Formal Verification Problem Solved With the Model Checking Method Spatial Complexity Estimation

Розроблення Штучної Нейронної Мережі Для Прогнозу Характеристик Перенапруг В Електричних Мережах

“…Розв'язання задачі прогнозування може бути виконане, зокрема, шляхом послідовного вирішення задач апроксимації і екстраполяції [5][6][7]. У свою чергу, дієвим інструментом перевірки коректності алгоритму навчання ШНМ вбачається застосування формального методу перевірки на моделі [8].…”

“…Важливу роль при моделюванні процесів з використанням ШНМ відіграє попередня підготовка моделі, яка полягає у використанні програмного інструментарію для вибору, навчання, тестування і використання ШНМ [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15] Matlab. Інструментарій NNT надає можливість редагування та модифікації ШНМ, а також забезпечує програмну підтримку необхідних типів ШНМ, алгоритми їх навчання та адаптації [6,[8][9][10].…”

“…Важливу роль при моделюванні процесів з використанням ШНМ відіграє попередня підготовка моделі, яка полягає у використанні програмного інструментарію для вибору, навчання, тестування і використання ШНМ [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15] Matlab. Інструментарій NNT надає можливість редагування та модифікації ШНМ, а також забезпечує програмну підтримку необхідних типів ШНМ, алгоритми їх навчання та адаптації [6,[8][9][10]. Запропонований підхід до формування вибірок вхідних сигналів, а також використання NNT в якості програмного інструментарію забезпечує ефективну підготовку ШНМ для вирішення задачі моделювання внутрішніх резонансних перенапруг в магістральній електричній мережі В роботі в якості алгоритму навчання пропонується метод Левенберга-Марквардта, який, на відмінну від класичного алгоритму навчання, застосовує навчання по епохам [8][9][10][11].…”

“…Інструментарій NNT надає можливість редагування та модифікації ШНМ, а також забезпечує програмну підтримку необхідних типів ШНМ, алгоритми їх навчання та адаптації [6,[8][9][10]. Запропонований підхід до формування вибірок вхідних сигналів, а також використання NNT в якості програмного інструментарію забезпечує ефективну підготовку ШНМ для вирішення задачі моделювання внутрішніх резонансних перенапруг в магістральній електричній мережі В роботі в якості алгоритму навчання пропонується метод Левенберга-Марквардта, який, на відмінну від класичного алгоритму навчання, застосовує навчання по епохам [8][9][10][11]. В цьому випадку помилка навчання розраховується за всю епоху навчання та параметри мережі змінюються, коли мережі вже подані усі елементи навчальної множини.…”