ровпрол. Інформації та рекомендацій щодо підтримання гарного стану тварини, але спостерігається відсутність компютерної підтримки, що дозволила б визначати стан хатньої тварини та вказувати на необхідність надання їй допомоги
 Скачать 46 Kb.
|
|
Нечволода Людмила Володимирівна, к.т.н., доцент, Носуля Єлізар Олександрович, бакалавр Донбаська державна машинобудівна академія, Краматорськ ВИКОРИСТАННЯ НЕЙРОМЕРЕЖЕВИХ ТЕХНОЛОГІЙ ДЛЯ ОЦІНЮВАННЯ СТАНУ ХАТНІХ ТВАРИН На сьогоднішній день ветеринарія є досить актуальною у сучасному світі. Все більше людей охоче заводить хатніх тварин, але разом з кількістю тварин росте й потреба в догляді за ними, в тому числі і медичній допомозі. Для своєчасного надання допомоги тварині її власник повинен вчасно помітити наявні у тварини проблеми зі здоров’ям Існує безліч інформації та рекомендацій щодо підтримання гарного стану тварини, але спостерігається відсутність комп’ютерної підтримки, що дозволила б визначати стан хатньої тварини та вказувати на необхідність надання їй допомоги. На ринку інформаційних технологій представлено досить малу кількість програмних продуктів спрямованих на використання у ветеринарній практиці та виконання оцінки фізичного стану хатніх тварин. Тому для звичайних користувачів було б непогано розробити систему, що спрощувала б цей процес та робила його доступним для будь-якого користувача. Для автоматизації оцінювання стану хатніх тварин пропонується застосовувати нейромережеві технології, що базуються на наступних математичних моделях. Нейронна мережа Хопфілда – це мережа із симетричною матрицею зв'язків. В процесі роботи динаміка таких мереж сходиться до одного з положень рівноваги. Ці положення рівноваги визначаються заздалегідь в процесі навчання, вони є локальними мінімумами функціоналу. Така мережа може бути використана як авто асоціативна пам'ять, як фільтр, а також для вирішення деяких завдань оптимізації. На відміну від багатьох нейронних мереж, що працюють до отримання відповіді через певну кількість тактів, мережі Хопфілда працюють до досягнення рівноваги, коли наступний стан мережі в точності дорівнює попередньому: початковий стан є вхідним чином, а при рівновазі отримують вихідний образ. Завдання асоціативної пам'яті, яке вирішується за допомогою даної мережі, зазвичай виглядає наступним чином: є певний набір двійкових сигналів, які вважаються еталонними. Мережа повинна вміти з довільного вхідного сигналу виділити той еталонний зразок, який найбільш схожий на поданий сигнал або ж видати повідомлення про те, що поданий сигнал ні з чим не асоціюється [1]. Мережа Хеммінга вирішує завдання асоціативного «впізнавання» щодо метрики Хеммінга. У цій мережі використовується властивість відстані Хеммінга для біполярних векторів. Мережа Хеммінга – тришарова нейронна мережа зі зворотнім зв'язком. Кількість нейронів у другому і третьому шарах дорівнює кількості класів класифікації. Синапси нейронів другого шару з'єднані з кожним входом мережі, нейрони третього шару пов'язані між собою негативними зв'язками, крім синапсу, пов'язаного з власним аксоном кожного нейрона - він має позитивний зворотний зв'язок [2]. Нейронні мережі Кохонена – клас нейронних мереж, основним елементом яких є шар Кохонена. Шар Кохонена складається з адаптивних лінійних суматорів («лінійних формальних нейронів»). Як правило, вихідні сигнали шару Кохонена обробляються за правилом «Переможець отримує все»: найбільший сигнал перетворюється в одиничний, інші звертаються в нуль. [3] Таким чином, використання математичних методів дає змогу поліпшити та автоматизувати процес розпізнавання образів. Серед розглянутих методів було обрано алгоритм Хопфілда, оскільки він має ряд переваг над іншими мережами, зокрема простота та циклічний принцип функціонування, а також жорсткі порогові функції нейронів. Виходячи з цього мережа Хопфілда добре підійде для використання у системі оцінювання стану хатніх тварин. Список використаних джерел Мережі Хопфілда та Хеммінга [Електронний ресурс]. http://apsheronsk.bozo.ru/Neural/Lec6.htm Лепський О.Е., Броневич О.Г. Математичні методи распізнавання образів: Курс лекцій. – Таганрог: Вид-во ТТИ ЮФУ, 2009. – 155 с. Ковалевський С. В. Основи сучасних теорій моделювання процесів– Краматорськ. ДДМА, 2018. – 40 с. |