МОЖЛИВОСТІ ВИКОРИСТАННЯ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ ПРИ ПРОГНОЗУВАННІ ПОЇЗНОЇ РОБОТИ ЗАЛІЗНИЧНИХ НАРЯМКІВ

Р. В. ВЕРНИГОРА, Л. О. ЄЛЬНИКОВА

Анотація


Ефективне оперативне планування перевізного процесу повинне базуватись на точному прогнозі надходження поїздів, вагонів, локомотивів, вантажів тощо. Цей прогноз можна реалізувати за допомогою сучасного математичного методу – апарату штучних нейронних мереж. Нейронні мережі мають такі властивості як адаптивне навчання, самоорганізація, узагальнення, обчислення в реальному часі та стійкість до перебоїв. Основними сферами застосування нейронних мереж є апроксимація функцій, асоціативна пам'ять, стиснення даних, розпізнавання та класифікація, оптимізаційні задачі, керування складними процесами та прогнозування. Складовими елементами формального нейрону являються х1, х2, …, хn – вхідні сигнали мережі, кожний з яких характеризується своєю вагою w1, w2, …, wn відповідно. Суматор Σ підсумовує вхідні сигнали, функція активації f описує правило переходу нейрона при надходженні нових сигналів. За архітектурою зв'язків нейромережі можуть бути згруповані в два класи: мережі прямого поширення, в яких графи не мають петель, і рекурентні мережі, або мережі зі зворотними зв'язками. Під навчанням нейромережі мається на увазі налаштування архітектури мережі і ваг зв'язків для ефективного виконання завдання. Методи навчання можна розділити на дві групи: з учителем та без учителя. Нейромережі можна використати для оперативного прогнозу моментів прибуття поїздів на технічні станції на основі відомих параметрів відправлення поїздів: інформації про час відправлення з сусідньої технічної станції, масу поїзда та даних про сезонну та тижневу нерівномірність. При розробці нейромережі для вирішення певної задачі слід розглянути декілька варіантів, що відрізняються, наприклад, кількістю нейронів у шарах, кількістю прихованих шарів тощо. Основними показниками, за якими можна виконати порівняння обраних архітектур нейромереж, можуть бути такі параметри як мінімальна похибка, а також високий коефіцієнт кореляції між фактичними та розрахованими даними. Таким чином, штучні нейронні мережі можуть бути широко використані при розробці систем оперативного керування рухом поїздів, оскільки дозволяють отримати точний прогноз з врахуванням багатьох факторів та є відносно простими для розробки.

Ключові слова


нейрон; нейронна мережа; архітектура; алгоритм навчання; керування процесами; планування

Повний текст:

PDF

Посилання


Bavarian, B. Introduction to neural networks for intelligent control [Електрон. ресурс] / B. Bavarian // Control Systems Magazine, IEEE. – 1988. – № 6(2). – P. 3-7. – Режим доступа – http://ieeecss.org/CSM/library/1988/april1988/w03-07.pdf

Хайкин, С. Нейронные сети: полный курс [Текст] / С. Хайкин. – Москва: Издательский дом «Вильямс», 2006. – 1104 с.

Руденко, О. Г. Штучні нейронні мережі [Текст]: навч. посібник / О. Г. Руденко, Є. В. Бодянський. – Харків: ТОВ «Компанія СМІТ», 2006. – 404 с.

Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы [Текст] / Д. Рутковская, М. Пилиньский, Л. Рутковский / Пер. с польск. И. Д. Рудинского. – Москва: Горячая линия – Телеком, 2006. – 452 с.

Бодянский, Е. В. Искусственные нейронные сети: архитектуры, обучение, применения [Текст]: монографія / Е. В. Бодянский, О. Г. Руденко. – Харьков: Телетех, 2004. – 369 с.

Филиппенко, О. И. Биологические, искусственные и нейроавтоматные сети – сравнительный анализ. Ч. 2. Искусственные нейронные сети [Текст] / О. И. Филиппенко, И. Г. Филиппенко // Восточно-Европейский журнал передовых технологий. – 2005. – № 3/2(15). – С. 87-93.

Доценко, Ю. В. Розробка математичної моделі оптимального використання технічних засобів залізниці на основі теорії нейронних мереж [Текст] / Ю.В. Доценко // Восточно-Европейский журнал передовых технологий. – 2005. – № 6/2(18). – С. 37-39.

Каньовська, Д. В. Формування автоматизованої технології управління місцевою роботою на основі використання автономних модульних поїздів [Текст]: автореф. дис. канд. техн. наук: 05.22.01 / Каньовська Дарина Василівна; Укр. держ. акад. залізн. трансп. – Харків, 2013. – 21 с.

Razavi, S.V. Using feed-forward back propagation (FFBP) neural networks for compressive strength prediction of lightweight concrete made with different percentage of scoria instead of sand [Електрон. ресурс] / S.V. Razavi, M.Z. Jumaat, A.H. EiShafie // International Journal of Physical Sciences. – 2011. – № 6 (6). – P. 1325-1331. – Режим доступа – https://www.google.com/url?q=http://www.academicjournals.org/journal/IJPS/article-full-text-pdf/6B9CB6328791&sa=U&ei=jqU_VNDKL9fzatrcgegD&ved=0CBoQFjAB&usg=AFQjCNHNlU-MDmP5iypzl0Yhac0IPcte0A




DOI: https://doi.org/10.15802/tstt2014/35983

Посилання

  • Поки немає зовнішніх посилань.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.