Роман Алексеевич Рацлав (МГТУ им.Н.Э.Баумана) :


Статьи:

533.6.011.5:004.622:004.855.5 Метод классификации элементов поверхности летательного аппарата для численно-аналитического решения задач аэродинамики

Котенев В. П. (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)


doi: 10.18698/2309-3684-2017-3-83104


Предложен алгоритм классификации элементов поверхностей летательного аппарата на основе бинарного решающего дерева с пороговыми предикатами. На основе исходного описания объектов разработаны производные признаки, позволяющие отделять классы с минимальными потерями. Проведены обучение и верификация предикатов на синтетических данных. Описан алгоритм получения данных для обучения. Невысокие значения ошибок классификации и простота реализации позволяюприменять алгоритм при решении прикладных задач аэродинамики.


Котенев В.П., Рацлав Р.А., Сапожников Д.А., Чернышев И.В. Метод класси- фикации элементов поверхности летательного аппарата для численно-аналити- ческого решения задач аэродинамики. Математическое моделирование и числен- ные методы, 2017, No 3, с. 83–104.


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)


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.


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.