МЕТОДИ МАШИННОГО НАВЧАННЯ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ПЕРЕДБАЧЕННЯ ВЕЛИКИХ ЗАШУМЛЕНИХ ДАНИХ ЗА ДОПОМОГОЮ СУЧАСНИХ МОВ ПРОГРАМУВАННЯ
DOI:
https://doi.org/10.32782/IT/2022-1-6Ключові слова:
зашумлені дані, нейронна мережа, машинне навчання, мова програмування, трансформація, скінчені значення, великі дані.Анотація
У статті описано методи машинного навчання нейронної мережі для передбачення великих зашумлених даних за допомогою сучасних мов програмування. Описано особливості побудови штучної нейронної мережі, її сутність та структуру. Підкреслено, що реалізація методу машинного навчання нейронної мережі для передбачення великих зашумлених даних за допомогою сучасних мов програмування здійснюється у два основних етапи: перший етап являє собою попередню обробку даних, які є зашумленими та складають початковий набір направлений на структуризацію та здійснення обробки з метою отримання ефективного результуючого набору придатного для подальшого застосування, другий етап являє собою механізм виділення меж з отриманого результуючого набору. Локальний та адаптивний підхід направлено на реалізацію описаного першого етапу, наголошено, щодо ефективності такого підходу та виділено основні показники впливу на набір початкових даних. Результуючим фактором є можливість окремого незалежного впливу на кожен пік сель зображення враховуючи початкові характеристики. Математично сформовано структуру штучної нейронної мережі для передбачення великих зашумлених даних, описано кожен окремий компонент, що входить у загальну структуру. Зазначається, що апроксимуюча функція базується на вхідних шарах у кількості три одиниці, та одного виходу. Підкреслено, що за умови кольоровості початкового набору даних, першочерговим є встановлення напівтону, з поступовим переходом у штучну нейронну мережу для подальшої обробки, при виході з нейронної мережі інформація про колір відновлюється. Описано підхід до оцінки якості зашумлених даних під час передбачення штучною нейронною мережею, наголошено, що мінімізація значення оцінки відповідає поліпшенню візуальної якості зображення, що розглядається. Схематично представлено архітектуру нейронної мережі для передбачення великих зашумлених даних: визначено вхідну структуру матриці та описано крайову матрицю виходу. Зазначається, що використання сучасних мов програмування дає можливість виконувати створення, навчання, моделювання, а також імпорт та експорт нейронних мереж та даних, використовуючи лише інструментальні можливості інтерфейсу.
Посилання
Тимощук П. В. Спрощена модель нейронної мережі дискретного часу для паралельного сортування. Комп’ютерні системи та мережі. 2020. Т. 2. № 1. С. 94–101.
Сторчак К. П., Тушич А. М., Бондарчук А. П. Кластерний аналіз даних із використанням штучних нейронних мереж. Зв'язок. 2018. № 6 (136). С. 36-38.
Пронін С. В., Мірошниченко М. О. Система для аналізу великих масивів даних за допомогою алгоритмів машинного навчання. Вiсник Харкiвського нацiонального автомобiльно-дорожнього унiверситету. Харкiв, 2021. Вип. 94. С. 142–148.
Трочун Є. В. Спосіб інтерпретації результатів аудитів. Науковий огляд. 2021. № 4 (76). С. 36-45.
Training Neural Networks on Noisy Data / A. Rusiecki et al. Artificial Intelligence and Soft Computing. Cham, 2014. P. 131–142. URL: https://doi.org/10.1007/978-3-319-07173-2_13 (date of access: 16.04.2022).
Weak lensing cosmology with convolutional neural networks on noisy data / D. Ribli et al. Monthly Notices of the Royal Astronomical Society. 2019. Vol. 490, no. 2. P. 1843–1860. URL: https://doi.org/10.1093/mnras/ stz2610 (date of access: 16.04.2022).
A Hybrid Neural Network Model for Noisy Data Regression / E. W. M. Lee et al. IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics). 2004. Vol. 34, no. 2. P. 951–960. URL: https:// doi.org/10.1109/tsmcb.2003.818440 (date of access: 17.04.2022).
Learning Partial Differential Equations from Noisy Data using Neural Networks / K. Srivastava et al. Journal of Physics: Conference Series. 2020. Vol. 1655. P. 012075. URL: https://doi.org/10.1088/1742-6596/1 655/1/012075 (date of access: 17.04.2022).
On Neural Network Training from Noisy Data using a Novel Filtering Framework / V. Deshpande et al. AIAA Scitech 2020 Forum, Orlando, FL. Reston, Virginia, 2020. URL: https://doi.org/10.2514/6.2020-1869 (date of access: 17.04.2022).
Xie, Xuping & Bao, Feng & Maier, Thomas & Webster, Clayton. (2021). Analytic continuation of noisy data using Adams Bashforth residual neural network. Discrete & Continuous Dynamical Systems – S. 10.3934/ dcdss.2021088.
Calibrating multi-dimensional complex ODE from noisy data via deep neural networks / Li Kexuan, et al. arXiv preprint arXiv:2106.03591 2021. URL: https://www.researchgate.net/publication/352208410 _ Calibrating_multi-dimensional_complex_ODE_from_noisy_data_via_deep_ neural_networks (date of access: 17.04.2022).
Burger M., Heinz W. Engl. Training neural networks with noisy data as an ill-posed problem. Advances in Computational Mathematics. 2000. Vol. 13.4. P. 335-354.
Correction: On Neural Network Training from Noisy Data using a Novel Filtering Framework / V. Deshpande et al. AIAA Scitech 2020 Forum, Orlando, FL. Reston, Virginia, 2020. URL: https://doi.org/10.2514/6.2020-1869. c1 (date of access: 17.04.2022).
Neural Networks with Fixed Binary Random Projections Improve Accuracy in Classifying Noisy Data / Z. Yang et al. Bildverarbeitung für die Medizin 2021. Wiesbaden, 2021. P. 211–216. URL: https:// doi.org/10.1007/978-3-658-33198-6_51 (date of access: 17.04.2022).
