533.6 Моделирование нейронной сети для решения задачи классификации элементов корпуса летательного аппарата
Булгаков В. Н. (МГТУ им.Н.Э.Баумана), Рацлав Р. А. (МГТУ им.Н.Э.Баумана), Сапожников Д. А. (МГТУ им.Н.Э.Баумана), Чернышёв И. В. (МГТУ им.Н.Э.Баумана)
ЛЕТАТЕЛЬНЫЙ АППАРАТ, НЕЙРОННАЯ СЕТЬ, МЕТОД ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ, МНОГОСЛОЙНЫЙ ПЕРСЕПТРОН, КЛАССИФИКАЦИЯ, ОПТИМИЗАЦИЯ АЭРОДИНАМИЧЕСКИХ РАСЧЕТОВ.
doi: 10.18698/2309-3684-2018-4-5771
Реализована модель нейронной сети для выполнения классификации элементов по-верхностей летательного аппарата. Сгенерирована выборка, содержащая пара-метры поверхностей объектов классификации. Для того чтобы избежать оши-бок, связанных с разными шкалами измерения, признаки были масштабированы. По синтетическим данным проведено обучение нейронной сети. Верификация предлагаемой модели проведена также с помощью синтетических данных. Опти-мальная конфигурация нейронной сети определена экспериментально. В качестве критерия оптимальности была использована доля правильных ответов тестовой и обучающей выборок. Были проведены калибровка и модификация отдельных па-раметров модели. Результаты классификации тестовой выборки оптимальной сетью сведены в матрицу ошибок. Наиболее значимый результат достигнут при отделении класса эллипсоидов. Отдельные блоки матрицы показывают, что нейронная сеть безошибочно отделяет классы эллипсоидов и гиперболоидов. Предложены идеи для дальнейшей модификации алгоритма в целях повышения до-ли правильных ответов при отделении класса параболоидов.
[1] Краснов Н.Ф. Основы аэродинамического расчета. Аэродинамика тел вра-щения, несущих и управляющих поверхностей. Аэродинамика летатель-ных аппаратов. Москва, Высшая школа, 1981, 496 с.
[2] Shinkyu J., Kazuhisa C., Shigeru O. Data minig for aerodynamic design space. Journal of Aerospace Computing, Information and Communication, 2005,
vol. 2, no. 11, pp. 452–496.
[3] Paul G.T. Advanced Computational Fluid and Aerodynamics. Cambridge, Cambridge University Press, 2016, 578 p.
[4] Wei Wei, Rong Mo, Qingming Fan. Knowledge extraction for aerodynamic simulation data compressor rotor. Procedia Engineering, 2011, no. 15, pp. 1792–1796.
[5] Котенев В.П., Рацлав Р.А., Сапожников Д.А., Чернышев И.В. Метод клас-сификации элементов поверхности летательного аппарата для численно-аналитического решения задач аэродинамики. Математическое моделиро-вание и численные методы, 2017, № 3, с. 83–104.
[6] Каллан Р. Основные концепции нейронных сетей. Москва, Издательский дом «Вильямс», 2001, 287 с.
[7] Хайкин С. Нейронные сети: полный курс. Москва, Издательский дом «Ви-льямс», 2006, 1104 с.
[8] Джонс М.Т. Программирование искусственного интеллекта в приложе-
ниях. Москва, ДМК Пресс, 2011, 312 с.
[9] Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетиче-ские алгоритмы и нечеткие системы. Москва, Горячая линия — Телеком, 2006, 452 с.
[10] Гольдштейн Б.С., Ехриель И.М., Рерле Р.Д. Интеллектуальные сети. Москва, Радио и связь, 2000, 500 с.
[11] Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория
и практика. Москва, Горячая линия — Телеком, 2002, 382 с.
[12] Галушкин А.И. Теория нейронных сетей. Кн. 1: учебное пособие для вузов. Москва, ИПРЖР, 2000, 416 с.
[13] Gallant S.L. Neutral Network Learning and Expert Systems. Cambridge, Massa-chusetts, MIT Press., 1993, 364 p.
[14] Sanger T.D. Optimal unsupervised learning in a single-layer linear feedforward neural network. Neural Networks, 1989, no. 2, pp. 459–473.
[15] Колмогоров А.Н. О представлении непрерывных функций нескольких пе-ременных в виде суперпозиции непрерывных функций одного переменно-го. Доклады АН СССР, 1958, т. 114, № 5, с. 953–956.
[16] Напалков А.В., Прагина Л.Л. Мозг человека и искусственный интеллект. Москва, Издательство МГУ, 1985, 120 с.
[17] Пероуз Р. Новый ум короля: о компьютерах, мышлении и законах физики. Москва, Едитория УРСС, 2003, 384 с.
[18] Minsky M., Papert S. Perceptrons: An Introduction to Computational Geometry. Cambridge, Massachusetts, MIT Press., 1969, 258 p.
[19] David L.P., Alan K.M. Artificial intelligence. Cambridge University Press, 2017, 760 p.
[20] Rosenblatt F. Principles of Neurodynamics. New York, Spartan Books. 1962, 616 p.
[21] Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Ed. 2, New York, Springer, 2009, 745 p.
Булгаков В.Н., Рацлав Р.А., Сапожников Д.А., Чернышев И.В. Моделирование нейронной сети для решения задачи классификации элементов корпуса летательного аппарата. Математическое моделирование и численные методы, 2018, № 4, с. 57–71.
Скачать статью
Количество скачиваний: 498