Особливості обробки результатів експерименту за допомогою штучної нейронної мережі

Abstract

У ХХІ сторіччі нейронні мережі широко використовуються в різних сферах, в тому числі в комп’ютерному моделюванні і в механіці. Така популярність через те, що вони дають високу точність, швидко працюють та мають дуже широкий спектр налаштувань. Мета роботи створення програмного продукту з використанням елементів штучного інтелекту, для інтерполяції та апроксимації експериментальних даних. Програмне забезпечення повинно коректно працювати, та давати результати з мінімальною похибкою. Інструментом вирішення було використання елементів штучного інтелекту, а точніше нейронних мереж прямого поширення. В роботі збудована та навчена нейронна мережа прямого поширення. Вона була навчена вчителем (вчитель з використанням метода зворотного розповсюдження похибки) на основі навчаючої вибірки попередньо проведеного експерименту. Для тестування було побудовано декілька мереж різної структури, які отримували на вхід однаковий набір даних який не використовувався при навчанні, але був відомий з експерименту, таким чином була знайдена похибка мережі за кількістю виділеної енергії та за середньо-квадратичним відхиленням. В статті детально описується тип мережі та її топологія, метод навчання і підготовки навчаючої вибірки, також описано математично. В результаті проведеної роботи було збудоване та протестоване програмне забезпечення з використанням штучної нейронної мережі та визначена її похибка.In the XXIst century, neural networks are widely used in various fields, including computer simulation and mechanics. This popularity is due to the fact that they give high precision, work fast and have a very wide range of settings. The purpose of creating a software product using elements of artificial intelligence, for interpolation and approximation of experimental data. The software should work correctly, and yield results with minimal error. The solution tool use of elements of artificial intelligence, but rather neural networks of direct distribution. The neural network of direct distribution has been built and trained in this work. It has been trained with a teacher (a teacher using the method of reverse error propagation) based on a learning sample of a pre-experiment. Several networks of different structures were built for testing, which received the same dataset that was not used during the training, but was known from the experiment, thus finding a network error in the amount of allocated energy and in the mean square deviation. The article describes in detail the type of network and its topology, the method of training and preparation of the teaching sample, is also described mathematically. As a result of the work, the software was constructed and tested using the artificial neural network and its error was determined.