Материал: Оптимизация и моделирование в автоматизированных системах. труд. ФГБОУ В.О., Воронежский г.т.и
ǶǷǺǰǴǰǯǨǾǰȇ ǰ ǴǶǬǭdzǰǸǶǪǨǵǰǭ Ǫ ǨǪǺǶǴǨǺǰǯǰǸǶǪǨǵǵȃǽ ǹǰǹǺǭǴǨǽ
Ɍɪɭɞɵ Ɇɟɠɞɭɧɚɪɨɞɧɨɣ ɦɨɥɨɞɟɠɧɨɣ ɧɚɭɱɧɨɣ ɲɤɨɥɵ
ȼɨɪɨɧɟɠ 21
МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное бюджетное образовательное учреждение высшего образования
«Воронежский государственный технический университет»
ОПТИМИЗАЦИЯ И МОДЕЛИРОВАНИЕ В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ
Труды Международной молодежной научной школы
(г. Воронеж, 16-18 сентября 2020 г.)
Воронеж 2021
УДК 658.51.002.011.56.001.2(06)
ББК 65.05я4
О-267
Оптимизация и моделирование в автоматизированных системах:
труды Международной молодежной научной школы (г. Воронеж, 16-18 О-267 сентября 2020 г.); ФГБОУ ВО «Воронежский государственный технический
университет». - Воронеж: Изд-во ВГТУ, 2021. – 161 с.
ISBN 978-5-7731-0942-6
Сборник материалов молодежной научной шолы посвящен вопросам математического обеспечения автоматизированных систем проектирования, управления, научных исследований и обучения. В статьях сборника рассматривается широкий круг проблем, связанных как с теоретическими задачами проектирования сложных систем, так и с вопросами разработки и внедрения автоматизированных систем в промышленное производство.
Материалы сборника соответствуют научному направлению «Интеллектуальные информационные системы» и перечню критических технологий Российской Федерации, утвержденному Президентом Российской Федерации.
Сборник будет полезен специалистам, занимающимся вопросами разработки математического, алгоритмического и программного обеспечения автоматизированного проектирования, обучающих и экспертных систем.
Львович Я. Е.
Подвальный С. Л.
Зернов В. А. Львович И. Я. Фролов М. В.
Бершадский А. М.
Советов Б. Я.
Сахаров Ю. С. Тишуков Б. Н.
УДК658.51.002.011.56.001.2(06)
ББК 65.05я4
Редакционная коллегия:
-заслуженный деятель науки РФ, д-р техн. наук, проф. (Воронеж) - ответственный редактор;
-заслуженный деятель науки РФ,
д-р техн. наук, проф. (Воронеж);
-д-р техн. наук, проф. (Москва);
-д-р техн. наук, проф. (Воронеж);
-д-р мед. наук, проф. (Воронеж);
-заслуженный деятель науки РФ, д-р техн. наук, проф. (Пенза);
-заслуженный деятель науки и техники РФ, д-р техн. наук, проф. (Санкт-Петербург);
-д-р техн. наук, проф. (Москва);
-канд. техн. наук, ответственный секретарь (Воронеж)
Печатается по решению редакционно-издательского совета Воронежского государственного технического университета
ISBN 978-5-7731-0942-6 |
© ФГБОУ ВО «Воронежский государственный |
|
технический университет», 2021 |
ВВЕДЕНИЕ
Качество функционирования. Повышение эффективности и надежности систем автоматизированного проектирования, систем управления технологическими процессами, информационно-вычислительных и экспертных систем базируются на системном подходе с использованием алгоритмов принятия оптимальных решений, а также современных методов обработки различных типов информации. В связи с этим актуальны адаптация существующих универсальных подходов к изучению моделей предметных областей и формирование соответствующего алгоритмического и программного обеспечения для решения конкретных инженерных задач. Важным этапом синтеза является тестирование, эксперементальное исследование с выявлением адекватности используемых моделей.
Материалы, включенные в сборник научной школы, посвящены разработке перечисленных теоретических проблем, их прикладных аспектов, анализу результатов их внедрения в различные области производства и образования.
3
УДК 004.942
Р. Х. Мясоутов
СРАВНЕНИЕ АРХИТЕКТУР НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧЕ РАСПОЗНАВАНИЯ РУКОПИСНЫХ СИМВОЛОВ
Задача распознавания рукописных символов до сих пор является нетривиальной и окончательно нерешенной. Каждый человек, несмотря на шаблонность почерка, по-разному пишет одни и те же буквы, поэтому, в отличие от задачи распознавания печатных символов, довольно сложно собрать достаточно большой набор данных, на котором можно было бы обучить нейронную сеть. Данная статья рассматривает использование разных архитектур нейронных сетей для решения поставленной задачи.
В качестве исходного набора данных рассмотрим набор изображений рукописных букв, состоящий из 102123 изображений, набор для обучения составляет 81725 изображений, проверочная выборка содержит 20398 изображений. Таким образом, данные разделены в отношении 80 на 20. Размер каждого изображения - 32 на 32 пикселя. Изображения имеют вид (рис. 1):
Рис. 1. Рукописный символ
Всего имеется 72 класса символов: буквы в верхнем и нижнем регистре, а также 10 рукописных цифр. Рассмотри три архитектуры:
Рис. 2. Модель 1
Данная модель (рис. 2) содержит 2 сверточных слоя c 32 выходными фильтрами на свертке и высотой сетки 3 на 3 с функцией активации relu [1], а после слой пакетной нормализации, также 2 сверточных слоя c 64 выходными фильтрами на свертке и высотой сетки 3 на 3 с функцией активации relu. Далее содержится полносвязный слой с размером выходного слоя 512. Выходной
4