейросетевой модели. Выполнено компьютерное моделирование системы прогнозирования, а также на основе полученных результатов сформулированы требования и выполнено программную реализацию интеллектуальной системы. The development of a neural net intellectual system for energy centers (EC) spot images forecasting in the processes of laser beam profiling (LB) is done. Actuality of the problem of coordinates forecasting of EC of laser beam profile is proved. Methods of forecasting are considered and the appropriateness of usage the neural net model is justified. Computer simulation of forecasting system is carried out and also on the basis of the obtained results the requirements are formulated and software implementation of intelligent system is performed.
first_indexed	2025-11-27T18:06:01Z
format	Article
fulltext	© А.А. Яровий, Р.С. Власюк, 2012 Системні дослідження та інформаційні технології, 2012, № 1 39 УДК 681.3; 004.93 РОЗРОБКА НЕЙРОМЕРЕЖЕВОЇ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ДЛЯ ПРОГНОЗУВАННЯ ЕНЕРГЕТИЧНИХ ЦЕНТРІВ ПЛЯМОВИХ ЗОБРАЖЕНЬ У ПРОЦЕСАХ ПРОФІЛЮВАННЯ ЛАЗЕРНОГО ПРОМЕНЯ А.А. ЯРОВИЙ, Р.С. ВЛАСЮК Здійснено розробку нейромережевої інтелектуальної системи для прогнозу- вання енергетичних центрів (ЕЦ) плямових зображень у процесах профілю- вання лазерного променя (ЛП). Обґрунтовано актуальність задачі прогнозу- вання координат ЕЦ профілю ЛП. Розглянуто методи прогнозування та обґрунтовано доцільність застосування нейромережевої моделі. Здійснено комп’ютерне моделювання системи прогнозування, а також на основі отрима- них результатів сформульовано вимоги та здійснено програмну реалізацію інтелектуальної системи. ВСТУП Застосування лазерних систем для розв’язання численних задач у виробни- чій та науковій сферах є обґрунтовано доцільним та ефективним. Під час використання лазерів у наукових дослідженнях і в промисловій обробці, не- бажана структура профілю лазерного променя (ЛП) та параметрів його інтен- сивності призводить до низьких показників технічного процесу [1]. Для за- безпечення необхідної високої точності роботи лазера і, відповідно, якісного виконання ним поставленого завдання, виникає потреба володіти динамічно змінюваною інформацією про характеристики діючого променя з врахуван- ням типу лазера та середовища поширення променя. Просторовий розподіл інтенсивності лазерного пучка залежить від механічних, термічних і електро- магнітних складових, що в динаміці формують його [2]. Спостерігаючи за роботою лазерної установки в реальному часі, для певних класів задач (на- приклад, під час розповсюдження лазерного випромінювання в умовах зі зниженою видимістю в атмосфері, також системи точного орієнтування, що дають можливість визначати просторове положення об’єкта, що рухається, у різних метерологічних умовах тощо) важливо не тільки оцінювати її поточ- ний стан у динаміці, а й мати можливість передбачити зміну характеристик променя на певний відрізок часу, що достатній для вчасної безпечної зупин- ки роботи лазера чи автоматичного калібрування для продовження його ро- боти. Тому актуальною є задача побудови інтелектуальних систем для задач профілювання ЛП, статистичної обробки та аналізу в реальному часі їх ос- новних параметрів (що можуть бути представлені як часові ряди) при про- ходженні в зовнішньому середовищі, а також прогнозування відповідних параметрів профілю ЛП. А.А. Яровий, Р.С. Власюк ISSN 1681–6048 System Research & Information Technologies, 2012, № 1 40 ПОСТАНОВКА ЗАДАЧІ Мета дослідження — підвищення точності прогнозування координат ЕЦ плямових зображень ЛП, що якісно покращить окремі показники функціо- нальності систем профілювання. Об’єктом дослідження є процеси обробки плямових зображень профі- лю ЛП та прогнозування координат їх ЕЦ. Предметом дослідження є ней- ронні мережі (НМ) в інтелектуальних системах прогнозування складових характеристик профілю ЛП. Задача прогнозування координат ЕЦ плямових зображень профілю ЛП може бути класифікована як задача однокрокового багатопарамеричного прогнозування стаціонарного (за умови незначного впливу дестабілізуючих факторів) часового ряду. Вхідними даними для вирішення задачі є набори координат ЕЦ плямо- вих зображень профілю ЛП, кількість яких кратна 25, так як частота зміни кадрів протяжної лазерної відеотраси 25 кадрів/с. У межах дослідження застосовано набори із 15 лазерних відеотрас по 2044 плямових зображення в кожній. ВИБІР МЕТОДУ ПРОГНОЗУВАННЯ За оцінками спеціалістів існує понад 150 методів прогнозування часових рядів [3]. Кількість базових методів прогнозування, які в тих чи інших варіа- ціях повністю чи частково дублюються в інших методах, набагато менша і їх загальну класифікацію можна подати так, як зображено на рис. 1 [4]. Обираючи підхід для розв’язання задачі прогнозування координат ЕЦ плямових зображень профілю ЛП, необхідно брати до уваги такі особливос- ті двовимірного часового ряду, утвореного координатами ЕЦ: • розповсюдження ЛП в атмосфері супроводжується дуже великим набором явищ лінійної та нелінійної взаємодії, жодне з яких не виявляється окремо [1]; • значення координат ЕЦ отримані в результаті вимірювань, тому міс- тять випадкові флуктуації та шум. Традиційні лінійні методи прогнозування недостатньо ефективно справ- ляються з обробкою динамічних масивів інформації та виявленням складних закономірностей описаних часових рядів, а уникнення нелінійності є досить трудомістким процесом, який не завжди дає позитивний результат [5]. Саме тому широкого розповсюдження набули інтелектуальні методи прогнозу- вання, один із різновидів яких, а саме НМ було обрано для вирішення по- ставленої задачі [4]. Системи ж на основі нечіткої логіки не мають чітких рекомендацій щодо проектування, а в порівнянні навіть із традиційними ймовірнісними методами не дозволяють забезпечити необхідну точність, а їх аналіз існуючими математичними методами є трудомістким. Збільшення кількості вхідних змінних збільшує складність обчислень експоненціально. Швидкість збіжності градієнтних алгоритмів навчання НМ у середньому вища, ніж у генетичних алгоритмів [3]. Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних… Системні дослідження та інформаційні технології, 2012, № 1 41 Отже, для подальшого імітаційного моделювання застосовується НМ, а саме багатошаровий персептрон із градієнтним методом навчання зворот- ного поширення помилки. ОПИС ТА АДАПТАЦІЯ НЕЙРОМЕРЕЖЕВОЇ МОДЕЛІ Поетапно процес розробки нейромережевої моделі для вирішення задачі прогнозування зображено на рис. 2 [5]. Під час використання нейронних мереж попередня обробка вхідних да- них впливає на достовірність та точність прогнозу не менше ніж структура НМ та спосіб навчання. З початкових вхідних даних виділяється дві множи- ни, що не перетинаються і складають, відповідно, навчальну та контрольну вибірки [6]. Для динамічних систем доведено теорему Такенса [5, 7]: якщо часовий ряд породжено динамічною системою, то для опису ситуації існує така гли- бина занурення в минуле n, яка забезпечує однозначну залежність ряду від n його попередніх значень. При цьому глибина занурення приблизно дорів- нює числу ступенів свободи системи (у цьому випадку число ступенів сво- боди відповідає кількості факторів впливу). ),...,,( )1(1 −++= nkkki xxxfx , (1) Метод «комісій» Аналітичний метод Математична модель Визначення асоціацій та послідовностей Дерево рішень Матричний метод Метод написання сценарію Структурна модель Нейронні мережі Нечітка логіка «Мозкова атака» Метод колективної експертної оцінки Мережева модель Генетичні алгоритми Показники мір та невиз- наченості Метод «Делфі» Анкетний метод Імітаційна модель Методи прогнозування Інтуїтивні методи Формалізовані методи Інтелектуальні методи Рис. 1. Узагальнена класифікація методів прогнозування А.А. Яровий, Р.С. Власюк ISSN 1681–6048 System Research & Information Technologies, 2012, № 1 42 де },...,,{ )1(1 −++ nkkk xxx — описує ситуацію, у результаті розвитку якої величина, що прогнозується (координата x ЕЦ) прийняла значення ix та позначається n ix ; n — глибина занурення; tpik −= — порядковий номер кадру, з якого починається опис ситуації; p — період прогнозування; t — крок часового ряду. У цьому дослідженні вхідний часовий ряд подається у вигляді таблиці, яка містить параметри плямових зображень (утво- рених розбиттям лазерної відеотраси на послідов- ність кадрів): )(tx — абс- циса ЕЦ зображення в момент часу t ; )(ty — ордината ЕЦ зображення в момент часу t ; )1( +tx та )1( +ty — відповідні координати ЕЦ зображення в момент часу )1( +t ; if — фактори впливу [8]. Для того, щоб нейромере- жева модель адекватно ві- дображала поведінку часо- вого ряду змін координат ЕЦ плямових зображень ЛП, набір даних для об- робки НМ має бути мак- симально репрезентатив- ним. Тому доцільним є транспонування (розгорт- ка) вхідного масиву да- них (2). Транспонування від- бувається таким чином: перші 26 (глибина транс- понування рівна 25, а та- кож крок прогнозування дорівнює одиниці) пар координат записуються в один рядок (спочатку зна- чення координати x , потім y ); наступний рядок заповнюється координата- ми із зсувом на одиницю, тобто починаючи зі значень 2-го кадру і закінчую- чи 27-м, ці кроки продовжуються поки не буде досягнуто кінця файла вхідних даних, який має бути кратним 26 [9]. Рис. 2. Схема алгоритму функціонування модуля системи прогнозування (1— вхідні дані, 2 — струк- тура НМ, 3 — процес навчання НМ) Попередня обробка даних Вхідні дані відповідають вимогам? Помилка на КВ? Причина помилки Структурний синтез НМ Параметричний синтез НМ Розробка блоку корекції прогнозу на основі експертних оцінок Кінець Початок 3 2 1 Так Так Ні Ні Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних… Системні дослідження та інформаційні технології, 2012, № 1 43 де ix — абсциса ЕЦ в i-й момент часу; iy — ордината ЕЦ в i-й момент часу. Після виконання попередньої обробки вхідні дані мають задовольняти такими умовами: • прийнятна розмірність простору ознак даних; • зменшення взаємозалежності даних, що подаються на вхід НМ; • виконання умови стаціонарності вхідних даних; • несуперечливість даних навчальної та контрольної вибірки. Відповідно до рис. 3 наступним етапом роботи системи прогнозування є процес навчання НМ на множині вхідних нормалізованих даних [10]. КОМП’ЮТЕРНЕ МОДЕЛЮВАННЯ ТА ПРОГРАМНА РЕАЛІЗАЦІЯ НЕЙРОМЕРЕЖЕВОЇ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ Структурний та параметричний синтез НМ для вирішення задачі прогнозу- вання координат ЕЦ плямових зображень ЛП було виконано на базі аналі- тичної платформи Deductor Studio. Вибір зумовлено можливостями Deductor Studio, зокрема зручною обробкою багатьох типів даних та різноманітними інструментами для вирішення великої кількості аналітичних та інтелек- туальних задач — від простої роботи з даними до побудов НМ та дерев до- сяжності [9]. Під час проведених досліджень використовувалось п’ятнадцять наборів даних, а саме — п’ятнадцять відеотрас із записаною зміною профілю реаль- ного ЛП (по 2044 плямові зображення в кожній), які надано у межах комплексних наукових досліджень, що здійснюються протягом тривалого періоду у співпраці з НПО «Астрофізика» (м. Москва, Росія) науковою шко- лою з оптико-електронних інформаційно-енергетичних технологій, що функ- ціонує у ВНТУ [11]. Фрагмент бази даних однієї траси плямових зобра- Навчальна вибірка Тестова вибірка НМ у режимі навчання НМ у режимі прогнозування Результат однокрокового прогнозу Рис. 3. Функціональна схема роботи системи прогнозування на етапі навчання НМ n kkkkkk niiiiii n n ff yxyxyx ffyxyxyx ffyxyxyx ffyxyxyx ,..., ,,,...,,,, ........................................................... )2(,...,,,,...,,,, .......................................................... ,...,,,,...,,,, ,...,,,,...,,,, 1 )1(26)1(261261262626 1262611 127273322 126262211 ++++ ++++ nkk nii n n ffyx ffyx ffyx ffyx ,...,,, ........................... ,...,,, ........................... ,...,,, ,...,,, 12626 1 122 111 А.А. Яровий, Р.С. Власюк ISSN 1681–6048 System Research & Information Technologies, 2012, № 1 44 жень ЛП показано на рис. 4. У попередніх дослідженнях розроблено мето- дики, математичні моделі, алгоритми та пакети прикладних програм для за- дач обробки плямових зображень ЛП у реальному часі з підвищеною точністю вимірювання координат їх ЕЦ як скла- дових характеристик профілю ЛП, а та- кож технології класифікації астрофізич- них об’єктів з метою вивчення впливу атмосфери на величину спотворення ла- зерного пучка [1, 6, 11]. Для моделювання вхідні дані пода- ються у вигляді файла формату «TXT», який містить порядковий номер зобра- ження та значення пари координат ЕЦ. Після завантаження файла вхідних даних у Deductor Studio виконуємо транспону- вання (рис. 5) масиву даних з глибиною 26, так як частота зміни кадрів лазерної відеотраси 25 кадрів за секунду і гори- зонт прогнозування дорівнює одиниці. Завдяки транспонуванню з такими параметрами маємо можливість на основі 25 пар координат ЕЦ передбачити одну пару координат. Очевидним є той факт, що розмірність вхідного шару персептрону об- числюється за виразом [8, 10]: ,)( dnnL fvi += (3) Рис. 4. Фрагмент лазерної траси Рис. 5. Транспонований масив вхідних даних Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних… Системні дослідження та інформаційні технології, 2012, № 1 45 де iL — кількість нейронів вхідного шару; d — глибина занурення; fn — кількість факторів впливу; vn — кількість вхідних змінних одного спосте- реження. Кількість нейронів на вихідному шарі дорівнює двум, оскільки резуль- татом є спрогнозовані абсциса та ордината ЕЦ, а в загальному випадку для цієї системи обчислюється так [8, 10]: snL vo ×= , (4) де oL — кількість нейронів вихідного шару; s — горизонт прогнозування; vn — кількість факторів впливу. Для подальшого моделювання було обрано (на основі проведених ра- ніше досліджень [1, 6, 8]) базову структуру НМ 550-250-125-2, оскільки во- на точніше передає нелінійний характер взаємозв’язку та зміни параметрів досліджуваної системи. Розмірність прихованих шарів визначена за існую- чими рекомендаціями на основі розмірності вхідного та вихідного шарів [6]. На рис. 6 зображено структуру змодельованої в Deductor Studio НМ. В якості алгоритму навчання використовуватимемо алгоритм зворотно- го розповсюдження помилки, який відноситься до класу градієнтних мето- дів. Екранну форму графічного відображення процесу навчання НМ подано на рис. 7. У результаті здійсненого моделювання було отримано такі результати: після 1200 епох навчання коректний прогноз було здійснено на 95,26 % навчальної вибірки та на 76,84 % тестової вибірки, за умови, що прогноз є коректним, якщо він не відрізняється від очікуваного значення більш ніж на 5 %. x y Рис. 6. Структура багатошарового персептрону 550-250-125-2 А.А. Яровий, Р.С. Власюк ISSN 1681–6048 System Research & Information Technologies, 2012, № 1 46 Deductor Studio має потужні засоби візуалізації та моніторингу резуль- татів моделювання. Для оцінки результатів прогнозування зручним інстру- ментом є діаграми розсіювання [9], адже вони дають можливість наочно оцінити кореляцію між вхідними та спрогнозованими значеннями координат ЕЦ. Як видно з рис. 8, більшість спрогнозованих на основі тестової вибірки значень координат ЕЦ потрапляють в 5 %-тунель допустимих значень. Діаграми відношення, зображені на рис. 9, дають можливість візуально оцінити характер зміни координат ЕЦ лазерного пучка, а також — як спрог- нозована система відтворює цей характер. Розробку системи було здійснено з врахуванням критеріїв оцінювання якості функціонування НМ. Внутрішні критерії формуються на основі ін- формації множини даних, які були використані для навчання, тоді як зов- Рис. 8. Діаграми розсіювання спрогнозованих значень: а — координат х; б — коор- динат у а б Рис. 7. Екранна форма візуалізації процесу навчання НМ Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних… Системні дослідження та інформаційні технології, 2012, № 1 47 нішні критерії використовують нову інформацію тестової множин, елементи яких не використовувалась під час навчання. Розглядалися такі критерії: • Критерій регулярності — зовнішній критерій, для обчислення вели- чини якого потребується тестова вибірка [10]: min )ˆ( )ˆˆ( )1( np np 1 2* 1 2* → − =∆ ∑ ∑ = = N i i N i ii O OO , (5) де )1(∆ — величина критерію; i — номер відгуку; iÔ — значення відгуків, що продукуються мережею; *ˆ iO — точні значення відгуків. Фізичний сенс застосування критерію регулярності полягає у виборі моделі, яка буде максимально точною на елементах тестової множини, які не входили до складу навчальної множини. • Критерій мінімального зміщення — потребує максимального співпа- діння значень вихідної величини для двох моделей, де в якості навчальних елементів було використано дані різних підмножин навчальної множини [10]. Критерій мінімального зміщення дозволяє обирати модель, яка «слабо реагує» на зміну навчальної множини і дозволяє вирішити задачу віднов- лення закону, що діє для зашумлених тестових даних. • Критерій зміщеності показників у часі — допомагає оцінити рівень взаємозв’язку змінних. Застосування цього критерію допомагає в оптималь- ному підборі таких ознак явища, які можуть забезпечити вищу точність прогнозування [10]. • Критерій фізичної достовірності — потребує виключення моделей, які під час проведення експерименту, можуть продукувати нереальні ре- зультати (великий розкид спрогнозованих значень) [10]. Отриману комп’ютерну модель покладено в основу програмної реалі- зації системи прогнозування координат ЕЦ профілю ЛП. Нейромережеву інтелектуальну систему для прогнозування енергетичних центрів плямових зображень розроблено з використанням спеціальної бібліотеки класів для Рис. 9. Діаграми відношення спрогнозованих значень до очікуваних: а — коорди- нат х; б — координат у а б А.А. Яровий, Р.С. Власюк ISSN 1681–6048 System Research & Information Technologies, 2012, № 1 48 роботи з НМ Encog 2.3 (рис. 10) для Java (створена в 2008 р. Heaton Research, Inc., Missouri, USA) [12]. Для роботи комп’ютерної програми не- обхідна наявність встановленої на комп’ютері операційної системи МS Windows XP/Vista; наявність JRE 6; тактова частота процесора має бути не менше 1,8 GHz; а наявність оперативної пам’яті обсягом не менше ніж 512 Mb. Нейромережева інтелектуальна система для прогнозування ЕЦ плямо- вих зображень складається з окремих модулів, а саме: 1. Модуль попереднього оброблення вхідних даних. Спочатку користувачу необхідно виконати завантаження файла вхідних даних заданої структури для навчання НМ (порядковий номер кадру, коор- дината х, координата у, 20 факторів впливу) та для прогнозування (порядко- вий номер кадру, координата х, координату у), його парсинг, транспонуван- ня (розгортку) даних для навчання і для прогнозування. 2. Модуль структурного та параметричного синтезу НМ [13]. У цьому блоці користувач може побудувати НМ однієї з кількох запро- понованих парадигм (багатошаровий персептрон, RBF-мережа) із заданою користувачем структурою та параметрами навчання в діалоговому режимі; активувати процес навчання побудованої НМ за обраним користувачем ал- горитмом. Користувачу надається можливість обрати кількість прихованих шарів НМ, кількість нейронів на кожному шарі, вид функції активації, швидкість навчання, горизонт прогнозування, тривалість навчання (кіль- кість епох), допустиму помилку навчання. 3. Модуль візуалізації результатів [14]. Цей блок дозволяє зберегти результати прогнозування та їх візуаліза- цію у формі діаграми розсіювання по координатам х та у спрогнозованих координат ЕЦ. У кожному модулі нейромережевої інтелектуальної системи вико- нується своя послідовність задач та підзадач, які й визначають послідов- ність дій користувача під час роботи з програмним додатком (рис. 11). Network Basic Network Neural Logic Feedforward Logic Neural Structure Activation Function Basic Layer Layer Basic Synapse Synapse Network Logic Network St ru ct ur e La ye r Activation Function Next From To Synapses 1 1 1 1 1 1 1 1…n 1…n 1…n Рис. 10. UML-діаграма основних класів бібліотеки Encog Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних… Системні дослідження та інформаційні технології, 2012, № 1 49 ВИСНОВКИ Під час проведених досліджень застосовано та адаптовано нейромережеву модель для задачі прогнозування ЕЦ плямових зображень у системах профі- лювання ЛП. Здійснено комп’ютерне моделювання запропонованої нейро- мережевої моделі на базі аналітичної платформи Deductor Studio, а також програмну реалізацію інтелектуальної системи. На основі отриманих ре- зультатів комп’ютерного моделювання та програмної реалізації можна стверджувати, що запропоновану адаптовану нейромережеву модель доціль- но застосовувати для вирішення задачі прогнозування ЕЦ плямових зобра- жень у системах профілювання ЛП. Адже аналіз отриманих результатів прогнозування (а саме — після 1200 епох навчання коректний прогноз було здійснено на 95,26 % навчальної вибірки та на 76,84 % тестової вибірки із заданим 5 % тунелем допустимих значень) дозволяє досягнути підвищення точності прогнозування координат ЕЦ плямових зображень ЛП, що, у свою чергу, дає змогу якісно покращити окремі показники функціональності сис- тем профілювання ЛП. У перспективі результати цих досліджень будуть застосовані для вивчення процесів розповсюдження лазерного потоку і фор- мування зображення плями на основі моделей їх спотворень для розробки адаптивних засобів контролю вказаних процесів. ЛІТЕРАТУРА 1. Кожем’яко В.П., Тимченко Л.І., Яровий А.А. Методологічні підходи до паралельно-ієрархічної обробки плямових зображень лазерних пучків та їх прикладна реалізація: Оптико-електронні інформаційно-енергетичні технології. — 2006. — № 1 (11). — С. 14–25. 2. Carlos B. Roundy Current Technology of Laser Beam Profile Measurements. C.B. Roundy – Spiricon. Inc., 2000. — 43 p. 3. Бестужев-Лада И.В. Рабочая книга по прогнозированию. — М.: Мысль. — 1982. — 426 с. 4. Мінаєв Ю.М., Апонасенко Д.В. Програмна реалізація методу прогнозування часових рядів на підставі інтелектуальних технологій (тензорно-нейро- Обчислення 1. Завантажити дані для навчання 2. Задати горизонт прогнозування Задати значення факторів впливу (мінімум 0, максимум 20) 1. Задати кількість прихованих шарів 2. Задати кількість нейронів на прихо- ваних шарах 1. Вибрати метод навчання 2. Завдати швидкість навчання 3. Задати кількість епох 4. Помилка навчання 5. Активаційна функція 1. Завантажити дані для обчислення 2. Транспонування З. Результат Вхідні дані Фактори Структура мережі Навчання Діаграма розсіювання спрогнозованих значень Відображення таблиці завантажених даних Рис. 11. Структурна організація та етапи роботи користувача з нейромережевою інтелектуальною системою А.А. Яровий, Р.С. Власюк ISSN 1681–6048 System Research & Information Technologies, 2012, № 1 50 мережевий базис) // Проблеми інформатизації та управління: зб. наук. пр. — К.: Вид-во НАУ. — 2009. — № 28. — С. 107–115. 5. Крисилов В.А., Чумичкин К.В., Кондратюк А.В. Представление исходных дан- ных в задачах нейросетевого прогнозирования. «Нейроинформатика». — М.: МИФИ, 2003. — Ч. 1. — С. 184–191. 6. Яровий А.А., Власюк Р.С. Аналіз методики нейромережевого розпізнавання кольорових зображень в контексті її універсальності // Вісн. Нац. ун-ту «Львівська політехніка». Сер. Інформаційні системи та мережі. — 2009. — № 653. — С. 255–267. 7. Sven Laur. Time Series of Deterministic Dynamic Systems Celebrated Takens Theorem. — http://vvv.cs.ut.ee/~swen/random-stuff/helsinki-time/presentations/ takens-slides-2004.pdf. 8. Яровий А.А., Власюк Р.С., Крейді О.В. Комп’ютерне моделювання нейромере- жевої інтелектуальної системи для задач прогнозування складових характеристик профілю лазерного променя // Інформаційні технології та комп’ютерна інженерія: Тези доп. міжнар. наук.-пр. конф. м. Вінниця, 19–21 трав. 2010 р. — С. 329–330. 9. BaseGroup Labs. Deductor. — http://www.basegroup.ru/deductor. 10. Юрчак І.Ю. Конспект лекцій з курсу «Організація інтелектуальних обчис- лень». — http://victoria.lviv.ua/html/oio. 11. Яровой А.А., Яровой А.М. Теоретико-методологические и прикладные аспекты использования технологий визуализации для задач профилирования лазерных лучей // Научная визуализация: [Электронный журнал Нац. исследовательского ядерного ун-та «МИФИ», Москва]. — 2010. — Т. 2. — № 3. — С. 50–72. — http://sv-journal.com/2010-3/04/index.html. 12. Encog Java and DotNet Neural Network Framework. — http://www.heatonresearch. com/encog. 13. Свідоцтво про реєстрацію авторського права на твір № 34385. Комп’ютерна програма «Програмний модуль для структурного та параметричного синтезу нейронної мережі інтелектуальної системи для прогнозування координат енергетичних центрів профілю лазерного променя («LaserBeam: Prediction-NN»)» / Яровий А.А., Власюк Р.С. Дата реєстрації Державним Департаментом інтелектуальної власності України 04.08.2010. 14. Свідоцтво про реєстрацію авторського права на твір № 34386. Комп’ютерна програма «Програмний модуль попереднього оброблення вхідних даних та візуалізації результатів нейромережевого прогнозування координат енергетичних центрів профілю лазерного променя («LaserBeam::Prediction- P&V»)» / Яровий А.А., Власюк Р.С. Дата реєстрації Державним Департаментом інтелектуальної власності України 04.08.2010. Надійшла 07.06.2010
id	nasplib_isofts_kiev_ua-123456789-50148
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1681–6048
language	Ukrainian
last_indexed	2025-11-27T18:06:01Z
publishDate	2012
publisher	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
record_format	dspace
spelling	Яровий, А.А. Власюк, Р.С. 2013-10-05T23:45:54Z 2013-10-05T23:45:54Z 2012 Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя / А.А. Яровий, Р.С. Власюк // Систем. дослідж. та інформ. технології. — 2012. — № 1. — С. 39-50. — Бібліогр.: 14 назв. — укр. 1681–6048 https://nasplib.isofts.kiev.ua/handle/123456789/50148 681.3; 004.93 Здійснено розробку нейромережевої інтелектуальної системи для прогнозування енергетичних центрів (ЕЦ) плямових зображень у процесах профілювання лазерного променя (ЛП). Обґрунтовано актуальність задачі прогнозування координат ЕЦ профілю ЛП. Розглянуто методи прогнозування та обґрунтовано доцільність застосування нейромережевої моделі. Здійснено комп’ютерне моделювання системи прогнозування, а також на основі отриманих результатів сформульовано вимоги та здійснено програмну реалізацію інтелектуальної системи. Выполнено разработку нейросетевой интеллектуальной системы для прогнозирования энергетических центров (ЭЦ) пятенных зображений в процесах профилирования лазерного луча (ЛЛ). Обоснована актуальность задачи прогнозирования координат ЭЦ профиля ЛЛ. Рассмотрены методы прогнозирования и обоснована целесообразность применения нейросетевой модели. Выполнено компьютерное моделирование системы прогнозирования, а также на основе полученных результатов сформулированы требования и выполнено программную реализацию интеллектуальной системы. The development of a neural net intellectual system for energy centers (EC) spot images forecasting in the processes of laser beam profiling (LB) is done. Actuality of the problem of coordinates forecasting of EC of laser beam profile is proved. Methods of forecasting are considered and the appropriateness of usage the neural net model is justified. Computer simulation of forecasting system is carried out and also on the basis of the obtained results the requirements are formulated and software implementation of intelligent system is performed. uk Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України Системні дослідження та інформаційні технології Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя Разработка нейросетевой ителлектуальной системы для прогнозирования энергетических центров пятенноподобных изображений в процессах профилирования лазерного луча Neural net intellectual system development for energy center of spot images forecasting in the laser beam profiling system Article published earlier
spellingShingle	Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя Яровий, А.А. Власюк, Р.С. Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи
title	Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя
title_alt	Разработка нейросетевой ителлектуальной системы для прогнозирования энергетических центров пятенноподобных изображений в процессах профилирования лазерного луча Neural net intellectual system development for energy center of spot images forecasting in the laser beam profiling system
title_full	Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя
title_fullStr	Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя
title_full_unstemmed	Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя
title_short	Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя
title_sort	розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя
topic	Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи
topic_facet	Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи
url	https://nasplib.isofts.kiev.ua/handle/123456789/50148
work_keys_str_mv	AT âroviiaa rozrobkaneiromereževoííntelektualʹnoísistemidlâprognozuvannâenergetičnihcentrívplâmovihzobraženʹuprocesahprofílûvannâlazernogopromenâ AT vlasûkrs rozrobkaneiromereževoííntelektualʹnoísistemidlâprognozuvannâenergetičnihcentrívplâmovihzobraženʹuprocesahprofílûvannâlazernogopromenâ AT âroviiaa razrabotkaneirosetevoiitellektualʹnoisistemydlâprognozirovaniâénergetičeskihcentrovpâtennopodobnyhizobraženiivprocessahprofilirovaniâlazernogoluča AT vlasûkrs razrabotkaneirosetevoiitellektualʹnoisistemydlâprognozirovaniâénergetičeskihcentrovpâtennopodobnyhizobraženiivprocessahprofilirovaniâlazernogoluča AT âroviiaa neuralnetintellectualsystemdevelopmentforenergycenterofspotimagesforecastinginthelaserbeamprofilingsystem AT vlasûkrs neuralnetintellectualsystemdevelopmentforenergycenterofspotimagesforecastinginthelaserbeamprofilingsystem

Розробка нейромережевої інтелектуальної системи для прогнозування енергетичних центрів плямових зображень у процесах профілювання лазерного променя

Institution

Ähnliche Einträge