Национальный цифровой ресурс Руконт - межотраслевая электронная библиотека (ЭБС) на базе технологии Контекстум (всего произведений: 634620)
Контекстум
.
Математическое моделирование  / №1 2017

МОДЕЛИ САМООРГАНИЗУЮЩИХСЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ИДЕНТИФИКАЦИИ СТАЦИОНАРНЫХ ПРОМЫШЛЕННЫХ ИСТОЧНИКОВ ЗАГРЯЗНЕНИЯ ВОЗДУХА (200,00 руб.)

0   0
Первый авторДударов
Страниц12
ID593535
АннотацияРассмотрена задача идентификации одного конкретного или нескольких возможных источников загрязнения, виновных в ухудшении качества воздушной среды в результате превышения норм предельно допустимых выбросов. В работе решается модельная задача с группой пространственно разделённых стационарных постоянно действующих промышленных источников. Представлены постановка задачи идентификации и метод её решения с использованием двух архитектур искусственных нейронных сетей: нейронных сетей Кохонена для квантования обучающих векторов (Kohonen’s networks for learning vector quantization) с фиксированной и адаптивной структурами и сети адаптивного резонанса (adaptive resonance theory network, ART) для аналоговых входных сигналов (АРТ-2). Метод состоит в кластеризации данных, которую обеспечивают алгоритмы самообучения (обучения без учителя). Даны расчётные соотношения и описаны алгоритмы работы нейронных сетей Кохонена и адаптивного резонанса на различных стадиях жизненного цикла. Проведён сравнительный анализ результатов решения модельной задачи, полученных с использованием каждой из сетей
Дударов, С.П. МОДЕЛИ САМООРГАНИЗУЮЩИХСЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ИДЕНТИФИКАЦИИ СТАЦИОНАРНЫХ ПРОМЫШЛЕННЫХ ИСТОЧНИКОВ ЗАГРЯЗНЕНИЯ ВОЗДУХА / С.П. Дударов // Математическое моделирование .— 2017 .— №1 .— С. 35-46 .— URL: https://rucont.ru/efd/593535 (дата обращения: 20.04.2024)

Предпросмотр (выдержки из произведения)

33-44  МОДЕЛИ САМООРГАНИЗУЮЩИХСЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ИДЕНТИФИКАЦИИ СТАЦИОНАРНЫХ ПРОМЫШЛЕННЫХ ИСТОЧНИКОВ ЗАГРЯЗНЕНИЯ ВОЗДУХА © 2017 г. С.П. Дударов Российский химико-технологический университет имени Д.И. Менделеева, Москва dudarov@muctr.ru Рассмотрена задача идентификации одного конкретного или нескольких возможных источников загрязнения, виновных в ухудшении качества воздушной среды в результате превышения норм предельно допустимых выбросов. <...> В работе решается модельная задача с группой пространственно разделённых стационарных постоянно действующих промышленных источников. <...> Представлены постановка задачи идентификации и метод её решения с использованием двух архитектур искусственных нейронных сетей: нейронных сетей Кохонена для квантования обучающих векторов (Kohonen’s networks for learning vector quantization) с фиксированной и адаптивной структурами и сети адаптивного резонанса (adaptive resonance theory network, ART) для аналоговых входных сигналов (АРТ-2). <...> Метод состоит в кластеризации данных, которую обеспечивают алгоритмы самообучения (обучения без учителя). <...> Проведён сравнительный анализ результатов решения модельной задачи, полученных с использованием каждой из сетей. <...> Ключевые слова: искусственная нейронная сеть, нейронная сеть Кохонена, квантование обучающих векторов, сеть адаптивного резонанса, самообучение, самоорганизация, кластеризация, кластерный анализ, идентификация источников выбросов в атмосферу. <...> Dudarov Mendeleev University of Chemical Technology of Russia, Moscow dudarov@muctr.ru It is considered a problem of determination of one particular or few possible pollution sources are responsible on air medium quality violation as result of the norm of maximum permissible emission excess. <...> It is presented an determination task statement and a method of its solution by two architectures of artificial neural networks: Kohonen’s networks for learning vector quantization with fixed and adaptive structures as well as adaptive resonance theory network for analog inputs (ART-2). <...> It is given estimation equations, it is described operation algorithms of Kohonen’s and adaptive resonance <...>

Облако ключевых слов *


* - вычисляется автоматически
.
.