Выбор архитектуры нейронной сети для электронной дифференциальной системы электроавтомобиля
- Авторы: Лисов А.А.1, Возмилов А.Г.1, Гундарев К.А.1
-
Учреждения:
- Южно-Уральский государственный университет
- Выпуск: Том 10, № 4 (2024)
- Страницы: 446-462
- Раздел: Обзоры
- URL: https://bakhtiniada.ru/transj/article/view/277918
- DOI: https://doi.org/10.17816/transsyst635379
- ID: 277918
Цитировать
Полный текст
Аннотация
Цель. Исследование вариантов архитектур нейронных сетей для реализации электронно-дифференциальной системы электроавтомобиля.
Материалы и методы. Основными методы исследования в настоящего исследования являются методы сравнительного анализа и поиска наиболее рациональной архитектуры нейронной сети (НС) для работы с числовыми данными, структурированными в виде массива.
Результаты. В результате анализа выяснилось, что наиболее рациональным вариантом является нейронная сеть глубокого обучения, а в перспективе дальнейшего развития данной работы, после экспериментального подтверждения, может быть применена и рекуррентная нейронная сеть.
Заключение. В заключении отражаются ранее, полученные результаты и вывод о невозможности достижения поставленной цели при применении сверточных нейронных сетей, больших языковых моделей, случайно-векторных функциональных сетей связи и радиально-базисных функциональных НС.
Ключевые слова
Полный текст
Открыть статью на сайте журналаОб авторах
Андрей Анатольевич Лисов
Южно-Уральский государственный университет
Автор, ответственный за переписку.
Email: lisov.andrey2013@yandex.ru
ORCID iD: 0000-0001-7282-8470
SPIN-код: 1956-3662
аспирант
Россия, ЧелябинскАлександр Григорьевич Возмилов
Южно-Уральский государственный университет
Email: vozmiag@rambler.ru
ORCID iD: 0000-0002-1292-3975
SPIN-код: 2893-8730
профессор, доктор технических наук
Россия, ЧелябинскКирилл Александрович Гундарев
Южно-Уральский государственный университет
Email: pioneer03.95@mail.ru
ORCID iD: 0009-0004-8358-1329
SPIN-код: 1238-1158
аспирант
Россия, ЧелябинскСписок литературы
- Lisov A.A. Development of an electronic differential system for electric vehicles based on deep neural network. Modern Transportation Systems and Technologies. 2024;10(3):351–367. (in Russ.). doi: 10.17816/transsyst634127
- Lisov AA, Kulganatov AZ, Panishev SA. Using convolutional neural networks for acoustic based emergency vehicle detection. Modern Transportation Systems and Technologies. 2023;9(1):95–107 (in Russ.). doi: 10.17816/transsyst20239195-107
- Cirrincione M, Pucci M, Cirrincione G, Capolino GA. Sensorless control of induction machines by a new neural algorithm: The TLS EXIN neuron. IEEE Transactions on Industrial Electronics. 2007;54(1):127–149. doi: 10.1109/TIE.2006.888774
- Su D, Zhang H, Chen H, Yi J, Chen PY, Gao Y. Is robustness the cost of accuracy? A comprehensive study on the robustness of 18 deep image classification models. Proceedings of the European conference on computer vision (ECCV). 20184; 631–648.
- Gama J, Žliobaitė I, Bifet A, et al. A survey on concept drift adaptation. ACM computing surveys (CSUR). 2014;46(4):1–37. doi: 10.1145/252381
- Berkenkamp F, Turchetta M, Schoellig A, Krause A. Safe model-based reinforcement learning with stability guarantees. Advances in neural information processing systems. 2017;30.
- Jarrahi MH. Artificial intelligence and the future of work: Human-AI symbiosis in organizational decision making. Business horizons. 2018;61(4):577–586.
- Khan J, Wei JS, Ringner M, et al. Classification and diagnostic prediction of cancers using gene expression profiling and artificial neural networks. Nature medicine. 2001;7(6):673–679. doi: 10.1038/89044
- Nguyen A, Yosinski J, Clune J. Deep neural networks are easily fooled: High confidence predictions for unrecognizable images. In: Proceedings of the IEEE conference on computer vision and pattern recognition. 2015;427–436. doi: 10.1016/j.bushor.2018.03.007
- Rosenblatt F. Principles of neurodynamics. perceptrons and the theory of brain mechanisms. New York: Cornell Aeronautical Lab Inc Buffalo; 1961.
- Minsky M, Papert S. Perceptrons. An Introduction to Computational Geometry. Cambridge: MIT Press; 1969.
- Rumelhart DE, Hinton GE, Williams RJ. Learning internal representations by error propagation. Parallel Distributed Processing: Explorations in the Microstructures of Cognition. 1986;1:318–362.
- Szegedy C, Toshev A, Erhan D. Deep neural networks for object detection. In: Advances in neural information processing systems. 2013;26.
- Rolnick D, Tegmark M. The power of deeper networks for expressing natural functions. In: arXiv preprint. 2017. doi: 10.48550/arXiv.1705.05502
- Serrano-Pérez JD, Fernández-Anaya G, Carrillo-Moreno S, Yu W. New results for prediction of chaotic systems using deep recurrent neural networks. Neural Processing Letters. 2021;53:1579–1596. doi: 10.1007/s11063-021-10466-1
- Bucci MA, Semeraro O, Allauzen A, et al. Control of chaotic systems by deep reinforcement learning. Proceedings of the Royal Society A. 2019;475(2231). doi: 10.1098/rspa.2019.0351
- Chai X, Gan Z, Yuan K, et al. A novel image encryption scheme based on DNA sequence operations and chaotic systems. Neural Computing and Applications. 2019;31(1):219–237. doi: 10.1007/s00521-017-2993-9
- Kombrink S, Mikolov T, Karafiát M, Burget L. Recurrent Neural Network Based Language Modeling in Meeting Recognition. Interspeech. 2011;11:2877–2880.
- Hagan MT, De Jesús O, Schultz R, et al. Training recurrent networks for filtering and control. Recurrent neural networks: Design and applications. 1999:311–340.
- Parlos AG, Menon SK, Atiya A. An algorithmic approach to adaptive state filtering using recurrent neural networks. IEEE transactions on neural networks. 2001;12(6):1411–1432. doi: 10.1109/72.963777
- Van den Oord A, Dieleman S, Schrauwen B. Deep content-based music recommendation. In: Advances in neural information processing systems; 2013.
- Collobert R, Weston J. A unified architecture for natural language processing: Deep neural networks with multitasks learning. In: 25th international conference on Machine learning. 2008:160–167. doi: 10.1145/1390156.1390177
- Avilov O, Rimbert S, Popov A, Bougrain L. Deep learning techniques to improve intraoperative awareness detection from electroencephalographic signals. In: 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). 2020:142–145. doi: 10.1109/EMBC44109.2020.9176228
- Tsantekidis A, Passalis N, Tefas A, et al. Forecasting stock prices from the limit order book using convolutional neural networks. In: 19th conference on business informatics (CBI). 2017;1:7–12. doi: 10.1109/CBI.2017.23
- Wang Y, Li Z, Wang L, Wang M. A Scale Invariant Feature Transform Based Method. J. Inf. Hiding Multim. Signal Process. 2013;4(2):73–89.
- Dalal N, Triggs B. Histograms of oriented gradients for human detection. In: IEEE computer society conference on computer vision and pattern recognition (CVPR’05). IEEE; 2005;1:886–893. doi: 10.1109/CVPR.2005.177
- Salyp BYu. Decoding methods for open text generation in large language models. Bulletin of Science and Education. 2023;10(141):8–14. (in Russ.).
- Kasneci E, Sebler K, Küchemann S, et al. ChatGPT for good? On opportunities and challenges of large language models for education. Learning and individual differences. 2023;103. doi: 10.1016/j.lindif.2023.102274
- Igelnik B, Pao Y-H. Stochastic choice of basis functions in adaptive function approximation and the functional-link net. IEEE Trans. Neural Network. 1995;6:1320–1329. doi: 10.1109/72.471375
- Pao YH, Park GH, Sobajic DJ. Learning and generalization characteristics of the random vector functional-link net. Neurocomputing. 1994;6:163–180. doi: 10.1016/0925-2312(94)90053-1
- Pao YH, Phillips SM. The functional link net and learning optimal control. Neurocomputing. 1995;9:149–164. doi: 10.1016/0925-2312(95)00066-F
- Powell MJ. Radial Basis Functions for Multivariable Interpolation: A Review. In: Mason J.C., Cox M.G. Eds. Algorithms for Approximation. Oxford: Clarendon Press; 1987. P. 143–167.
- Lowe D, Broomhead D. Multivariable functional interpolation and adaptive networks. Complex systems. 1988;2(3):321–355.
- Aouiti C, Alimi AM, Maalej AA. Genetic-designed beta basis function neural network for multi-variable functions approximation. Systems Analysis Modelling Simulation. 2002;42(7):975–1009.
- Montazer GA, Giveki D, Karami M, Rastegar H. Radial basis function neural networks: A review. Comput. Rev. J. 2018;1(1):52–74.
Дополнительные файлы
Доп. файлы
Действие
1.
JATS XML
2.
Рис. 1. Структура электронной дифференциальной системы с использованием нейронной сети [1]
Скачать (108KB)
3.
Рис. 2. a) Общая топология ИНС, b) ИНС с прямой связью (персептрон), c) ИНС с обратной связью
Скачать (216KB)
4.
Рис. 3. Архитектуры нейросетей. a) глубокого обучения – DNN, b) обычная НС (составлено авторами)
Скачать (147KB)
5.
Рис 4. Архитектура RVFL [29]
Скачать (149KB)
6.
Рис. 5. Архитектура радиально-базисной НС [35]
Скачать (130KB)
7.
Рис. 6. Архитектура разработанной НС глубокого обучения
Скачать (174KB)
8.
Рис. 7. Графики прогноза модели нейронной сети на тестовой выборке [1]
Скачать (207KB)
