Аннотації
06.02.2017
Розглянуто загальне поняття штучних нейронних мереж, описано можливість їх застосування для моделювання рельєфу місцевості під об’єкт будівництва. Запропоновано модель організації нейронної мережі з використанням радіально-базисної функції для обробки просторових даних. Досліджено технологію навчання такої нейронної мережі з використанням синаптичних ваг. На основі цього аналізу запропоновано нейромережевий алгоритм для побудови цифрової моделі рельєфу будівельного майданчика та виявлено його переваги порівняно з іншими традиційними алгоритмами.
Рассмотрено общее понятие искусственных нейронных сетей, описана возможность их применения для моделирования рельефа строительной площадки. Предложена модель организации нейронной сети с использованием радиально-базисной функции для обработки пространственных данных. Исследована технология обучения такой нейронной сети с использованием синаптических весов. На основании этого анализа предложен нейросетьевой алгоритм построения цифровой модели рельефа и выявлены его преимущества по сравнению с традиционными алгоритмами.
The article considers the general concept of artificial neural networks, describes their applicability for modeling land relief of construction site. Creation of digital terrain models (DTM), which will be located new construction project, is challenging, creative and controversial process. Finding the optimal solution for this task can be likened to the processes that occur in the human brain, which are caused by neuronal activity. The model of organization of neural networks is proposed using radial basis functions for processing of spatial data. The points of the land relief with coordinates in plan (x,y) will be input signals for the neural network. The z-coordinate of the current point elevation will be interpolated. Such elevation points will be output signals for neural network. The technology of training neural network is researched using the synaptic weights. Based on this analysis neural network’s algorithm is proposed for digital land relief model and revealed its advantages in comparison with traditional algorithms.
1. Руденко, О. Г. Штучні нейронні мережі [Текст]: навч. посібник / О. Г. Руденко, Є. В. Бодянський. – Харків: ТОВ «Компанія СМІТ», 2006. – 404 с.
2. Горбань А.Н., Дунин-Барковский В.Л., А.Н. Кирдин А.Н. и др. Нейроинформатика –Новосибирск : Наука. Сибирское предприятие РАН, 1998. – 296 с.
3. 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
1. Хайкин, С. Нейронные сети: полный курс [Текст] / С. Хайкин. – М. : Издательский дом «Вильямс», 2006. – 1104 с.
2. Гайна Г.А. Вибір території під багатоквартирний будинок з позиції системологічного підходу [Текст] / Г.А.Гайна, А.В. Ерукаев, Т.А. Гончаренко // Управління розвитком складних систем. – 2016. – №27. – С. 106 – 111.
3. Гайна Г.А. Нечіткий стратегічний підхід до вибору найвпливовіших факторів в житловому будівництві [Текст] / Г.А.Гайна, Т.А. Гончаренко, А.В. Ерукаев // Управління розвитком складних систем. – 2016. – №25. – С. 96 – 102.
4. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы [Текст] / Д. Рутковская,
М. Пилиньский, Л. Рутковский / Пер. с польск. И. Д. Рудинского. – М. : Горячая линия – Телеком, 2006. – 452 с.
5. Бодянский, Е. В. Искусственные нейронные сети: архитектуры, обучение, применения [Текст]: монографія /
Е. В. Бодянский, О. Г. Руденко. – Харьков: Телетех, 2004. – 369 с.
6. 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.
7. 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.
8. 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.
9. 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-
1. Rudenko, A.G. & Bodyansky, Is.V. (2006). Artificial neural networks [Text]: textbook. Manual. Kharkov: "the SMITH Company", 404.
2. Gorban, A.N., Dunin-Barkowski, W.L., Kirdin, A.N. and others. (1998). Neuroinformatics. Novosibirsk : Nauka. Siberian enterprise of RAS, 296.
3. Bavarian, B. (1988). Introduction to neural networks for intelligent control [Electron. resource]. Control Systems Magazine, IEEE, 6(2, 3-7. – Mode of access – http://ieeecss.org/CSM/library/1988/april1988/w03-07.pdf
4. Haykin, S. (2006). Neural networks: full course [Text]. Moscow: Publishing house "vil'yams", 1104.
5. Haina, H.A., Yerukaiev, A.V. & Honcharenko, T.A. (2016). The choice of site for an apartment building from a position of systemological approach. Management of Development of Complex Systems, 27, 106-111. [in Ukrainian].
6. Haina, H.A., Honcharenko, T.А. & Yerukaiev, A.V. (2016). Fuzzy strategic approach of selecting the mostinfluential factors in residential construction. Management of Development of Complex Systems, 25, 96–102.
7. Rutkowski, D. & Pilinski, L. & Rutkowskaya, N. (2006). Neural networks, genetic algorithms and fuzzy systems [Text]. TRANS. with Pol. S. D. Rudinsky. Moscow: Hot line – the Telecom, 452.
8. Bodyansky, E.V. & Rudenko, A.G. (2004). Artificial neural network: architecture, learning, application [Text]: monograph. Kharkov: Teletech, 369.
9. Filippenko, A.S. & Filipenko, S.G. (2005). Biological, artificial and nanoautomation sets – a comparative analysis. Part 2. Artificial neural networks [Text]. East European journal of advanced technologies, 3/2(15), 87-93.
10. Dotsenko, Yu.V. (2005). Development of a mathematical model of the optimal use of technical means of railway on the basis of the theory of neural networks [Text]. East European journal of advanced technologies, 6/2(18), 37-39.
11. Kaniewska, D.V. (2013). The Formation of automated management technologies for local work based on the use of the Autonomous modular trains [Text]: PhD Thesis, Sciences: 05.22.01. Rus. GOS. Akad. well.d. Tr. Kharkiv, 21
12. Razavi, S.V. & Jumaat, M.Z. & EiShafie, A.H. (2011). Using feed-forward back propagation (FFBP) neural networks for compressive strength prediction of lightweight concrete made with different percentage of scoria instead of sand. International Journal of Physical Sciences, 6(6), 1325-1331. – Access mode – https://www.google.com/url?q=http://www.academicjournals.org/journal/IJPS/article-full-text-