Використання апарату нейромереж для дослідження адаптивної навчальної траєкторії

Ключові слова: нейронна мережа, адаптивна траєкторія навчання, інформаційні кванти, алгоритм навчання, вагові коефіцієнти.

Анотація

Виконано теоретичний аналіз сучасного стану нейромережевих технологій, що дало можливість виділити відомі алгоритми роботи з нейронними мережами та з’ясувати переваги та недоліки їх застосування для вирішення різного роду завдань науки й техніки. Обґрунтовано актуальність застосування нейромереж для дослідження адаптивних траєкторій навчання на основі аналізу поточних характеристик засвоєння інформаційних квантів студентом, що забезпечує успішне проведення дистанційного навчання з використанням відкритих комунікаційних платформ. Представлено адаптивний процес засвоєння студентом нових знань архітектурою багатошарового персептрона, в якій кожен нейрон розглядається як певний урок, а навчальний процес представлено як рух студента по окремих уроках. Реалізовано застосування для навчання мережі алгоритму зворотного поширення помилки та методу найменших квадратів. Це дало можливість шляхом паралельного й одночасного уточнення параметрів мережі ітераційно коректувати вагові коефіцієнти синаптичних зв’язків кожного з нейронів на основі мінімізації середньоквадратичного відхилення між правильною та реальною відповіддю мережі. Побудовано загальний алгоритм адаптивного навчання з використанням нейромережі та описано етапи його функціонування. Визначено перспективи подальших досліджень, направлених на застосування модифікацій алгоритму зворотного поширення помилки та вдосконалення підбору правил корекції вагових коефіцієнтів.

Посилання

S. Haykin, Neural networks, a comprehensive foundation. N.Y.: Macmillan College Publishing Company, 1994.

P. Gill, W. Murray, M. Wright, Practical Optimization. N.Y.: Academic Press, 1981.

A.Yu. Kononiuk, Neironi merezhi i henetychni alhorytmy. K.: «Korniichuk». 2008.

H. Szu, R. Hartley, Fast Simulated annealing. Physics Letters. Vol. 1222 (3, 4), pp. 157–162, 1987.

М. Pikuliak, "Development of an adaptive module of the distance education system based on a hybrid neuro-fuzzy network," Proceedings of the 2020 IEEE Third International Conference on Data Stream Mining&Processing (DSMP). Lviv, Ukraine, August 21-25, 2020, pp. 44-49.

«Artificial neural networks dlia vyrishennia biznes zadach». [Elektronnyi resurs]. Rezhym dostupu: https://evergreens.com.ua/ua/development-services/neural-network.html. Data zvernennia: 07.06.2022.

V.B. Nemirovskiy, A.K. Stoyanov, "Near-duplicate image recognition," Mechanical Engineering, Automation and Control Systems (MEACS): Proceedings of the International Conference, Tomsk, 2014.

S.O. Arik, J. Chen, K. Peng, W. Ping, Y. Zhou, "Neu-ralvoicecloning with a fewsamples. In Advances in Neural Information Processing Systems," Annual Conference on Neural In formation Processing Systems 2018, Neur IPS 2018. Montreal, Canada, 3-8 December 2018, pp. 10040–10050. 2018.

S.A. Krutyna, E.V. Malakhov, V.D. Hohunskyi, “Strukturuvannia znan u avtomatyzovanykh navchalnykh systemakh z elementamy shtuchnoho intelektu,” Modeliuvannia u prykl. nauk. doslidzhenniakh. Materialy XIV seminaru. Odesa: ONPU, 2007, s. 37-39.

M. L. Minsky, S. Papert, Perseptrons. Cambridge. MA: MIT Press, М: Мир. 1971.

K. Pal Sancar, Mitra Sushmita, “Multilayer Perceptron, Fuzzy Sets, and Classification,” IEEE Transactions on Neural Networks, Vol. 3, No. 5, pp. 683-696. 1992.
Опубліковано
2022-07-01
Як цитувати
Пікуляк, М., Савка, І., & Дутчак, М. (2022). Використання апарату нейромереж для дослідження адаптивної навчальної траєкторії. КОМП’ЮТЕРНО-ІНТЕГРОВАНІ ТЕХНОЛОГІЇ: ОСВІТА, НАУКА, ВИРОБНИЦТВО, (47), 91-97. https://doi.org/10.36910/6775-2524-0560-2022-47-14
Розділ
Інформатика та обчислювальна техніка