Прогнозування частоти неперіодичних сигналів на основі згорткових нейронних мереж
DOI:
https://doi.org/10.35681/1560-9189.2018.20.3.158515Ключові слова:
прогнозування, сигнал, навчання, нейронна мережа, згортка, помилка, градієнтАнотація
Вирішено завдання створення математичного забезпечення для побудови прогнозних моделей на основі згорткових нейронних мереж. Запропоновано метод використання згорткових нейронних мереж для прогнозування частоти неперіодичних сигналів. Вирішено практичне завдання прогнозування частоти вібрацій авіаційних двигунів при проведені їхніх випробувань. Виконано побудову нейромережевих моделей, їхнє навчання та тестування на даних, які було зібрано з датчиків вібрацій при проведені випробувань авіадвигуна. Порівняно результати тестування всіх побудованих моделей.Посилання
Rudenko O.H., Bodyans'kyy Ye.V. Shtuchni neyronni merezhi. Kharkiv: Kompaniya SMIT, 2006.
Walter Enders. Applied Econometric Time Series. 2nd еd. Wiley, 2004.
Sergienko A.B. Cifrovaya obrabotka signalov. Sankt-Peterburg: BXV-Peterburg, 2011
Xajkin S. Nejronnye seti: polnyj kurs. Moskva: Vil'yams, 2006.
Bishop C.M. Pattern recognition and machine learning. Heidelberg: Springer, 2006.
Goodfellow Ian, Bengio Yoshua, Courville Aaron. Deep Learning (Adaptive Computation and Machine Learning series). The MIT Press, 2016.
Nielsen Michael A. Neural Networks and Deep Learning. Determination Press, 2015.
Argumentaciya dannyx dlya obucheniya nejronnoj seti. URL: https://habr.com/company/ smartengines/blog/264677
Fast Fourier transform. URL: https://en.wikipedia.org/wiki/Fast_Fourier_transform
CS231n: Convolutional Neural Networks for Visual Recognition. URL: http://cs231n.github.io
Rashid Tariq. Make Your Own Neural Network. CreateSpace Independent Publishing Platform, 2016.
Bertsekas D.P. Convex Optimization Theory. Athena Scientific, 2009.
