Общие принципы функционирования систем, состоящих из множества взаимодействующих элементов Текст научной статьи по специальности «Компьютерные и информационные науки»

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №01-2/2017 ISSN 2410-6070_

УДК 004.855.5

Парасич А. В.

аспирант кафедры «Электронные вычислительные машины», факультет «Компьютерные технологии, управление и радиоэлектроника», Южно-Уральский государственный университет

г. Челябинск, Российская Федерация;

Парасич В.А.

доцент кафедры «Электронные вычислительные машины», факультет «Компьютерные технологии, управление и радиоэлектроника», Южно-Уральский государственный университет

г. Челябинск, Российская Федерация;

ОБЩИЕ ПРИНЦИПЫ ФУНКЦИОНИРОВАНИЯ СИСТЕМ, СОСТОЯЩИХ ИЗ МНОЖЕСТВА

ВЗАИМОДЕЙСТВУЮЩИХ ЭЛЕМЕНТОВ

Аннотация

В природе нас окружает огромное количество систем, состоящих из некоторого числа взаимодействующих элементов. Строго говоря, все объекты в природе представляют собой системы взаимодействующих простых элементов (атомов, молекул или клеток). Для функционирования подобных систем, несмотря на их разнообразие, характерно множество общих принципов. Особый интерес представляет изучение подобных закономерностей в свете проблемы эффективного обучения глубоких свёрточных нейронных сетей. Похожие вопросы изучают нелинейная динамика и синергетика.

Ключевые слова

Глубокие свёрточные нейронные сети, машинное обучение, нелинейная динамика.

Применительно к задачам информатики и интеллектуального анализа данных, к системам, состоящим из множества взаимодействующих элементов, можно отнести распределённые компьютерные системы и сети, обучение нейронных сетей и глубоких свёрточных нейронных сетей, численная оптимизация, анализ социальных сетей, разработка систем распознавания.

В последнее время популярность глубоких свёрточных нейронных сетей [1] резко возросла благодаря тому, что с помощью их использования удалось существенно поднять качество распознавания во многих задачах обработки изображений, распознавания речи и т.д. В то же время, существуют большие проблемы с теоретическим объяснением и пониманием процессов, происходящих при обучении глубоких нейронных сетей, влиянии настроек обучения на качество обучения, что мешает прогрессу в данной области. Процесс обучения нейронных сетей плохо описывается с помощью классических математических рассуждений. Более эффективным представляется его описание с помощью моделей систем, состоящих из множества взаимодействующих элементов.

Рассмотрим несколько полезных на практике примеров. Представим себе систему из множества биллиардных шаров, независимо друг от друга катающихся в случайном направлении по столу. Будем рассчитывать положение центра масс данного множества шаров и рисовать траекторию его движения. В случае небольшого числа шаров (3 - 5 шаров) мы увидим некоторую случайную траекторию движения. В случае же большого числа шаров (100 - 1000 шаров) мы не будем наблюдать заметного движения их центра масс, поскольку случайные перемещения большого числа шаров взаимоскомпенсируются и дадут в сумме величину, близкую к нулю. С помощью данной модели можно объяснить, зачем используется mini-batch метод при обучении нейронных сетей. Если мы будем считать градиент по большому числу обучающих примеров (или сразу по всей обучающей выборке), то направления градиентов для каждого нейрона взаимоскомпенсируются, в результате суммарный градиент будет близок к нулю, и обучение сети будет происходить очень медленно либо вообще не будет происходить. При вычислении градиента по небольшому числу обучающих примеров мы получим на некоторых нейронах чёткий градиент, что позволит при правильном выборе размера mini-batch и других параметров обучения успешно обучить нейросеть.

Представим, что в последовательности модулей один из модулей вычисляет некоторую случайную

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №01-2/2017 ISSN 2410-6070_

функцию от входных данных и передаёт её на выход. Тогда выход всей системы и результаты измерения качества её работы будут, по сути, случайной величиной. Если мы захотим изменить один из модулей и посмотреть, как это повлияет на систему в целом, мы опять же не получим никакой полезной информации. Если в некотором из модулей системы распознавания заложена ошибка алгоритмического характера или ошибка в принятии решений, его поведение будет напоминать поведение рассмотренного выше модуля со случайной функцией внутри. Система распознавания, в которой изначально содержат проблемы не более одного модуля - скорее теоретическая абстракция. Это ещё больше усложняет тестирование подобных систем. При внесении изменений в один из модулей следует протестировать его поведение независимо от других (а все модули, как мы говорили выше, полностью взаимосвязаны).

Список использованной литературы 1. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with deep convolutional neural networks //Advances in neural information processing systems. - 2012. - С. 1097-1105.

© Парасич А.В., Парасич В.А. 2017

УДК 504.054

В.Р. Сайфуллин

Хакасский государственный университет им. Н.Ф. Катанова студент 4 курса Института информационных технологий и инженерного образования

Научный руководитель Е.В. Шанина

Хакасский государственный университет им. Н.Ф. Катанова

кандидат технических наук, доцент г. Абакан, Российская Федерация

РАСЧЕТ УЩЕРБА ОКРУЖАЮЩЕЙ СРЕДЕ ОТ ЗАГРЯЗНЕНИЯ ПОЧВ НЕФТЕПРОДУКТАМИ НА ТЕРРИТОРИИ

Аннотация

В работе представлен результат расчета размера ущерба окружающей среде от загрязнения нефтепродуктами почвы на участке частного сектора прилегающего к железнодорожным путям.

Ключевые слова

железнодорожный транспорт, нефтепродукты, ущерб, окружающая среда, железная дорога, загрязнение

земель, почва.

Наиболее распространёнными загрязнителями в железнодорожной отрасли являются нефтепродукты. Нефтепродукты это смеси газообразных, жидких и твердых углеводородов, получаемые из нефти и попутных газов [1]. В состав нефтепродуктов входит смесь углеводородов метанового, нафтенового и ароматического рядов [2].

Среди основных причин загрязнения железнодорожных путей нефтепродуктами выделяют их утечку из цистерн и неисправных котлов, а так же заправку колесных букс [3]. При попадании нефтепродуктов в почву ухудшается ее структура, повышается кислотность, накапливаются патогенные микроорганизмы, происходит деградация и депрессия почвенной микрофлоры и нарушение почвенного микробиоценоза и биоценоза в целом. Оценка общего экономического ущерба в результате этих процессов составляет сотни миллиардов рублей ежегодно [4].

Под загрязнением окружающей среды понимается поступление загрязняющих веществ и энергии в ОС, свойства и количество которых приводит к ухудшению ее состояния [5].

Возможные или фактические экономические, экологические и социальные потери, возникающие в