Індекс рубрикатора НБУВ: У9(4УКР)298 + У9(4НІМ)298

Рубрики:

Економіка окремих країн і частин світу

Шифр НБУВ: Ж69299 Пошук видання у каталогах НБУВ 

Побудовано модель наноакустоелектронного перетворювача на основі графенової нанотрубки та розраховано амплітудно-частотну характеристику. У межах цієї моделі встановлено частотні залежності амплітуди деформації, поверхневої концентрації електронів та електростатичного потенціалу. Встановлено, що у разі збільшення концентрації електронів та зменшення радіуса нанотрубки чутливість наноперетворювача зростає.

Розглянуто задачу частотно-часової та часової залежності морфології сигналу на виході нелінійного осциляторного нейрона з урахуванням його порогового ефекту. Об'єктом дослідження є нелінійна модифікована модель Ван-дер-Поля, яка описує динаміку нелінійного осциляторного нейрона при дії на нього різних за формою, частотою та амплітудою зовнішніх нестаціонарних сигналів. Мета роботи - побудова нелінійної математичної моделі динаміки осциляторного нейрона з урахуванням його порогового ефекту при дії на нейрон зовнішніх нестаціонарних сигналів. У наближенні Крилова - Боголюбова - Митропольського запропоновано методом послідовних наближень спосіб розв'язку нелінійного неоднорідного диференційного рівняння другого порядку з квадратичною нелінійністю шуканої функції при першій похідній. Запропонований метод розв'язку дозволив отримати частотно-часову та часову залежність морфології сигналу на виході нелінійного осциляторного нейрона з урахуванням його порогового ефекту при дії на нейрон різних структурою вхідних сигналів. Також запропоновано кодування інформації нелінійним осциляторним нейроном на основі частотної модуляції та декодування за допомогою оберненого оператора, що діє на вектор вихідного сигналу. Побудована нелінійна модель осциляторного нейрона реалізована в середовищі комп'ютерної математики "Mathematica 7.0". Досліджено частотно-часову та часову залежність морфології сигналу на виході нелінійного осциляторного нейрона з урахуванням його порогового ефекту при різних значеннях параметрів вхідного нестаціонарного сигналу і різних вагових синаптичних звіязках. Висновки: встановлено існування резонансного ефекту у нелінійному нейроні за умови рівності частоти зовнішнього нестаціонарного сигналу та власної частоти динаміки нейрона. Показано, що нелінійний осциляторний нейрон відіграє роль частотного модулятора та суттєво видозмінює структуру вхідного інформаційного нестаціонарного сигналу (форму, частоту та амплітуду). Запропоновано кодування інформації нелінійним осциляторним нейроном на основі частотної модуляції та декодування за допомогою оберненого оператора.

Розроблено новий тип штучної нейронної мережі (ШНМ) із осциляторними нейронами, які мають власні частоти. За допомогою такої ШНМ на основі інформаційного резонансу реалізовано новий метод розпізнавання мультиспектральних образів (мультиспектральних електромагнітних сигналів), що випромінюють динамічні об'єкти. Побудована нейронна мережа розпізнаватиме вхідні спектральні образи з амплітудою нестаціонарного сигналу, співвимірною з амплітудою сигналу шуму, завдяки резонансному ефекту в нелінійних осциляторних нейронах. Проведено комп'ютерний експеримент із розпізнавання мультиспектральних образів динамічною нейронною мережею на основі резонансного ефекту.

Для скорочення часу обчислювального ресурсу в задачах діагностування та розпізнавання спотворених образів на основі повнозв'язної стохастичної псевдоспінової нейронної мережі виникає необхідність прорідження синаптичних зв'язків між нейронами, що вирішується за допомогою методу діагоналізації матриці синаптичних зв'язків без втрати взаємодії між всіма нейронами в мережі. Мета роботи - створення архітектури стохастичної псевдоспінової нейромережі з розрідженими та діагональними синаптичними зв'язками без втрати взаємодії між всіма нейронами в мережі для зменшення часу її навчання. Використано метод Хаусхолдера, метод стиску вхідних образів на основі діагоналізації матриці синаптичних зв'язків та система комп'ютерної математики MATLAB для зведення повнозв'язної нейромережі до тридіагонального вигляду з прихованими синаптичними зв'язками між всіма нейронами. Розроблено модель архітектури стохастичної нейромережі з розрідженими перенормованими синаптичними зв'язками, які враховують вилучені синаптичні зв'язки. На основі перетворення матриці синаптичних зв'язків повнозв'язної нейронної мережі до матриці Гессенберга з тридіагональними синаптичними зв'язками запропоновано перенормоване локальне правило Хебба. За допомогою системи комп'ютерної математики "WolframMathematica 11.3" розраховано в залежності від числа нейронів N відносний час налаштування синаптичних зв'язків (за одну ітерацію) у стохастичній псевдоспіновій нейронній мережі з тридіагональною матрицею зв'язків, відносно часу налаштування синаптичних зв'язків (за одну ітерацію) у повнозв'язній синаптичній нейронній мережі. Висновки: встановлено, що зі збільшенням числа нейронів час налаштування синаптичних зв'язків (за одну ітерацію) у стохастичній псевдоспіновій нейронній мережі з тридіагональною матрицею зв'язків, відносно часу налаштування синаптичнихзв'язків (за одну ітерацію) у повнозв'язній синаптичній нейронній мережі, зменшується за гіперболічним законом. В залежності від напрямку псевдоспінів нейронів, запропоновано класифікацію перенормованої нейронної мережі із феромагнітною структурою, антиферомагнітною структурою та дипольним склом.

Запропоновано спосіб оптимізації структури багатошарової нейронної мережі (НМ) на основі мінімізації нелінійної узагальненої похибки, яка базується на принципі мінімальної довжини опису. Відповідно до цього принципу, узагальнена похибка мережі під час роботи з новими даними визначається похибкою апроксимації даних НМ у нелінійному наближенні та похибкою опису моделі. З умови мінімуму узагальненої похибки мережі (УПМ) виведено вирази для обчислення оптимального розміру мережі (кількість синаптичних зв'язків і кількість нейронів у прихованих шарах). Побудовано графічні залежності УПМ від кількості синаптичних зв'язків між нейронами за різних значень вхідних образів і фіксованої кількості навчальних прикладів і графічні залежності оптимальної кількості синаптичних зв'язків від кількості навчальних прикладів за різних значень вхідних образів. На основі співвідношень для оптимальної кількості синаптичних зв'язків між нейронами та оптимальної кількості нейронів у прихованих шарах оцінено ступінь складності навчання НМ.