РОЗРОБКА НЕЙРОМЕРЕЖЕВОГО СПОСОБУ ПРОГНОЗУ ВМіСТУ МЕТАНУ В ГіРНИЧИХ ВИРОБКАХ Текст научной статьи по специальности «Прочие технологии»

2. Добров, Б. В. Курс из 16 презентаций «Онтологии и тезаурусы» [Электронный ресурс] / Б. В. Добров, В. В. Иванов, Н. В. Лукашевич, В. Д. Соловьев. — Режим доступа: \www/ URL: http://download.yandex.ru/class/solovyev/plan.pdf/. — 16.09.2015.

3. Лапшин, В. А. Онтологии в компьютерных системах [Текст] /

B. А. Лапшин. — М.: Научный мир, 2010. — 222 с.

4. Палапн, О. В. Арх^ектурно-онтолопчш принципи роз-будови штелектуальних шформацшних систем [Текст] / О. В. Палапн, М. Г. Петренко // Математичш машини та системи. — 2006. — № 4. — С. 15-20.

5. Палагин, А. В. Онтологические методы и средства обработки предметных знаний [Текст]: монография / А. В. Палагин,

C. Л. Крывый, Н. Г. Петренко. — Луганск: ВНУ им. В. Даля, 2012. — 324 с.

6. Митрофанова, О. А. Онтологии как системы хранения знаний [Текст] / О. А. Митрофанова, Н. С. Константинова // Всероссийский 40 конкурсный отбор обзорно-аналитических статей по приоритетному направлению «Информационно-телекоммуникационные системы». — 2008. — 54 с.

7. Гладун, А. Я. Онтологии в корпоративных системах [Текст] / А. Я. Гладун, Ю. В. Рогушина // Корпоративные системы. — 2006. — № 1. — С. 41-47.

8. Андреев, А. М. Использование технологии Semantic Web в системе поиска несоответствий в текстах документов [Электронный ресурс] / А. М. Андреев, Д. В. Березкин, В. С. Рымарь, К. В. Симаков. — НПЦ «ИНТЕЛТЕК ПЛЮС», 2006. — Режим доступа: \www/URL: http://www.inteltec.ru/publish/ articles/textan/rimar_RCDL2006.shtml

9. Добров, Б. В. Вторичное использование лингвистических онтологий: изменение в структуре концептуализации [Электронный ресурс] / Б. В. Добров, Н. В. Лукашевич // Труды 7-ой Всероссийской научной конференции «Электронные библиотеки: перспективные методы и технологии, электронные коллекции» — RCDL'2005. — Ярославль, Россия, 2005. — Режим доступа: \www/URL: http://www.rcdl2006.uniyar.ac.ru/ papers/paper_78_v1.pdf

10. Гусев, В. Д. Система «OntoGRID» для построения онтоло-гий [Текст] / В. Д. Гусев, А. В. Завертайлов, Н. Г. Заго-руйко, С. П. Ковалёв, А. М. Налётов, Н. В. Саломатина // Международная конференция по компьютерной лингвистике «Диалог 2005». — М., 2005. — С. 146-152.

11. Douglas Lenat [Electronic resource] // Wikipedia. The Free Encyclopedia. — 29 September 2015. — Available at: \www/ URL: http://en.wikipedia.org/wiki/Douglas_Lenat

12. Official site of Cycorp [Electronic resource]. — Available at: \www/ URL: http://cyc.com/

ISSN 222Б-3780

13. OpenCyc [Electronic resource]. — Available at: \www/URL: http://www.opencyc.org/

14. OpenCyc for the Semantic Web [Electronic resource]. — Available at: \www/URL: http://sw.opencyc.org/

15. The World FactBook [Electronic resource] // Central Intelligence Agency. — Available at: \www/URL: https://www.cia.gov/ library/publications/the-world-factbook/index.html

16. Upper ontology [Electronic resource] // Wikipedia. The Free Encyclopedia. — 26 July 2015. — Available at: \www/ URL: http:// en.wikipedia.org/wiki/Upper_ontology_(computer_science)

обзор СОВРЕМЕННЫХ ОНТОЛОГОУПРАВЛЯЕМЫХ ИНФОРМАЦИОННЫХ СИСТЕМ И СЕРВИСОВ, ПЕРСПЕКТИВЫ ИХ ПРИМЕНЕНИЯ В ЭЛЕКТРОННОМ ОбРАЗОВАНИИ

Дается сравнительный обзор современных онтологоуправ-ляемых информационных систем, которые используются, или могут быть использованы, для систем электронного обучения. В результате анализа функциональных возможностей таких систем, как «Cyc», «Ontolingua», «The World FactBook» и возможностей их взаимодействия для межмашинного обмена знаниями сделаны выводы о перспективности исследований в отрасли создания украиноязычных отологоуправляемых систем электронного образования.

Ключевые слова: базы знаний, онтологии, инженерия знаний, электронное обучение.

Сирота Сергт ВКторович, кандидат техшчних наук, доцент, кафедра прикладног математики, Нащональний техшчний ут-верситет Украгни «Кигвський полтехтчний тститут», Украгна, e-mail: sergiy.syrot@gmail.com.

Лккт Вячеслав Олегович, асшрант, кафедра прикладног математики, Нащональний техтчний утверситет Украгни «Кигв-ський полтехшчний iнститут», Украгна.

Сирота Сергей Викторович, кандидат технических наук, доцент, кафедра прикладной математики, Национальный технический университет Украины «Киевский политехнический институт», Украина.

Лискин Вячеслав Олегович, аспирант, кафедра прикладной математики, Национальный технический университет Украины «Киевский политехнический институт», Украина.

Syrota Sergiy, National Technical University of Ukraine «Kyiv Polytechnic Institute», Ukraine, e-mail: sergiy.syrot@gmail.com.

Liskin Viacheslav, National Technical University of Ukraine «Kyiv Polytechnic Institute», Ukraine

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И СИСТЕМЫ УПРАВЛЕНИЯ

УДК 004.032.26 DOI: 10.15587/2312-8372.2015.51249

Джова Ю. Л. РОЗРОБКА НЕИРОМЕРЕЖЕВОГО

СПОСОБУ ПРОГНОЗУ ВМ1СТУ МЕТАНУ В Г1РНИЧИХ ВИРОБКАХ

Розглянуто та проаналiзовано iснуючi методы прогнозу вмкту метану. Виходячи з основных переваг i недолтв, розроблено i реалiзовано нейромережевый спо^б прогнозу, в основу якого покладено розподшену мережу прямого розповсюдження з затрымкою в чаa (distributed TLFN). Архтектура вызначена на основi проведеных експерыментiв. Крытерieм выбору архтектуры було мiнiмальне значення MSE.

Ключов1 слова: прогноз, нейронна мережа, distributed TLFN, iдентыфiкацiя структуры i пара-метрiв мережi, середньоквадратычна помылка.

1. Вступ

В даний час одшею з найважливших проблем, що шнують в прничш промисловосл, е недостатнш р1вень

виробничо1 безпеки. Сучасш комп'ютерш системи аеро-газового контролю [1, 2], що використовуються на шахтах, не передбачають можлив1сть прогнозу вм1сту метану. Це призводить до того, що заходи, спрямоваш

I 60

ТЕХНОЛОГИЧЕСКИЙ АУДИТ И РЕЗЕРВЫ ПРОИЗВОДСТВА — № 5/6(25], 2015, © Дшова Ю. Л.

ISSN 222Б-3780

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И СИСТЕМЫ УПРАВЛЕНИЯ

J

на недопущення аварiй або зниження 1х наслiдкiв, можуть бути проведет занадто тзно. Тому розробка способiв прогнозу концентрацii метану е актуальною.

2. Анал1з л1тературних даних та постановка проблеми

Сьогодш iснуе бiльш 100 методiв прогнозування та IX вар1ащй [3]. Серед найпоширешших груп методiв, що застосовуються для ршен-ня задачi прогнозу часового ряду, можна видшити наступш

— екстраполяцiйнi методи [4, 5];

— математичш методи [6];

— асощативш методи [7].

Екстраполяцiйнi методи найбшьш ефек-

тивнi для прогнозу б^ьш-менш стiйких процесiв, без значних коливань. Основним недолжом методiв е зменшення точност прогнозу iз збшьшенням iнтервалу, що не-обхiдно спрогнозувати.

Математичш методи мають найбiльш ви-соку достовiрнiсть отримано'i iнформацii, лег-ку програмну реалiзацiю, але 1х застосуван-ня передбачае жорстку фжсащю тренду, що призводить до короткострокового прогнозу.

Асощативш методи засноват на визначен-нi взаемозалежних змiнних, як можна вико-ристовувати для передбачення значень необ-хiдних змiнних. Основа асощативних методiв — розробка рiвняння, яке пiдсумовуе ефекти змiнних передбачення. Основний недолж цих методiв полягае в тому, що при обрант недостатньо адекватно! моделi результати прогнозу матимуть низьку точшсть.

Таким чином, постае задача розробки способу про-гнозування, що усуне вказаш недолiки.

високу швидюсть навчання. Для визначення структури обрано! ШНМ було проведено ряд експерименпв, пiд час яких кiлькiсть нейрошв скритого шару змiнювалася з 5 до 15. Основним критерiем вибору структури було мшмальне значення MSE. Експерименти показали, що достатньо використовувати 10 нейрошв скритого шару осюльки подальше змшення значення MSE незначне.

На рис. 1 представлена структура обрано! модел!

рис. 1. Структура модеш обрана! нейранна! мереж

Модель мережi представлена в наступному виглядг

y('>(n) = f(1)

м(°)

j + Е wjx(n- (i -1))

, j el,N(1), (1)

3. 06'ект, мета та задач1 дослщження

Об'ектом дослгдження е процес прогнозування концентрацп метану в прничих виробках.

Метою дослгджень е розробка нейромережевого способу прогнозу концентрацп метану.

Для досягнення поставлено'! мети необхщно виршити наступнi основнi задача

1. Вибiр штучно'! нейронно! мережi (ШНМ).

2. Визначення структури ШНМ.

3. Вибiр критерпв оцiнки ефективност нейроме-режево'! моделi прогнозу.

4. Навчання модел!

5. Проведення чисельних дослщжень.

y(2)(n) = f(2)

¿(2).

N №

Е y(1)(n)

(2)

де N(1) — кiлькiсть нейронiв у першому шарi, M(0) — затримка у вхвдному шарi.

Для навчання моделi було обрано критерiй адекват-ност моделi, що означав вибiр таких значень парамет-та w(2), при яких забезпечувться мiнiмальне

и(1)

PiB -j значення MSE:

F = P Е ( Ур - dP )2

р=1

mm ,

(1) (2) ij ' i

(3)

4. Результаты дослщжень нейромережевого способу прогнозування концентрацп метану в прничих виробках

Для виршення задач прогнозу використовуються динамiчнi нейроннi мережi (нейронш мережi iз затрим-кою у чаа). В роботi [8] наведений порiвняльний аналiз таких нейронних мереж. Для розробки нейромережевого способу прогнозу концентрацп метану було обрано роз-подшену мережу прямого розповсюдження iз затримкою у часi distributed TLFN, що, у порiвняннi з iншими динамiчними нейронними мережами, забезпечув бiльш

де P — кшьюсть тестових реалiзащй;yp — прогноз, отриманий по моделг, dp — бажаний прогноз.

Навчання обрано! ШНМ найчастiше вiдбуваеться з використанням алгоритму зворотного розповсюдження помилки. Детально такий варiант навчання розглянуто в роботах [8, 9]. Однак, недолжом такого алгоритму е використання лише локального пошуку мшмуму (3).

Альтернативою алгоритму зворотного розповсюдження помилки е генетичний алгоритм в комбшацп з iмiтацiею вiдпалу [10], що використовуе як локальний, так i гло-бальний пошук мiнiмуму (3). Така комбшащя забезпечуе пiдвищення точност прогнозу. В якостi особин вико-

TECHNOLOGY AUDiT AND PRODUCTiON RESERVES — № 5/6(25], 2015

с

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И СИСТЕМЫ УПРАВЛЕНИЯ

ISSN 222Б-3780

ристовувться вектор вагових коефiцiвнтiв wj1 та w(2), а в якост фiтнес-функцiй використано критерш (3).

5. Висновки

У результат проведених дослщжень:

1. Для виршення задачi прогнозу концентрацп метану було проаналiзовано iснуючi методи прогнозу, серед яких найбшьшу ефектившсть показали нелiнiйнi методи, а саме — ШНМ.

2. Для тдвищення якостi прогнозу було обрано роз-подiлену мережу прямого розповсюдження iз затримкою у часi distributed TLFN, та, на основi експериментiв, було визначено структуру li моделi. В якост критерiю ефективностi обрано1 моделi ШНМ було обрано такi показники як швидюсть навчання, точнiсть прогнозу. Експерименти показали, що при десяти скритих нейронах та при використанш генетичного алгоритму в якост шструмента навчання обрана мережа навчавться значно швидше, i дав результати прогнозу з достовiрнiстю 90 %, що на 10 % бшьше у порiвняннi з iншими ШНМ.

Литература

10.

Лукашин, Ю. Л. Адаптивные методы краткосрочного прогнозирования [Текст]: учеб. пособие / Ю. Л. Лукашин. — М.: Финансы и статистика, 2003. — 416 с. Park, J. Evaluation of an energy-based approach and a critical plane approach for predicting constant amplitude multiaxial fatigue life [Text] / J. Park, D. Nelson // International Journal of Fatigue. — 2000. — Vol. 22, № 1. — P. 23-39. doi:10.1016/ s0142-1123(99)00111-5

Рассел, С. Искусственный интеллект: современный подход [Текст] / С. Рассел, П. Норвиг. — 2-е изд. — М.: Издательский дом «Вильямс», 2007. — 1408 с. Федоров, Е. Е. Разработка способа прогноза содержания взрывоопасных газов в горных выработках [Текст] / Е. Е. Федоров, Ю. Л. Дикова // Науковi пращ Донецького нацюнального техшчного ушверситету. Серiя: Обчислюваль-на техшка та автоматизащя. — 2015. — № 1(28). — С. 97-104. Дикова, Ю. Л. Разработка нейросетевого способа диагностики шахтного оборудования [Текст] / Ю. Л. Дикова, Е. Е. Фед-ров // Бионика интеллекта. — 2015. — № 1(84). — С. 80-84.

Аралова Н. И., Мастыкаш Ю. Машкин В. И., Машкина И. В.

РАЗРАбОТКА НЕИРОСЕТЕВОГО СПОСОбА ПРОГНОЗА СОДЕРЖАНИЯ МЕТАНА В ГОРНЫХ ВЫРАбОТКАХ

Рассмотрены и проанализированы существующие методы прогноза содержания метана. Исходя из основных преимуществ и недостатков, разработан и реализован нейросетевой способ прогноза, в основу которого положена распределенная сеть прямого распространения с задержкой во времени (distributed TLFN). Архитектура определена на основе проведенных экспериментов. Критерием выбора архитектуры было минимальное значение MSE.

Ключевые слова: прогноз, нейронная сеть, distributed TLFN, идентификация структуры и параметров сети, среднеквадратичная ошибка.

Дшова Юлiя ЛеотЫвна, астрант, кафедра комп'ютерних наук, Донецький нащональний техтчний утверситет, Красно-армшськ, Украта, e-mail: juli.dikova@gmail.com.

Дикова Юлия Леонидовна, аспирант, кафедра компьютерных наук, Донецкий национальный технический университет, Красноармейск, Украина.

Dikova Yulya, Donetsk National Technical University, Krasnoarmiysk, Ukraine, e-mail: juli.dikova@gmail.com

УДК G21.38G:G1G-073.7(045) DOI: 10.15587/2312-8372.2015.51248

ИНФОРМАЦИОННАЯ ПОДДЕРЖКА ОЦЕНКИ НАДЕЖНОСТИ РАБОТЫ ОПЕРАТОРА В УСЛОВИЯХ ПОВЫШЕННОГО СИТУАЦИОННОГО НАПРЯЖЕНИЯ

1. Брюханов, А. М. Создание современной системы комплексной безопасности [Текст]: сб. науч. тр. МакНИИ / А. М. Брюханов, Ю. А. Иванов, С. М. Силаков // Способы и средства создания безопасных и здоровых условий труда в угольных шахтах. — Макеевка-Донбасс, 2007. — Вып. 20. — C. 7-15.

2. Радченко, В. В. Перспективы повышения уровня промышленной безопасности угольных шахт при использовании системы диспетческого контроля (УТАС) [Текст] / В. В. Радченко, Н. В. Малеев, А. А. Мартынов, В. С. Захаров, В. А. Шевцов // Горный информационно-аналитический бюллетень. —

2005. — № 2(12). — С. 32-44.

3. Тихонов, Э. Е. Методы прогнозирования в условиях рынка [Текст]: учеб. пособие / Э. Е. Тихонов. — Невинномысск,

2006. — 221 с.

4. Box, G. E. P. Time Series Analysis: Forecasting and Control [Text] / G. E. P. Box, G. M. Jenkins, G. C. Reinsel. — Ed. 4. — Prentice Hall, 2008. — 810 p.

5. Webb, A. R. Statistical Pattern Recognition [Text] / A. R. Webb. — Ed. 2. — John Wiley & Sons Ltd., 2002. — 495 p. doi:10.1002/ 0470854774

В работе предлагается подход для исследования надежности работы оператора в условиях повышенной ситуационной напряженности с точки зрения теории надежности. В качестве модели предлагается модель цепи со слабым звеном. Обосновывается, что слабым звеном есть функциональная система дыхания и система психофизиологических функций. Приводится итерационная процедура работы програмного комплекса для исследования надежности работы оператора.

Ключевые слова: надежность работы оператора, математическая модель фнкциональной системы дыхания, повышенное ситуационное напряжение.

1. Введение

Природные свойства нервной системы, способности, черты характера, уровень развития когнитивной,

эмоцонально-коммуникативной и регуляторной сфер, готовность к деятельности — все это свойства различного порядка и их необходимо учитывать при решении проблем, связанных с надежностью работы водителей

62 ТЕХНОЛОГИЧЕСКИЙ АУДИТ И РЕЗЕРВЫ ПРОИЗВОДСТВА — № 5/6(25], 2015, © Аралова Н. И., Мастыкаш Ю. И.,

Машкин В. И., Машкина И. В.