Разработка системы по распознаванию врезок в нефтепроводы и выявлению аварийных ситуаций
Введение
На сегодняшний день в нефтегазовой промышленности идет активный поиск новых технологических и инновационных решений, которые помогут сделать производство более эффективным и смогут сократить расходы. Сейчас развитие нефтегазовой отрасли направлено на «оцифровку», то есть, в первую очередь, на автоматизацию производства и снижение влияния «человеческого фактора», что впоследствии позволит уменьшить вероятность ошибок. Эти идеи могут воплотить в жизнь технологии, разработанные на основе искусственного интеллекта.
Главным достоинством нейронных сетей является то, что в отличии от обычных математических алгоритмов нейронные сети обучают, а не программируют. Нейронная сеть настраивает веса связей согласно той выборке, которая представлена для обучения.
Целью работы является разработка системы по выявлению аварийных ситуаций на нефтепроводах и распознаванию врезок в нефтепроводы высокого давления, реализовав алгоритм на основе полносвязной нейронной сети и каскадный класси
Оглавление
Введение 4
1. Анализ характеристик нейронных сетей 6
1.1. Виды искусственных нейронных сетей 6
1.2. Алгоритм обратного распространения ошибки 9
2. Практическая реализация работы 13
2.1. Разработка технической концепции 13
2.2. Подготовка входных данных 15
2.3. Программная реализация нейронной сети 16
2.4. Программная реализация каскадного классификатора 20
Заключение 25
Список используемой литературы 26
Список используемой литературы
1. Ростовцев В.С. Искусственные нейронные сети: учебник / В.С. Ростовцев. – Киров: Изд-во ВятГУ, 2014. – 208 с. Э4743
2. Горелова А.В., Любимова Т.В. Алгоритм обратного распознавания ошибки // Технические науки, 2015. – 43 с.
3. ГоловачевА.Г. Лекции по курсу «Нейросетевые технологии». –2008.
4. Нейронные сети: алгоритм обратного распространения [Электронный ресурс]/ С.Короткий. – Режим доступа: http://www.uran.donetsk.ua
5. Введение в машинное обучение. URL: https://habr.com/ru/post/448892/
6. Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В.Г. Редько. - М.: Ленанд, 2017. - 224 c
7. Галушкин, А.И. Нейронные сети: основы теории. / А.И. Галушкин. - М.: РиС, 2015. - 496 c.
В модели линейной регрессии, например, для оптимизации используется градиентный. Точно так же здесь используется алгоритм градиентного спуска с использованием обратного распространения. Это стандартный метод обучения искусственных нейронных сетей, он помогает вычислить градиент функции потерь относительно всех весов в сети.
Алгоритм обратного распространения ошибки предполагает прямой и обратный проход по слоям сети. Входные сигналы идут в прямом направлении, в результате получается выходной сигнал, сравнивая два этих сигнала, мы получаем ошибку. А уже ее величина двигается в обратном направлении, что приводит к корректировке коэффициентов весов в данной сети [2].
Основными особенностями алгоритма обратного распространения являются итеративный, рекурсивный и эффективный методы, с помощью которого он вычисляет обновленный вес для улучшения сети до тех пор, пока она не сможет выполнить задачу, для которой она обучается. Пр