Нейроимитатор NeuroIterator Текст научной статьи по специальности «Компьютерные и информационные науки»

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №3/2016 ISSN 2410-6070

вносят искажения в КЭ (несимметрия напряжений, колебание напряжения и несинусоидальность напряжения), поэтому требуется проведение технических мероприятий по повышению качества электроэнергии как со стороны энергоснабжающей организации, так и со стороны потребителей, в данном случае больниц.

Список использованных источников:

1 Большев В.Е. Стенд для исследования влияния электроприемников на качество электроэнергии А.В. Виноградов, В.Е. Большев// Агротехника и энергообеспечение. - 2014. - № 4 (4) - С.46

2 Бородин М.В. Статистическая обработка результатов измерения качества электроэнергии / Бородин М.В., Виноградов А.В. //Вести высших учебных заведений Черноземья №4. - Липецкий государственный технический университет (Липецк) - 2013 - с 14-20

3 Виноградов А.В Основные способы регулирования напряжения в энер-госистемах/ Виноградов А.В., Голиков И.О., Бородин М.В., Бородина Е.В. // Промышленная энергетика №11- 2014 - с 51-56

4 Голиков И.О. Проблемы в энергетике препятствующие повышению качества электроэнергии / Голиков И.О.// Современные материалы, техника и технология. Материалы 2-й Международной научно-практической конференции 25 декабря 2012 г. - ЗАО "Университетская книга" (Курск) - с 87-89

5 Голиков И.О. Основные способы регулирования напряжения в энер-госистемах/ Голиков И.О. // Особенности технического и технологического оснащения современного сельскохозяйственного производства. Материалы Международной научно-практической конференции 4-5 апреля 2013.- Орел: Изд-во Орел ГАУ - 2013 - с 333-336

6 ГОСТ 32144- 2013 Электрическая энергия. Совместимость технических средств электромагнитная. Нормы качества электриче-ской энергии в системах электроснабжения общего назначения / Межгосударственный совет по стандартизации, метрологии и сертификации (мгс): Москва: Стандартин-форм, 2014. - 20с.

7 Карташев, И.И. Управление качеством электроэнергии / И.И. Карташев, В.Н. Тульский, Р.Г. Шамонов, Ю.В. Шаров, А.Ю. Воробьев; под ред. И.В. Шарова. - М.: Издательский дом МЭИ. - 2006. - 320 с.

8 Шклярский А. Я. Исследование высших гармоник в электрической сети медицинского учреждения/ Шклярский А. Я. Филатова М. О. Слотин А. С. // - Материалы Международной научно-практической XXIII конференции «Молодежный научный форум: Технические и математические науки» апрель 2015 г. - М: Изд. «МЦНО»- с 148-153

9 Rusdy Hartungi. Investigation of Power Quality In Health Care Facility

/Rusdy Hartungi, Liben Jiang // - International Conference on Renewable Energies and Power Quality (ICREPQ'10) 23rd to 25th March - Granada (Spain) - 2010 - p 555-559

10Ramos, MC Giacco and Tahan, CM Vieira, An Assessment of the Electric Power Quality and Electrical Installation Impacts on Medical Electrical Equipment Operations at Health Care Facilities - American Journal of Applied Sciences 6 (4) - 2009 - p 638-645

© Большев В. Е., 2016

УДК 004.42

И.В. Винокуров

К.т.н., доцент КФ МГТУ им Н.Э. Баумана г. Калуга, Российская Федерация

НЕЙРОИМИТАТОР ЖШ01ТЕКЛТ0К

Аннотация

Описываются назначение и основные функциональные характеристики нейроимитатора NeuroIterator

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №3/2016 ISSN 2410-6070

Ключевые слова

Нейроимитатор, нейроноподобный элемент, нейронная сеть

Для изучения поведения любого объекта, в том числе и нейронных сетей (НС), могут быть использованы три основных метода - аналитическое исследование, физическое моделирование и математическое моделирование на универсальных или специализированных ЭВМ. Последний метод является предпочтительным, поскольку дает возможность создавать практически любые модели нейроноподобных элементов (НПЭ) и позволяет провести всестороннее исследование работы НС любой сложности. К программному обеспечению ЭВМ для исследования работы НС - нейроимитатору (НИ), могут быть предъявлены следующие требования:

1. НИ должен поддерживать самые распространенные типы функций активации НПЭ.

2. НИ должен позволять формировать НС практически с любой структурой межнейронных связей и реализовывать возможность их обучения.

3. НИ должен наглядно отображать результаты моделирования работы НС и оценивать точность получаемых результатов.

НИ №игоЙ;егаШг имеет четыре модели НПЭ, используемых для формирования НС - НПЭ с кусочно-линейной функцией активации, НПЭ с пороговой функцией активации, НПЭ с сигмовидной функцией активации и НПЭ с функцией активации гауссова распределения, рис. 1.

дУ У АУ 4У

Л'

Л- Xi

-fxt

УХ .........

Xi xt

л

X

Xi

X

X

Рисунок 1 - Модели НПЭ в НИ №игоЙ;егаШг Для формирования модели НПЭ в НИ №игоЙ;ега1ог необходимо определить параметры X^ , XI и у его функции активации и присвоить ей идентификационный код, рис. 2.

Описание модели нейроноподобного элемента

Параметры Функции активации:

vi =

xi = рГсГо

xt = pis

fi

у = + е" *ч ОС

Код идентификации: |401 Линейная / Ступенчатая , Сигмовидная / Гауссова j

Модель нейрона

Закрьть Справка Из Файла... | В Файл...

Рисунок 2 - Формирование модели НПЭ в НИ NeuroIterator

Параметры модели НПЭ сохраняются в текстовых файлах.

Для описания НС в НИ NeuroIterator используется внутренний макроязык. Макроязык описания НС состоит из следующих десяти операторов. NEURONS number; Определяет количество НПЭ в НС (number).

SIMTIME initime, endtime; Задает модельное время работы НС от момента модельного времени initime до момента модельного

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №3/2016 ISSN 2410-6070_

времени endtime.

TIMESTEP step; Задает модельный шаг (step) работы НС.

MODEL {neuroni, neuronID; (neuronj,...,neuronk), neuronID;} Ассоциирует модель НПЭ по ее идентификационному коду (neuronID) с отдельным НПЭ (neuroni) или с группой НПЭ (neuronj, ...,neuronk).

SUSPEND {neuroni, cycles; (neuronj,...,neuronk), cycles;} Определяет число шагов ожидания, или иными словами, число шагов моделирования работы НС (cycles), в течение которых состояние ее отдельного НПЭ (neuron,) или группы НПЭ (neuronj,.,neuronk) не изменяется.

INITSTATE {neuroni, init; (neuronj,...,neuronk), init;} Задает начальное состояние (init) НПЭ (neuroni) или группы НПЭ (neuronj,. ,neuronk).

INPUTLAYER { neuroni; neuronj, ...,neuronk;} Описывает входной слой НС.

OUTPUTLAYER { neuroni, weight value;

(neuronj, ...,neuronk), weight value;} Описывает выходной слой НС и определяет весовые коэффициенты связи (value) отдельного НПЭ (neuroni) или группы НПЭ (neuronj, ...,neuronk) выходного слоя НС.

NETWORKLAYOUT {neuroni, neuronj, weight value;

neuronk, (neuront, ...,neuronm), weight value,. ,value;} Описывает структуру НС и задает весовые коэффициенты межнейронных связей (value) отдельного НПЭ (neuroni) с другим НПЭ (neuronj) или с группой НПЭ (neuronl,...,neuronm).

END

Завершает описание НС.

После описания НС может быть обучена любым из реализованных в НИ NeuroIterator методов обучения. Диалоговое окно НИ при реализации метода обучения НС с прямыми связями на наборах входных и выходных эталонных образов приведено на рис. 3. Входные и соответствующие им выходные эталонные образы описываются в текстовых файлах.

По результатам моделирования работы НС НИ NeuroIterator позволяет отследить динамику активности НПЭ выходного слоя НС, рис. 4, отобразить ее графически и представить в виде числовых значений для каждого модельного шага работы НС.

Рисунок 3 - Обучение НС в НИ NeuroIterator

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №3/2016 ISSN 2410-6070

Рисунок 4 - Графики активности НПЭ выходного слоя НС

НИ NeuroIterator был использован для исследования нейросетевых моделей ориентации и навигации автономного подвижного объекта [1, ^ 32, 34].

Список использованной литературы: 1. Сборник статей Международной научно-практической конференции "Новые задачи технических наук и пути их решения" (20 февраля 2015, г. Уфа). - Уфа: Аэтерна, 2015.

© Винокуров И.В., 2016

УДК 004.272

И.В. Винокуров

К.т.н., доцент

КФ МГТУ им Н.Э. Баумана, г. Калуга, РФ

ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВЫХ КИНЕМАТИЧЕСКИХ МОДЕЛЕЙ АВТОНОМНОГО ПОДВИЖНОГО ОБЪЕКТА

Аннотация

Описываются основные результаты исследования нейросетевых кинематических моделей автономного подвижного объекта с использованием нейроимитатора NeuroIterator

Ключевые слова

Автономный подвижный объект, нейросетевая модель, кинематические параметры

Родрига-Гамильтона, нейроимитатор

Для определения максимальной абсолютной погрешности аппроксимации нейронной сетью (НС) решения кинематических уравнений в параметрах Родрига-Гамильтона воспользуемся НИ NeuroIterator. Для этого необходимо сформировать модели нейроноподобных элементов (НПЭ), образующих НС, определить весовые коэффициенты межнейронных связей и описать структуру НС на внутреннем макроязыке НИ. Учитывая, что функции активации НПЭ НС для интегрирования кинематических уравнений в параметрах Родрига-Гамильтона являются кусочно-линейными и при этом максимальные значения этих кинематических параметров по модулю не превышают единицы, модели всех НПЭ формируются