Россия
Приведены некоторые особенности когнитивного моделирования, включая предпосылки когнитивного подхода к решению комплексных задач. Когнитивное моделирование предполагает использование различных искусственных нейронных сетей, включая сверточные нейронные сети. Дана классификация искусственных нейронных сетей по различным признакам. Рассмотрены особенности самоорганизующихся нейронных сетей и сетей, использующих методы глубокого обучения. Подробно рассмотрены искусственная нейронная сеть, представляющая собой трехслойную однонаправленную сеть прямого распространения, интерфейс программы для ЭВМ, используемой для аппроксимации функций с помощью указанной нейронной сети, а также решение задачи распознавания изображений с помощью искусственной сверточной нейронной сети, в которой применительно к каждому распознаваемому фрагменту изображения производится настройка параметров нейронной сети с целью адаптивного фильтрования изображения. Анализ изображений в системах видеонаблюдения с целью обнаружения возгораний позволяет обнаруживать их на ранней стадии и, таким образом, предупреждать развитие пожара.
адаптивное фильтрование изображений, искусственная нейронная сеть, когнитивная карта, когнитивное моделирование, компьютерная модель, компьютерная программа, сверточная нейронная сеть, распознавание изображений
1. Максимов В.И., Качаев С.В. Когнитивные технологии поддержки управленческих решений. М.: Труды ИПУ, 2018. Вып. 1.
2. Димитриченко Д.П., Жилов Р.А. Применение нейросетевого подхода к задачам логической обработки данных при построении когнитивных карт // Известия Кабардино-Балкарского научного центра РАН. 2017. № 6-1 (80). С. 15–20.
3. Галиев Р.В., Гладкий С.Л. Методы интеллектуального обнаружения возгорания // Глобальные вызовы 21 века: сб. ст. науч.-практ. конф. Пермь: ПГУ, 2018.
4. Лабинский А.Ю. Перспективные направления компьютерного моделирования сложных процессов и систем: монография. СПб.: С.-Петерб. ун-т ГПС МЧС России, 2017.
5. Гасфилд Д. Информатика и вычислительная биология. СПб.: БХВ-Петербург, 2003.
6. Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006.
7. Anderson C.H. The self-organizing map. Neural Computation. 2012. Vol. 5.
8. Barron A.R. Neural net approximation. IEEE Transaction on Information Theory. 2013. Vol. 49.
9. Vapnik V.N. A fuzzy neural network model. IEEE Transactions on Neural Networks. 2017. Vol. 3. № 5.
10. Петров С.П. Сверточная нейронная сеть для распознавания символов номерного знака автомобиля // Системный анализ в науке и образовании. 2021. № 3. С. 66–73.
