CC BY
128
companies, recommendations are given for developing the appearance of trademarks for enterprises in the rocket and space industry. The result of the work is a comparative analysis of the quality indicators of existing domestic patented trademarks of enterprises in the rocket and space industry with respect to patented trademarks of foreign enterprises in the rocket and space industry. The paper presents general information about innovation in the field of trademark quality assurance. Information about the novelty, relevance, theoretical and practical significance of creating high-quality trademarks is presented.
Key words: innovation, quality, trademarks, commercialization, analysis.
Rodionov Nikita Vadimovich, postgraduate, engineer-economist, nikitarodionov. info@,gmail. com, Russia, Samara, Samara National Research University, Joint Stock Company Space Rocket Centre Progress.
Zagidullin Radmir Salimyanovich, postgraduate, principal design engineer, Zasidullin_Radmir@mail.ru, Russia, Samara, Samara National Research University, Joint Stock Company Space Rocket Centre Progress.
Filippova Tatiana Sergeevna, postgraduate, t.s.philippova@gmail.com, Russia, Samara, Samara National Research University.
Kosenkova Anastasia Vladimirovna, candidate of technical sciences, principal design engineer, kosenkova.AV@yandex.ru, Russia, Moscow, Joint Stock Company Scientific and Production Association named after S. A. Lavochkin
УДК 004.032.26
DOI: 10.24412/2071-6168-2023-2-438-443
НЕЙРОНЫ В НЕЙРОННЫХ СЕТЯХ
В.М. Панарин, К.В. Гришаков, А.А. Маслова, О.В. Гришакова, А.В. Архипов
Рассмотрен нейрон как в биологическом контексте, так и в контексте искусственной нейронной сети. В контексте нейронной сети нейрон является наиболее фундаментальной единицей обработки. Это также называется персептроном. Нейронная сеть основана на том, как работает человеческий мозг. Описаны слои нейронной сети.
Ключевые слова: нейронные сети, искусственные нейронные сети, нейрон.
Помимо живого мира, в области искусственных нейронных сетей информатики нейрон представляет собой набор входных данных, набор весов и функцию активации. Он преобразует эти входные данные в единый выходной сигнал. Другой слой нейронов выбирает этот вывод в качестве своего ввода, и это продолжается и продолжается. Как правило, с биологической точки зрения нейроны находят как часть центральной нервной системы и человеческого мозга. По сути, можно сказать, что каждый нейрон представляет собой математическую функцию, которая точно имитирует функционирование биологического нейрона. На рис. 1 показана типичная нейронная сеть [1].
Биологический нейрон. Определить нейроны можно как носители информации, которые используют электрические импульсы и химические сигналы для передачи информации. Нейроны передают информацию в следующих двух областях:
- различные части мозга;
- мозг и нервная система.
Таким образом, все, о чем человек думает, чувствует и позже делает, связано с работой нейронов [1-3]. На рис. 2 представлен биологический нейрон.
Нейрон состоит из следующих трех основных частей:
- тело клетки;
- терминалы аксонов;
- расширение дендрита клетки.
На рис. 3 показана архитектура биологического нейрона.
Ядро в теле клетки контролирует функционирование клетки. Терминалы аксона (имеющее длинный хвост) передает сообщения из клетки. Терминалы дендритов (как ветка дерева) получает сообщения для ячейки.
Можно резюмировать, что биологические нейроны взаимодействуют друг с другом, посылая химические вещества, называемые нейротрансмиттерами, через крошечное пространство, называемое синапсом, между аксонами и дендритами соседних нейронов [4].
Рис. 1. Типичная нейронная сеть
Рис. 2. Типичный биологический нейрон
Э 1
Рис. 3. Архитектура биологического нейрона: 1 - нейрон (тело клетки); 2 - нуклид; 3 - дендрит;
4 - астроцит (глиальная клетка); 5 - аксон; 6 - олигодендроцит; 7 - терминалы аксонов)
Искусственный нейрон или нейронный узел - это математическая модель. В большинстве случаев он вычисляет средневзвешенное значение своих входных данных, а затем применяет к нему смещение. После этого он передает этот результирующий член через функцию активации. Эта функция активации является нелинейной функцией, такой как сигмовидная функция, которая принимает линейный ввод и выдает нелинейный вывод. На рис. 4 показан типичный искусственный нейрон [5].
Как и все нейроны, искусственный нейрон имеет входы, принимающие сигнал. Нейроны соединяются между собой связями - синапсами. У каждой есть свой вес - wi . Величина сигнала умножается на вес связи, когда сигнал через неё проходит. Сигнал, поступающий в сеть через первый вход x1, умножается на первый вес w1, который соответствует этому входу - x1w1. Таким образом, сигналы перемножаются до последнего, n-ого выхода, где мы получаем xnwn (форумла 1). После чего все полученные произведения попадают в сумматор, который суммирует все произведения. В результате появляется взвешенная сумма - net.
X±W± +X2W2 + ••• + XnWn = S"=lxiwi (1)
439
Веса
I
Я х3
и
а
со
"II ■--1 »„
Рис. 4. Типичный искусственный нейрон
Типичная нейронная сеть состоит из слоев нейронов, называемых нейронными узлами. Эти слои бывают следующих трех типов:
- входной слой (одиночный);
- скрытый слой (один или более одного);
- выходной уровень (одиночный).
Каждый нейронный узел связан с другим и характеризуется его весом и порогом. Он получает входные данные, на которых он выполняет некоторые преобразования, и отправляет их, отправляет выходные данные. Если выходные данные любого отдельного узла превышают указанное пороговое значение, этот узел активируется. Затем он отправляет данные на следующий уровень сети. В противном случае он остается бездействующим и, следовательно, не передает никаких данных на следующий уровень сети (рис.5).
Сьрьпъш слон
Рис. 5. Три типа слоев нейронной сети
Входной слой. Это первый слой в типичной нейронной сети. Нейроны входного уровня получают входную информацию, обрабатывают ее с помощью математической функции (функции активации) и передают выходные данные нейронам следующего уровня на основе сравнения с заданным пороговым значением. Обычно применяется только один входной слой в сети.
Предварительно обрабатывается текст, изображения, аудио, видео и другие типы данных для получения их числового представления. Позже это числовое представление в виде информации передается каждому нейрону входного слоя. Затем каждый нейрон применяет предопределенную нелинейную математическую функцию для вычисления выходных данных.
В качестве последнего шага необходимо масштабировать выходные данные с помощью заданных весов, связанных с ребрами между нейронами исходящего слоя и соответствующими нейронами входящего слоя [6-7].
Затем идет скрытый слой. В нейронной сети может быть один или несколько скрытых слоев. Нейроны в скрытом слое получают свои входные данные либо от нейронов входного слоя, либо от нейронов ранее скрытого слоя. Затем каждый нейрон передает входные данные в другую нелинейную функцию активации и после этого отправляет выходные данные нейронам следующего уровня.
Здесь также умножаются данные на веса ребер по мере их передачи на следующий уровень.
Выходной уровень. Есть только один выходной слой в сети, который отмечает логическое завершение нейронной сети.
Подобно ранее описанным слоям, нейроны в выходном слое получают входные данные от предыдущих слоев. Затем они обрабатывают их с помощью новых функций активации и выдают ожидаемые результаты. В зависимости от типа искусственной нейронной сети мы можем либо использовать
этот вывод в качестве конечного результата, либо передать его в качестве входных данных в ту же нейронную сеть (loopback) или другую нейронную сеть (cascade).
Далее о результате выходного слоя. Можно получить конечный результат в виде простой двоичной классификации, обозначающей один из двух классов, или же можно обратиться к многоклассовой классификации. Также можно использовать конечный результат в качестве прогнозируемого значения.
Кроме того, в зависимости от типа искусственной нейронной сети конечный результат может использоваться как конечный результат или как вывод в новый цикл по той же или другой нейронной сети.
Нейронная сеть с прямой связью. В данном типе нейронной сети можно обнаружить, что сигнал или информация передается только одним способом. В нейронной сети с прямой связью поток информации начинается от входного слоя к скрытому слою (слоям) и, наконец, к выходному слою. Нельзя найти в нем обратной связи или циклов.
Другими словами, мы можем сказать, что вывод слоя, скажем l, никак не влияет l на этот тип сети. Но вывод l повлияет на вывод слоев перед ним. Нейронные сети с прямой связью - это простые и прямые сети. Они имеют взаимно однозначное отображение между входами и выходами. В основном, эти сети используются для генерации шаблонов, распознавания образов и классификации. На рис. 6 показана типичная нейронная сеть с прямой связью.
Входной слой Скрытый слой
Нейронная сеть с обратной связью. В сетях такого типа сигнал или информация течет в обоих направлениях, то есть вперед и назад. Это делает их более мощными и более сложными, чем нейронные сети с прямой связью.
Нейронные сети с обратной связью динамичны, потому что состояние сети продолжает меняться, пока не достигнет точки равновесия. Они остаются в точке равновесия, пока входные данные не останутся прежними. Как только входные данные меняются, этот процесс продолжается до тех пор, пока они не найдут новое равновесие.
Эти сети также называют интерактивными или рекуррентными сетями из-за их динамической архитектуры. Более того, в этих сетях, находятся петли обратной связи. Нейронные сети с обратной связью используют для распознавания речи, прогнозирования текста и распознавания изображений. На рис. 7 показана типичная нейронная сеть с обратной связью.
Преимущества нейронных сетей.
Нейронные сети обладают уникальной способностью извлекать количественный смысл из сложных или неточных данных. Можно использовать хорошо структурированную нейронную сеть для извлечения шаблонов и обнаружения слишком сложных тенденций, чтобы можно было их обнаружить и понять с помощью других компьютерных технологий.
Как только сеть будет спроектирована для конкретной задачи и обучена с помощью хорошо подобранного набора данных, можно будет анализировать сложную информацию, используя ее. И это помогает в принятии решений на самом высоком уровне, предоставляя прогнозы для всех вероятных ситуаций.
Единственным наиболее значительным преимуществом нейронных сетей является то, что они обладают способностью к адаптивному обучению. Можно понимать это как способность учиться выполнять задачи на основе данных, предоставленных для обучения, а затем постоянно улучшать свою производительность по мере получения все новых и новых данных.
В этой статье мы изучали структуру и функционирование искусственных нейронов. Далее мы изучили архитектуру нейронной сети, ее уровни и типы и обсудили несколько важных преимуществ.
Мы можем заключить, что, как и биологический нейрон, искусственный нейрон является аккумулятором базовой нейронной сети, позволяя ей функционировать до совершенства.
Исследования проводились и финансировались в рамках гранта правительства Тульской области в сфере науки и техники 2022 года «Совершенствование автоматизированной системы экологического мониторинга на основе разработки модуля прогноза загрязнения окружающей среды и модуля поддержки принятия управляющих решений по обеспечению экологической безопасности промышленно развитых регионов».
Список литературы
1. Каллан Р. Нейронные сети: Краткий справочник. М.: Вильямс И.Д., 2017. 288 с.
2. Редько В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики. М.: Ленанд, 2019. 224 с.
3. Андреева О.В. Формирование оптимального алгоритма верификации изображений на основе нейронных сетей / О.В. Андреева, Л.Т. Крюков // Современные проблемы науки и образования. 2015. №1-1. С. 268.
4. Катасев А.С. Распознавание рукописных символов на базе искусственной нейронной сети / А.С. Катасев, Д.В. Катасева, А.П. Кирпичиков // Вестн. Технологического ун-та. 2015. Т.18, №11. С. 173176.
5. Панарин В.М., Гришаков К.В., Маслова А.А., Гришакова О.В., Архипов А.В. Применение искусственных нейронных сетей в инженерно-технических и экологических разработках // Известия Тульского государственного университета. Технические науки. 2022. Вып. 4. С. 278-284.
6. Панарин В.М., Гришаков К.В., Гришакова О.В., Маслова А.А., Архипов А.В. Разработка базовой модели искусственной нейронной сети системы экологического автоматизированного мониторинга атмосферного воздуха // Экологические системы и приборы. № 4. 2022. С. 23-29.
7. Панарин В.М., Маслова А.А., Гришаков К.В. Адаптация нейронных сетей для проведения экологического мониторинга окружающей среды // Инновационные наукоемкие технологии. Доклады VII международной научно-практической конференции. Под общей редакцией В.М. Панарина. 2020. С. 137-142.
Панарин Владимир Михайлович, д-р техн. наук, профессор, заведующий кафедрой, panarin-tsu@yandex.ru, Россия, Тула, Тульский государственный университет,
Гришаков Кирилл Владимирович, канд. техн. наук, ассистент, grishakoff.kirill@yandex.ru, Россия, Тула, Тульский государственный университет,
Маслова Анна Александровна, д-р техн. наук, профессор, an-na_zuykova@rambler.ru, Россия, Тула, Тульский государственный университет,
Гришакова Ольга Владимировна, аспирант, olya.grischakova@yandex.ru, Россия, Тула, Тульский государственный университет,
Архипов Александр Викторович, аспирант, aav@mail.ru, Россия, Тула, Тульский государственный университет
NEURONS IN NEURAL NETWORKS
V.M. Panarin, K.V. Grishakov, A.A. Maslova, O.V. Grishakova, A.V. Arkhipov 442
This article describes a neuron both in a biological context and in the context of an artificial neural network. In the context of a neural network, a neuron is the most fundamental unit of processing. This is also called a perceptron. The neural network is based on how the human brain works. The layers of the neural network are described.
Key words: neural networks, artificial neural networks, neuron.
Panarin Vladimir Mikhailovich, doctor of technical sciences, professor, head of department, panarin-tsu@yandex.ru, Russia, Tula, Tula State University,
Grishakov Kirill Vladimirovich, candidate of technical sciences, assistant, gri-shakoff.kirill@yandex.ru, Russia, Tula, Tula State University,
Maslova Anna Aleksandrovna, doctor of technical sciences, professor, anna_zuykova@rambler.ru, Russia, Tula, Tula State University,
Grishakova Olga Vladimirovna, postgraduate, olya.grischakova@yandex.ru, Russia, Tula, Tula State
University,
Arkhipov Alexander Viktorovich, postgraduate, aav@mail.ru, Russia, Tula, Tula State University
УДК 654.022
DOI: 10.24412/2071-6168-2023-2-443-449 ОСОБЕННОСТИ РАДИОКАНАЛОВ В СИСТЕМАХ СВЯЗИ С ПОДВИЖНЫМИ ОБЪЕКТАМИ
И.В. Наседкин, В.В. Ерыгин, Н.Н. Зайкин, Е.В. Фатьянова
В статье представлена особенности радиоканалов при организации связи с подвижными объектами. Представлены несколько вариантов связи с подвижными объектами.
Ключевые слова: подвижная связь, многолучевость, замирание сигналов.
В системах радиосвязи с подвижными объектами (ССПО) общие потери при распространении сигналов между передающими и приемными пунктами определяются: потерями, обусловленными распространением в свободном пространстве, и потерями, определяющимися рельефом местности и морфо-инфраструктурой рассматриваемого района.
При этом среди характерных особенностей радиоканала в ССПО можно выделить следующие: среду распространения радиоволн следует рассматривать как среду с неоднородными параметрами, для которой характерны различные явления: отражение, рассеяние, поглощение излучаемой энергии радиосигналов. Эти явления обуславливают эффект многолучевого распространения радиоволн, приходящих на приемную антенну, причем различные пути сменяют друг друга во времени и пространстве. При этом наблюдается так называемое «расширение задержки» дискретных элементов радиосигнала;
для радиоканала характерно наличие быстрых флуктуаций параметров радиосигналов, вызванных частотно-временной дисперсией передаточной функции канала связи, являющейся следствием многолучевого распространения радиоволн при многочисленном отражении от предметов, окружающих пункт приема. В частности, флуктуации начальной фазы сигнала в пункте приема определяются изменением местоположения, и при движении объекта являются функцией времени. Быстрые флуктуации для узкополосного сигнала, подверженного частотно-селективным замираниям, имеют интереференционный характер (так называемый быстрый фединг);
наблюдаются сравнительно медленные флуктуации усредненных на интервале стационарности быстрых изменений параметров сигнала, определяемые изменением степени затенения трассы распространения радиоволн рельефом местности, растительностью и местными предметами; медленные флуктуации, имеющие общий характер, определяют изменение уровня сигнала в точке приема и являются по своей физической природе, в отличии от быстрых, дифракционными;
глубоким замираниям амплитуды соответствуют скачки фазы сигнала и соответствующие им всплески (близкие к дельта-функции) случайной частоты, являющейся производной от случайной фазы. Это обстоятельство позволяет охарактеризовать радиоканал в ССПО как частотно-селективный;
