Главная Книги - Разные Роль искусственных нейронных сетей и машинного обучения в использовании пространственной информации
поиск по сайту правообладателям
|
|
содержание .. 1 2 ..
Spat. Inf. Res. (2023) 31:275-285
Роль искусственных нейронных сетей и машинного обучения
в использовании пространственной информации
Акаш Гоэль · Амит Кумар Гоэль · Адеш Кумар
Получено: 24 мая 2022 г. / Исправлено: 23 октября 2022 г. / Принято: 25 октября 2022 г. / Опубликовано онлайн: 18
ноября 2022 г. © Автор (ы), по эксклюзивной лицензии Корейского общества пространственной информации 2022
Абстрактный В наш век четвертой промышленной революции
обработка данных, здравоохранение и прогнозирование
4.0 цифровой мир располагает множеством данных, включая
погоды с точностью более 90%.
интернет вещей, мобильную связь, кибербезопасность, социальные сети,
прогнозы, данные о здоровье и так далее. Для обоснованной
Ключевые слова Машинное обучение · Искусственные
оценки данных и разработки соответствующих интеллектуальных и автоматизированных
нейронные сети · Спутниковая связь · Глубокое обучение ·
приложений требуются знания в области машинного обучения
Пространственная информация · Мультимедийные приложения
и искусственного интеллекта (ИИ), в этих областях используются различные методы
машинного обучения, включая контролируемое, неконтролируемое и повторное
усиление обучения. Цель исследования - представить
1 Введение
роль искусственных нейронных сетей и машинного обучения в использовании
пространственной информации. Машинное обучение и искусственный интеллект
Человеческий мозг состоит из биологических ной-
играют все более важную роль в снижении риска бедствий, начиная с составления
РОНС, что форма Энн. ИНС образуется различными
карт опасностей и прогнозирования серьезных происшествий и заканчивая обнаружением
слоями нейронов в человеческом мозге, которые связаны
событий в режиме реального времени, ситуационной осведомленностью и
друг с другом. Эти нейроны называются узлами. ЭНН - это
помощью в принятии решений. Некоторые из приложений, использованных в
разновидность искусственного интеллекта [1], который стремится
исследовании для анализа различных областей ANN, включали прогноз погоды,
воспроизвести сеть нейронов, составляющих человеческий мозг, чтобы
медицинскую диагностику, аэрокосмическую промышленность, распознавание лиц,
процессоры могли распознавать сигналы мозга и принимать решения
фондовый рынок, социальные сети, проверку подписи, криминалистику,
подобно человеку в вычислительной системе. Нейроны
робототехнику, электронное оборудование, оборону и сбор сейсмических данных
запрограммированы с помощью компьютеров действовать как
. Машинное обучение определяет множество прогнозирующих
взаимосвязанные клетки мозга для генерации ИНС. Человеческий мозг
моделей для задач, связанных с классификацией, регрессией
содержит приблизительно 1000 миллиардов нейронов. Каждый отдельный
и кластеризацией, используя известные переменные и местоположения из обучающего
нейрон имеет несколько ассоциативных точек в диапазоне от 1000 до 100 000.
набора данных, пространственные данные, основанные на табличных данных,
Связанные данные хранятся в человеческом мозге таким
создают различные наблюдения, которые географически связаны
образом, что их можно распространять, и мы можем извлекать из нашей памяти
друг с другом для неизвестных факторов и мест. В исследовании
несколько разделов этих данных одновременно в зависимости от
показано, что рекуррентная нейронная сеть и сверточная
потребности и возможностей. С научной точки зрения, человеческий мозг
нейронная сеть являются лучшим методом получения пространственной информации
состоит из невероятных параллельных процессоров.
Нейроны являются строительными блоками мозга, центральной нервной
системы [2], спинной мозг и периферическая нервная система
*
Акаш Гоэль
ганглии. Типичный нейрон имеет все компоненты, обнаруженные
a.goel54@yahoo.com
в каждой клетке, а также несколько уникальных структур: сома /
1
Факультет компьютерных наук и инженерии,
клеточная группа тела, аксоны, дендриты и синаптические окончания.
Университет Галготии, Большая Нойда, Северная Каролина,
Анатомия нейронов включает сому, или клеточное тело, которое является
2
Индия, Факультет электротехники и электроники, Школа
важнейшей частью клетки. В нем находится ядро,
инженерных исследований, Университет нефти и
энергетики, Дехрадун, Индия
в котором находятся хромосомы, содержащие генетический материал.
1 3Том: (0123456789)
276
А. Гоэль и др.
Дендриты - это своего рода удлинители, которые можно увидеть на
каждую минуту). Чтобы решить эту проблему, были запущены некоторые проекты, в которых используются
нейронах. Они выглядят как ответвления или шипы, которые выступают
машинное обучение и искусственный интеллект. На ранних стадиях
из тела клетки. Другие нейроны передают химические
пандемии коронавируса ученые изучали Интернет,
сообщения на поверхности дендритов [3]. Длительная
социальные сети и источники новостей, чтобы отследить прогресс
операция, которая обычно затрагивает другие отделы нервной
заболевания. Это один из наиболее современных примеров
системы, распространяется и на другие части нервной системы.
применения искусственного интеллекта и машинного обучения при реагировании на стихийные бедствия,
Аксон является основным проводящим элементом нейрона, который
в случаях реагирования на пандемии. Исследователи могли бы выявить
является эффективным для передачи электрических сигналов через большие
возникающие горячие точки и ранние признаки того, что молодые пациенты
пространства, простирающиеся от 0,1 до 2 м. Аксоны отсутствуют во
были более устойчивы к болезни, выполнив поиск сообщений, в которых
многих нейронах. Синаптические терминали находятся там, где заканчиваются
описывались симптомы, уникальные для Covid. Действительно, пользователи
аксоны, и содержат пузырьки, содержащие нейротрансмиттеры. Пробел
социальных сетей и сотрудники службы поддержки на местах часто предоставляют
также отделяет их от следующего нейрона (синапса).
некоторые из наиболее важных данных, собранных во время кризиса.
Цитоплазма [4] и ядро составляют тело клетки. Перед
Например, изображения и комментарии из Facebook, Twitter, You-
окончанием в нервных окончаниях аксон выходит из
tube и Instagram могут помочь специалистам в первоначальной оценке ущерба .
тела клетки и обеспечивает устойчивый рост к второстепенным выходам или
Кроме того, благодаря определению местоположения и планированию новых мест бедствия, в которых требуется
ветвям. Дендриты покрывают клеточное тело нейрона и
помощь, эта информация может помочь спасательному персоналу в более быстром
получают сообщения от других нейронов. Синапсы, которые
поиске жертв бедствия
"
"
соединяют один дендрит с другим дендритом или один аксон с другим
Наконец, объединение информации от сейсмометров, комментариев в
аксоном, являются фундаментальными контактными зонами для связи
социальных сетях с метками местоположения и данными спутниковых снимков
между нейронами.
может помочь организациям по оказанию помощи в предоставлении ранних предупреждений и
проверке отчетов в режиме реального времени [10]. Географические информационные системы
ANN имеет широкий спектр применений в науке
(ГИС) часто используют машинное обучение для изучения
и технике, включая биологию, физику и химию. ИНС
пространственных данных [11]. Временные ряды, табличные, текстовые и графические данные
работают в химической кинетике, промышленный реактор прогнозирование
используются в приложениях машинного обучения и конкурсах.
поведения, препарат выпускают моделирование, Кинетика, элек-
Информация ГИС охватывает сбор данных, манипулирование ими,
trophoretic метод оптимизации, классификации Агри-
управление, визуализацию и системный анализ пространственных
культурные выходы, такие как лук изменчивости, и даже виды
данных. Пространственная информация имеет пространственные характеристики для каждого
устойчивости [5]. В принципе, такими разрозненными данными, как
наблюдения, в отличие от табличных данных. Пространственные данные представлены
биологическая классификация предметов и кинетические данные для
в двух различных формах: растровой и векторной. Формы для векторных
химических и клинических ограничений, действительно можно управлять
данных включают линии, точки и полигоны. Растровые данные - это совокупность
аналогичным образом. Инновационные вычислительные подходы, такие как
пикселей, собранных в изображение [12]. Обычные
ANNs, используют различные входные данные, которые применяются на фоне
методы машинного обучения, такие как метод опорных векторов,
предшествующего обучения для данной записи образца, чтобы обеспечить
линейная регрессия и регрессия на основе дерева, используются для прогнозирования
терапевтически значимый результат, такой как возможность
целевых переменных в соответствии с зависимыми переменными, но не могут
группировки конкретной патологии или биомедицинских элементов. ИНС
анализировать, что целевые переменные ближе к расстоянию, как правило,
подходят для исследования образцов мочи и крови больных сахарным диабетом
имеют более похожие значения. Эмпирический байесовский кригинг, регрессия по методу наименьших
, диагностики туберкулеза, классификации лейкозов
квадратов, площадная интерполяция и пространственно взвешенная
[6], анализ составных выделяющихся образцов,
регрессия (SWR) [13] - регрессионные
и анализ изображений рентгенограмм или даже существующих тканей,
методы машинного обучения, используемые для пространственного анализа. Методы классификации
не отвечающих требованиям значительной гладкости входных данных.
включают деревья решений, SVM, случайные леса и максимальную
Оригинальность исследовательской статьи заключается в
вероятность [14]. Многие методы кластеризации включают
изучении значительной роли различных методов машинного обучения
многомерную кластеризацию, анализ горячих точек, сегментацию изображений,
и искусственного интеллекта [7, 8] для использования пространственной информации
кластеризацию на основе плотности, анализ пространственно-временных шаблонов и
в доменах serval. AIML широко используется для анализа
многомерную кластеризацию с пространственными ограничениями[15]. Широкое
геопространственных данных или географической информации [9] прямо или косвенно
использование CNN и RNN используется для прогнозирования метеорологических
о конкретном месте или регионе. Это сыграло очень важную
засух с помощью дистанционного зондирования и на большие расстояния.
роль в борьбе со стихийными бедствиями и быстром реагировании. Исследователи
обнаружили, что организации по оказанию помощи при стихийных бедствиях
могут быстрее понимать причины, время, местоположение и последствия
наводнений, подключая данные от организаций по реагированию на стихийные
2 способа
бедствия , спутниковый сигнал Глобальной системы обнаружения
наводнений (GFDS) и активность Twitter, связанную с наводнениями. На самом деле,
Большая часть машинного обучения сегодня - это искусственные
из-за огромного количества данных в Twitter любой, кто попытается
нейронные сети- работает. Из-за недавнего роста
использовать их, столкнется с множеством проблем (350 000 твитов
вычислительной мощности, эти нейронные сети превратились в чрезвычайно
13
Роль искусственных нейронных сетей и машинного обучения в использовании пространственной информации
277
популярны, и в настоящее время их можно найти практически везде.
достижения. Основным мотивом является
Нейронные сети обеспечивают интеллектуальное
максимальное повышение общей стоимости.
преимущество, которое удерживает нас вовлеченными в каждое
приложение в реальном мире. Изучение компьютерных процессов, которые
могут приобретать и развиваться на основе собственного опыта и данных
3 Основных применения ANN
, известно как машинное обучение (ML). Предполагается, что это
составляющая искусственного интеллекта. Машинное обучение
Искусственные нейронные сети являются эффективными
также определяется как аналитическое обучение, когда оно применяется
моделями для решения проблем. Распознавание рукописного текста, в
для изучения бизнес-конкурсов. Машинное обучение позволяет системам
социальных сетях, медицинская диагностика, изображения сжатие,
принимать решения самостоятельно, не прибегая к внешней помощи
аэрокосмической, оборонной, элек- троникс, аппаратные ускорители,
Эти решения принимаются тогда, когда
коммивояжера, робототехника динамика, биржи прогнозов, лица
машина готова извлекать уроки из полученных данных и распознавать
признаются- определение и прогнозирование погоды, чтобы назвать несколько,
заложенные в них основные закономерности. Затем они возвращают
все видели всплеск интереса в последние несколько лет.
результаты, которые могут быть классификацией или прогнозом, после
сопоставления с образцом и дальнейшей обработки.
3.1 Медицинская диагностика и медицинское обслуживание
Алгоритмы ML подразделяются на три подхода [16]:
Контролируемое обучение, обучение без учителя и подкрепляющее
Искусственный интеллект (ИИ) меняет систему здравоохранения
обучение. Контролируемое обучение является наиболее распространенной
[5] в быстром темпе. Исследователи начали разрабатывать
парадигмой для выполнения операций машинного обучения. Оно
различные инструменты для обеспечения лучших результатов в процессе
часто используется для обработки данных с близким соответствием между
оказания клинической помощи, расширения масштабов медицинских
входными переменными и выходными данными. В этом сценарии набор данных
исследований и повышения эффективности благодаря сочетанию подхода,
помечен, что означает, что алгоритм явно распознает
основанного на больших данных и устойчивых алгоритмах машинного обучения. Эти
признаки и делает прогнозы или классификации
технологии основаны на алгоритмах, которые представляют собой компьютерные
на их основе [17]. Процедура может управлять связями
программы, которые могут генерировать прогнозы или предложения на основе данных о
между двумя логическими переменными по мере продолжения обучения
состоянии здоровья . С другой стороны, сами алгоритмы
, позволяя нам ожидать нового результата. Линейная
часто слишком сложны, чтобы можно было понять их логику,
регрессия, градиентный бустинг, случайный лес, логистическая регрессия
не говоря уже о том, чтобы сформулировать ее открыто.
, машина опорных векторов и искусственные нейронные сети
Технология искусственного интеллекта, вероятно, продолжит развиваться,
[18] являются примерами обучения под наблюдением. Неконтролируемая
принося новые достижения в здравоохранение в будущем. Машинное обучение
система обучения не имеет помеченных данных, поскольку данные
- это отрасль искусственного интеллекта и изучение компьютерных алгоритмов
неявно классифицируются на отдельные группы.
[21], которые со временем совершенствуются, используя математические
Модель прогнозирования изучает данные путем обнаружения неявных закономерностей,
методы. Подклассы машинного обучения,
модель может извлекать уроки из данных. Неконтролируемые данные
и глубокого обучения, описывают процедуры, которые изучаются
распознаются на основе их структуры, плотности, связанных
путем обработки данных с использованием ANN и имитации нейронов в
фрагментов и других подобных свойств. Кластеризация, обнаружение аномалий
биологическом мозге. Широкое использование и прогресс цифровых
, автокодеры, анализ основных компонентов и
данных, увеличение вычислительной мощности, обусловленное различным
сети глубоких убеждений являются примерами обучения без учителя.
дизайном оборудования и системными технологиями, такими как графические
Обучение с подкреплением [19] - это метод обучения машинному обучению,
процессоры (GPU), и быстрое расширение методов машинного обучения,
который способствует хорошему поведению, одновременно наказывая
широко реализуемых с использованием технологий глубокого обучения, - все
нежелательное. В общем, агент, обучающийся с подкреплением,
это оставляет неизгладимый след в области здравоохранения. Искусственный интеллект
может наблюдать и понимать свое окружение, выполнять и приобретать знания,
и ML применимы для обработки клинических данных, радиологической
используя методы проб и ошибок. Обучающийся с подкреплением
визуализации, обработки изображений и цифровой патологии.
агент может воспринимать и осмысливать свое окружение, действовать
В нынешнюю эпоху люди используют помощь
и учиться в целом методом проб и ошибок. Подкрепление
опыта и технологий в здравоохранении. В индустрии здравоохранения
обучение - это процесс обучения моделей машинного обучения
используются сверточные нейронные сети (CNN) [22] используются
[20] принимать цепочки решений. В неопределенной, теоретически
для компьютерной томографии, МРТ, рентгенографии, ЭКГ, ЭЭГ и ультразвука.
сложной среде агент работает над достижением
Медицинские изображения и подтверждающие данные, полученные
целей. Искусственный интеллект сталкивается с похожим на игру
в результате вышеупомянутых тестов, оцениваются и измеряются с
инцидентом при обучении с подкреплением. Чтобы добиться уточнения целей,
использованием нейросетевых моделей, как сообщает CNN. [23] используется
процессор работает методом проб и ошибок, чтобы получить результат. Предполагается,
в обработке изображений. Рекуррентные нейронные сети (RNN)
что искусственный интеллект либо вознаграждается, либо наказывается
получили широкое распространение для обучения и реализации систем
за результаты, которые он получает, в зависимости от требований пользователя.
распознавания голоса . В наши дни системы распознавания голоса
Заработки, которые он получает, зависят от требований пользователя.
используются для отслеживания информации о пациентах.
13
278
А. Гоэль и др.
Генеративные нейронные сети также используются в
которые затем передаются искусственным нейронным сетям для
разработке медицины [ 24]. Сопоставление различных видов
целей обучения. Собственная поверхность тестируемого
лекарств - трудная задача, но генеративная нейронная сеть-
изображения подается в готовые нейронные сети для тестирования, и оно
работает [25] упростили этот процесс. Они используются для
определяет наиболее подходящие компоненты с учетом
комбинирования различных ингредиентов, что является основой
порогового значения для отклонения нечеловеческих
для разработки лекарств .
и неопознанных изображений лиц. Входные фотографии лиц
обучаются с использованием ANN с прямой передачей
3.2 Распознавание лиц.
распространения. В нейронные сети поступают вычисленные
собственные поверхности входных изображений лиц .
Одним из наиболее эффективных и актуальных способов использования
биометрических систем обработки изображений является распознавание лиц.
3.3 Социальные сети
Из-за большого разнообразия внешнего вида лиц, сложности и эффекта
освещения фона изображения распознавание лиц по реальным данным,
Поведение пользователей социальных сетей [4] изучается с помощью ANN.
захватывающим изображениям, изображениям из базы данных и изображениям с датчиков
Для конкурентного анализа данные, которыми ежедневно обмениваются
является сложной задачей. Системы распознавания лиц (FRS) [24]
посредством виртуальных взаимодействий, суммируются и анализируются.
являются надежными системами наблюдения. Человеческое лицо
Действия пользователей социальных сетей копируются нейронными сетями.
подбирается и сравнивается с компьютерными фотографиями с помощью
Связанные данные связаны с моделями расходов людей после изучения
систем распознавания . Они используются в офисах для различения записей
их поведения через социальные сети. Данные из
[26]. Как следствие, технологии проверяют человеческое
приложений для социальных сетей [27] добывается с использованием многослойного
лицо, связывая его с базой данных идентификаторов. CNN
Персептрона (MLP) ANN. MLP использует несколько методов обучения,
широко используется для обработки изображений и идентификации лиц
таких как среднеквадратичная ошибка (RMSE), Средняя
при различных ориентациях. Эталонные изображения из базы данных
абсолютная ошибка (MAE) и среднеквадратичная ошибка (MSE), для
применяются к нейронной сети в целях обучения, и
прогнозирования тенденций в социальных сетях (MSE). MLP учитывает множество
фотографии заранее обрабатываются в соответствии с компьютерными
параметров, включая любимые страницы пользователя в Instagram,
значениями. Точные оценки CNN делаются на основе выборки
параметры закладок и так далее [23]. Эти переменные
. Модели отлажены для обеспечения предельной точности
используются в качестве входных данных при обучении модели MLP.
распознавания.
ANN, несомненно, может стать наиболее подходящей и качественной
Анализ основных компонентов (PCA) - это метод ANN-
моделью для анализа данных в постоянно меняющихся дискуссиях о приложениях
логики, который распознает особенности поиска изображений лиц
для социальных сетей
Анализ ANN использовался для
с использованием этой техники. СПС является снижение размерности-
выявления как линейных, так и нелинейных взаимодействий в
ного метода, который держит основную часть набора данных, входы
модели исследования, включающей препятствия для новизны и проблемы
переменным способности. Он следует за информацией для шифрования
конфиденциальности, с использованием данных, полученных от пользователей мобильных
фотографий лица, определяя значение отклонений в соответствии с
социальных сетей , которые не имели представления о деятельности мобильного
набором данных. Он оценивает векторы объектов для нескольких
сообщества . Люди становятся практически на связи по мере роста использования
точек грани и генерирует матрицу столбцов в соответствии с одним и тем же
Интернета , используя другие платформы социальных сетей, такие как Facebook,
набором данных. После завершения вычисления
текстовые сообщения, Twitter и другие подобные платформы. Это
вектора признаков он вычисляет среднее значение лица, затем нормализует
привело к росту распространения спама или нежелательных
каждое входное изображение лица путем вычитания средних значений
сообщений, которые используются для маркетинга, сбора данных
лица, затем вычисляет для него ковариационную матрицу. Он определяет
или просто для оскорбления людей. В результате крайне важно иметь мощную
собственные значения на основе ковариационной матрицы и
архитектуру распознавания спама, которая может блокировать эти стили
поддерживает только максимальные собственные значения, затем вычисляет
сообщений. Из-за короткого сценария и большого разнообразия
значения собственного вектора для завершения ковариационной
языков, используемых в социальных сетях, обнаружение спама на
матрицы, чтобы вычислить собственную поверхность для ковариационной
шумных платформах, таких как Twitter, остается сложной задачей [28]. Для
матрицы, используя эту матрицу. Методология PCA анализирует основные
социальных сетей - революционный дизайн, основанный на глубоком обучении
вариации в наборе данных путем перевода его из многомерного
на CNN [29] и используются долгосрочные нейронные сети (LSTM)
пространства изображений с высокой на низкую величину. Эти расширенные проекции
изображений лиц ранее отправлялись в ANN для тестирования и обучения
. PCA восстанавливает различия в выборе объектов на
3.4 Фондовый рынок
изображениях лиц, которые содержат максимум информации, с
разложенными размерами. Также извлекаются различия в чертах
Прогнозируемый фондовый рынок [8] - это очень важный
различных изображений лиц, которые содержат максимальную информацию
вопрос, который набирает обороты. Связанный с этим риск
с разложенными размерами.
слишком велик и полностью зависит от рынка. На крайне нестабильном
Собственные поверхности генерируются на основе извлеченных признаков,
рынке и, по сути, невозможно предсказать неизбежный
13
Роль искусственных нейронных сетей и машинного обучения в использовании пространственной информации
279
Изменения. Постоянно меняющиеся бычьи и медвежьи
подбор оптимальных конструкций с помощью нейронных сетей удовлетворенность
стадии были случайными до появления нейронных сетей. Многослойный персептрон MLP
Тори, для большинства выходного дизайна ограничений.
[30] используется для разработки эффективного прогнозирования запасов в режиме реального
Авиакосмическая промышленность представляет собой широкую фразу, что
времени. MLP формируется с использованием различных слоев
"Энкома" - проходит космических аппаратов [19] и разработка самолетов. Нейросеть-
узлов, в которых каждый слой полностью соединен. Модель MLP
разработки взяли верх в таких областях, как обнаружение неисправностей,
настраивается с использованием прошлых показателей акций, годовой
автоматическое пилотирование с высокой производительностью, обеспечение
доходности и некоммерческих отношений. Следовать типичным линейным и
безопасности систем управления самолетом и моделирование важнейших динамических симуляций.
нелинейным методам для фондового рынка. [9], в последние годы были
Задержка во времени для моделирования нелинейных временных динамических систем
предложены различные нейронные сети и гибридные модели для получения надежных результатов
можно использовать нейронные сети. Задержка во времени Для распознавания объектов,
прогнозирования. В настоящее время существуют различные нейронные сети и гибридные
не зависящая от местоположения, используются нейронные сети
модели. Многослойный персептрон (MLP), гибридные нейронные сети и
. Распознавание образов возможно с помощью техники,
динамическая искусственная нейронная сеть (DAN2) используют обобщенную
которая основана на нейронных сетях с временной задержкой. Потому что ПА-
авторегрессионную условную гетероскедастичность (GARCH) для
Зенгер безопасности имеет первостепенное значение в самолете, алгоритмы, основанные
извлечения дополнительных входных переменных, которые используются для прогнозирования
на нейронных сетей убедиться, что автопилот
оценок фондового рынка [10]. Среднее абсолютное отклонение (MAD)
является точной. Поскольку большинство операций автопилота
и среднеквадратичная ошибка (MSE) отдельной модели
автоматизированы, крайне важно обеспечить им максимальную
связаны с использованием стандартов реального обменного курса в
безопасность. ANN использовались для моделирования качества
индексе NASDAQ standard interchange index. Байесовская стандартная искусственная нейронная сеть
поверхностных сплавов для аэрокосмических применений, которые основаны на
[16] является отличительной методикой
процессе электроэрозионной обработки проволокой (WEDM)
для оценки поведения финансового рынка. Финансовые процедурные
[32] и структурные компоненты [25].
индикаторы и ежедневные рыночные значения используются для
содействия прогнозированию доходности конкретных акций при закрытии в один прекрасный день в
будущем [31]. Прогнозирование движения количества запасов
3.6 Защита
регулярно рассматривается как сложная и важная задача при исследовании финансовых временных рядов.
Нейронные сети обладают
возможностями и перспективными приложениями для интерпретации данных, поступающих с
3.5
датчиков с высокой скоростью передачи данных, сбора радиоэлектронной разведки, обработки массивов
гидролокаторов, наблюдения за полем боя, идентификации воздушных судов, как радиолокационных
Приложения нейронной сети позволяют оценивать
, так и инфракрасных, а также мультисенсорного синтеза. Искусственный
взаимосвязи между различными особенностями ландшафта.
интеллект дает оборонной промышленности столь необходимый
Преимущества нейронных сетей заключаются в том, что все модули
импульс, необходимый ей для расширения масштабов своей технологии. CNN используется для
могут работать параллельно, тем самым повышая квалификацию в решении задач
получения информации о существовании подводных мин. Подводные
lem, особенно в области обработки изображений.
мины представляют собой тип подземного перехода, который служит запрещенным
Подход разработки ANN с
маршрутом трансграничного обмена. Беспилотный Воздушно-десантных транспорт-
ошибкой обратного распространения в контексте этого исследования был предложен
клес (БПЛА) и беспилотных подводных (uuvs) являются
в качестве решения проблемы создания индикаторов декодирования,
самостоятельной морских транспортных средств, которые интерпретируют образы, используя
основанных на суперпозиции пространственных и спектральных свойств
телеканалу CNN. Сверточные нейронные сети строятся на основе
изображений со спутника Landsat TM [17]. Искусственные
сверточных слоев. В этих слоях используются различные фильтры
иммунные системы (ИИ) интегрируют априорные знания с
для различения фотографий. В слоях также есть фильтры большего размера
биологическими иммунными системами [18] адаптивные характеристики,
для извлечения изображений, чем в каналах фильтрации. Были созданы искусственные иммунные
обеспечивающие мощную альтернативу доступным в настоящее время методам
системы (ИИ) и ИНС, позволившие создать
распознавания, моделирования, проектирования и контроля паттернов
В настоящее время
интеллектуальную систему киберзащиты. Искусственный интеллект-
существует множество методов. Иммунология - это изучение встроенных защитных систем,
интеллект имеет приложения в киберзащите (CD), а также
которыми обладают все живые существа для защиты себя от внешних
перспективы улучшения возможностей киберзащиты за счет
угроз. Биологическую иммунную систему можно рассматривать как
расширения интеллектуальных возможностей оборонительных систем. Искусственные нейронные
устойчивую, адаптируемую систему, способную справляться с широким спектром
сети используются для исследования и моделирования защитных тканей для военных целей.
сбоев и неопределенностей. Для достижения этой адаптивности
Ботнеты приобретают
биологическим иммунным системам требуется конечное число
сверхбольшие размеры, способ атаки демонстрирует ряд
отдельных "строительных элементов". Эти строительные блоки
особенностей, и атаки на уровне приложений стали наиболее
похожи на детали головоломки, которые должны быть собраны в определенном
распространенным методом атаки. Все эти методы оказывают большое
порядке, чтобы нейтрализовать, устранить или уничтожить каждое нарушение, с которым
влияние на безопасность в Интернете. С другой стороны, традиционные подходы к обнаружению
сталкивается система. Нейронные сети использовались для
программной защиты страдают от низкой
оптимизации конструкции конструктивных элементов самолетов. В
точности, устаревшего метода обнаружения, неоправданно высокой аэрокосмической сложности.
13
280
А. Гоэль и др.
пассивный метод обнаружения и трудоемкая
Сеть прямой связи MLP используется для создания
реализация системы защиты .
интеллектуального контроллера для автономного мобильного робота,
позволяющего роботу управлять в реальных динамических условиях.
3.7 Проверка подписи и судебная экспертиза
Входные данные нейронного контроллера - это расстояние между
левым, правым и передним препятствиями относительно их целевого угла
Аутентификация подписи была одной из наиболее
и положения. Угол поворота - это результат работы нейронной сети-
изученных областей в области изображений и компьютерного зрения
. Проблемы времени, маршрута и оптимизации мобильных роботов
[20]. Проверка подписи используется многими юридическими и финансовыми
были решены с использованием четырехслойной нейронной сети,
организациями как форма аутентификации и контроля доступа.
которая взаимодействует с когнитивными действиями, такими как
Фотографии с подписями не содержат большого количества текстуры, но
обучение, адаптация, оптимизация и обобщение. Сеть
они содержат много важной геометрической информации.
обучается с использованием подхода обратного распространения.
В криминалистике [33], анализ почерка чрезвычайно
Обратная кинематика манипуляторов робота также решается с
важен. Этот подход часто используется для оценки различий
использованием подхода искусственных нейронных сетей.
между двумя рукописями. В поведенческом анализе также используется
метод разбрасывания слов по чистому листу.
3.9 Прогнозирование погоды.
CNN используется для проверки почерка.
Проверка подписи используется в банковских операциях и других
Прогнозирование погоды обычно используется для прогнозирования
финансовых органах для двойной проверки личности человека. Подписи
погодных условий, которые произойдут в будущем. Перед Прове-
обычно проверяются с помощью программного обеспечения для проверки
денной искусственного интеллекта, метеорологического
подписи . Аутентификация подписи является важной функцией,
департамента прогнозы были не верны [35]. Способность
которая направлена на тщательный анализ законности подписанных
ИНС прогнозировать неопределенную нелинейную зависимость
буклетов, поскольку случаи подделки довольно широко распространены
между нагрузкой и метеорологическими факторами [61] делает их
в финансовых организациях. Подписи проверяются с помощью
особенно интригующими. Прогнозы погоды теперь также используются
ANN, чтобы отличать подлинные подписи от поддельных.
для того, чтобы предвидеть вероятность стихийных бедствий в
ANN можно использовать для проверки подписей как в автономном, так и в
наши дни. Вейвлет-преобразования, вперед backpropaga-
онлайн-режиме . Различные наборы данных загружаются в базу данных для
ции, и регрессии, нейронные сети используются для ежедневных
обучения модели ANN. Данные, предоставленные таким образом, помогают
осадках [36] предсказания. Нейронные сети используются
модели ANN дифференцироваться. Для выделения признаков в
для прогнозирования среднечасовой температуры поверхности. Для
модели ANN используется обработка изображений. Для идентификации лиц в
обучения этой нейронной сети в автономном режиме используются
организациях или финансовых подразделениях чрезвычайно эффективны
обратная обработка и стратегия пакетного обучения. Созданная
биометрические методы, такие как проверка подписи.
нейронная сеть была успешно протестирована при температурах, которые не
совпадают с теми, которые использовались при обучении. Чтобы оценить
температуру в тот же час следующего дня, нужна только
3.8 Робототехника и динамика.
одна температура [37] значение в качестве входных данных. Ожидаемые
почасовые значения температуры связаны с фактическими измеренными
Однослойные нейронные сети с обратной связью, многослойные
температурами.
сети прямого взаимодействия и сети конкурентного обучения являются
среди нейронных сетей, изученных для всех трех этапов
MLP, CNN и рекуррентные нейронные сети (RNN) использовались
управления роботом [34] приложения, проектирование путей,
для прогнозирования погоды. Традиционные многослойные
планирование задач и управление путями. Обучение ANN, основанное на
модели ANN могут использоваться для прогнозирования погоды на 15
знаниях, для динамических автономных роботов использует методологии
дней вперед. Для прогнозирования температуры воздуха можно использовать
проектирования и обучения сетей в реальном времени . ANN используется для
гибрид нескольких нейросетевых конструкций. [38]. Для
управления реактивным движением автономного робота в загруженной
обучения моделей на основе нейронной сети учитывалось несколько входных
реальной неидентифицированной среде, гарантируя, что он соответствует
данных, таких как относительная влажность, температура воздуха, ветер,
определенным целям, избегая при этом статических и динамических
скорость и расположение солнца . В случае погоды
препятствий. Расстояния справа, слева и спереди от препятствий до
для более точных прогнозов
их расположения, а также расстояние между роботом
обычно используются комбинированные модели (MLP CNN) и (CNN RNN).
и определенной целью, фиксируемое группой датчиков, являются
входными данными для предлагаемого нейронного контроллера. Нейронное
3.10 Электронное оборудование и ускорители.
управление- ler было разработано с использованием четырехслойного MLP для
решения задач оптимизации траектории и фазы мобильных
Искусственный интеллект (ИИ) возможности, такие как нечеткая логика,
роботов, что включает в себя интеллектуальные действия, такие как обучение,
экспертные системы и нейронные сети примеры Арти- официального
адаптация, обобщение и оптимизация. Сеть
интеллект (ИИ) возможности, которые будут доступны для потребителей
обучена с использованием подхода обратного распространения.
в ближайшие десятилетия в области силовой электроники и
13
Роль искусственных нейронных сетей и машинного обучения в использовании пространственной информации
281
управление движением. Хотя эти технологии
один чип по низкой цене. Новые архитектуры содержат цифровые
значительно продвинулись вперед, они имеют широкий спектр применения, а силовая
нейроны в одном слое, которые можно использовать повторно несколько раз, с изменяющимися
электроника и приводы машин не пострадали. В областях
векторами весовых коэффициентов в направлении существенного
управления движением и силовой электроники технологии искусственного интеллекта
уменьшения необходимой площади кремния. Машинное обучение,
и их приложения играют решающую роль. Глубокие нейронные
являющееся подмножеством искусственного интеллекта (ИИ), превратилось
сети (DNN) стали важным инструментом искусственного
в прорывную технологию, которая в настоящее время широко используется
интеллекта, применяемым в самых разных областях - от компьютерного
в различных отраслях промышленности. Одна из самых важных разработок,
зрения до робототехники, медицинской диагностики, автономных транспортных средств
ставших возможными благодаря машинному обучению, относится к
и безопасности. Сложность моделей DNN возрастает по мере того,
области СБИС [40]. В обозримом будущем ожидается дальнейший
как усложняется приложение, и развертывание
рост и достижения в этой области. Про-
сложных моделей DNN требует большого количества вычислительных
изводства тысяч транзисторов в СБИС является сложной и трудоемкой,
ресурсов. Сложные DNN не могут быть обработаны процессорами общего
и требует процесса разработки, будут автоматически сопряжены
назначения с требуемой задержкой, пропускной способностью и бюджетным
друг с другом, что привело к разработке САПР инструментов и техно-
энергопотреблением. Аппаратные ускорители для конкретной предметной области,
логиями. Методы машинного обучения используются на различных
таким образом, требуются для предоставления больших вычислительных ресурсов,
уровнях абстракции в САПР СБИС, и включение
сохраняя при этом высокую пропускную способность и энергоэффективность,
машинного обучения в СБИС поможет инженерам-проектировщикам
в компактной области микросхемы очень крупномасштабной интеграции (СБИС).
спрогнозировать аппаратные ресурсы перед производством.
На основе оценки развертывания ускорителей
DNN была разработана новая парадигма интегрированного вычислительного интеллекта с
программируемой в полевых условиях матрицей вентилей (FPGA). Искусственный интеллект
пользуется большим спросом для проектирования и верификации полупроводников,
4 Результаты и обсуждения
которые в настоящее время являются наиболее сложными задачами.
FPGA используется для создания архитектуры микросхем и аппаратного
Таблица 1 перечисляет использование ANN в информатике здравоохранения
синтеза и реализации многослойных нейронных сетей (NN) типа
и при различных заболеваниях. ANN была использована с высокой
"Питание для подопечного" (feed-for-ward, MFF) [39]. Несмотря на успехи
точностью для диагностики ишемической болезни сердца (64-94%), апноэ
в увеличении толщины ПЛИС, размер сети, который может быть
во сне с использованием ЭКГ (99%), набора данных MIT-BIH об аритмии
реализован на аппаратном обеспечении ПЛИС, ограничен несколькими
по данным ЭКГ (95,12%) и обнаружения приступов с помощью ЭЭГ (98,86%).
множителями в ANN. Это сделает приложения NN коммерчески
Hybrid ANN применяется для прогнозирования использования социальных
нежизнеспособными. Предлагаемое техническое решение предназначено,
сетей, распространения научных статей в социальных сетях, поведения
чтобы уменьшить ресурса требования, не вмешиваясь слишком много с системой ТВ-
клиентов, определения пола и прогнозирования фондового рынка.
представление, что увеличивает НН быть понято на
Анализ обратного распространения ANN и главных компонентов:
Таблица 1 ANN и гибридный ANN для определения точности
описания медицинской и другой пространственной информации AIML
Приложение
Atkov et al. [41] 64-94% Искусственная нейронная сеть
Диагностика ишемической болезни сердца
Салари и др. [42] 99% Остаточный алгоритм нейросети
Апноэ во сне с использованием ЭКГ
Соумья и др. [21] 95,12% - глубокое обучение
Набор данных MIT-BIH по аритмии с
Абдулла и др. [43] 98.86%
Нейронная сеть с обратным распространением Ada-boost (AB-BP-
данными ЭКГ Обнаружение приступов с помощью ЭЭГ
NN)
Леонг и др. [27]
86.67%
Гибридный ANN с моделированием структурными уравнениями
Прогнозирование использования социальных сетей
(SEM) и
Ma et al. [28]
78.05%
ANN с моделью одновременного уравнения (3SLS)
Прогнозирование распространения научных работ по
Социальные сети
Чжэн и др. [44]
93.13%,
ANN (93,13%) и SVM (54,00%) с сигмовидной кишкой
Прогнозирование поведения клиента
54.00%
функция ядра
Сафара и др. [29]
98.00%
ANN с алгоритмом оптимизации whale (WOA)
Определение пола автора (AGD) в электронной почте, мессенджерах,
и общении в социальных сетях
Джабин и др. [31]
100%
Обратная связь ANN
Прогноз фондового рынка
Kara et al. [45]
75.74%,
ANN (75,74%) и машина опорных векторов (71,52%), предсказывающая направление движения индекса цен на акции
71.52%
в Стамбуле
99.60%
Лю и др. [46]
Система обратного распространения и Основной компонент
Прогнозирование перехода производственной цепочки поставок на цифровые технологии-
Анализ
риски формирования
13
282
А. Гоэль и др.
используется для прогнозирования рисков цифровой
отбор (90,00%) с использованием прогностической модели,
трансформации производственной цепочки поставок с 99,60%.
основанной на данных. Таблица 3 перечислены
Для создания работоспособного дизайна требуется много рендеринга и
приложения машинного обучения с использованием SVM.
тестирования, особенно с появлением архитектур
Машинное обучение и ANN использовались для получения
с открытым исходным кодом, таких как reduced instruction set computer (RISC)-V
данных ГИС, прогнозирования производительности солнечных панелей,
и различных программных средств автоматизированного проектирования (CAD),
прогнозов электрической нагрузки для коммерческих зданий и анализа
доступных для проектирования и верификации. Машинное обучение,
прогнозов электрической нагрузки для отдельного здания в
искусственные нейронные сети (ANN) и глубокое обучение используются
университетском кампусе. Машинное обучение было доказано как благо в
для прогнозирования производительности и точности системы. Таблица 2 перечислите
области медицины, поскольку система алгоритмов машинного обучения
приложения на основе глубокого обучения RNN и CNN для
часто вычисляет особенности изображения, которые считаются важными
пространственного прогнозирования и различных заболеваний. RNN с точностью
при создании интересующего прогноза или диагностики. После
используется для лечения психической депрессии на основе данных ЭЭГ (96,50%),
этого система алгоритмов машинного обучения решает
распознавания лиц и идентификации заключенных в тюрьме
наилучшее расположение этих аспектов изображения для классификации
(87,00%), а также идентификации и классификации фейковых новостей (99,00%).
изображения или генерации метрики для указанной области изображения.
CNN использовался для интерактивной диагностики (92,00%), рентгеновских
ANN применяется для выявления рака, рака молочной железы, язвы во рту,
снимков таза подростков для судебно-медицинской экспертизы, определения
камней в почках, заболеваний легких, частоты сердечных сокращений,
костного возраста с помощью двухэтапного CNN (88,00%), интеллектуального стекла
аритмии- для выявления заболеваний Паркинсона, эпилепсии и
для защиты и аутентификации (98,5%), медицинского ассистента для выявления
многих других [37]. Он был использован для изучения оборудования
симптомов распространенных заболеваний (97,37%), космического аппарата
и механизмов для биомедицинских применений, таких как
на основе визуального наблюдения (92,53%) и функции авиационного двигателя.
ЭКГ, ЭЭГ, ЭМГ и т.д. ANN и машинное обучение могут быть
Таблица 2 CNN и RNN для нескольких
приложений Точность описания (%) AIML
Применение
Саркар и др. [22] 96.50
RNN с интеграцией модели психической депрессии LSTM на основе данных ЭЭГ
Dan et al. [47] 92.00
Сверточная нейронная сеть и U-Net
Интерактивная маркировка для исправленного асфальтового покрытия-
улучшенные изображения
Пэн и др. [23]
88.00
Двухэтапный CNN
Рентгенограммы таза подростка для судебно-медицинской экспертизы костного возраста
оценка
Алмабди и др. [24]
94-100
CNN с мультиклассовым
Распознавание лиц по изображениям лиц
Хан и др. [26]
98.5
SVM Глубокий CNN
Распознавание лиц с помощью Smart glass для аутентификации-
и безопасности
Дияса и др. [48]
87.00
Сверточная нейронная сеть
Распознавание лиц и идентификация заключенных
в тюрьме
Джадхав и др. [30]
99.00
Рекуррентный нейросетевой
Идентификация и классификация фейковых новостей
Физаннупавонг и др. [32] 92.53
классификатор Deep CNN
Некооперативный процесс стыковки для космических аппаратов, основанных на зрении
прогнозирование положения космического аппарата
Рай и др. [25]
97.37
CNN
Интеллектуальный помощник в области здравоохранения для определения симптомов
распространенных заболеваний
Хампром и др.[49]
90.00
Deep CNN
Выбор характеристик авиационного двигателя для управляемой данными
прогностической модели
Таблица 3 Приложения машинного обучения с
использованием SVM Точность описания (%) AIML
Применение
Чаудхари и др. [50] 94.6
Машина опорных векторов
Опухоль головного мозга и МРТ
Чжэн и др. [44] 93.13,
SVM (54,00%) с функцией сигмовидного ядра, предсказывающей поведение клиентов
54.00
Юань и др. [51]
97.17
Машина опорных векторов
Для точной классификации интернет-трафика
Прашант и др. [52]
96.40
Наивный Байес и аппарат для создания опорных векторов
Раннее выявление болезни Паркинсона с использованием мультимодальных
возможности
Ши и др. [53]
80.00
Машина опорных векторов
Прогнозирование выходной мощности фотоэлектрических систем
на основе классификации погоды
13
Роль искусственных нейронных сетей и машинного обучения в использовании пространственной информации
283
применяется в электронном оборудовании, полупроводниковой промышленности,
понимание своих клиентов в будущем за счет
текстильных изделиях, программных приложениях, упаковке пищевых продуктов
предоставления лучшего, более адаптированного опыта.
и большинстве приложений реального времени. [54]. aneAI сыграла очень
важную роль в секторе образования. Развитие искусственного интеллекта и
естественных наук открыло новую эру компьютерного
Вклад автора Акаш Гоэль работал над введением, осветил
описание и приложения. Амит Кумар-Гоэль и Адеш Кумар проверено
обучения. Компьютерная система с человеческим интеллектом могла бы служить
содержание при написании соответствующего приложения и резюме
интеллектуальным инструментом, репетитором или подопечным, а также
в таблице.
поддерживать принятие решений в области образования [54]. Сочетание
искусственного интеллекта и образования откроет новые возможности
для резкого повышения уровня обучения и его качества.
Учителя могут использовать интеллектуальные технологии, чтобы помочь им с
Финансирование Не были выделены средства на проведение этого
исследования. Эти авторы заявляют, что у них нет финансовых интересов. У
тестами, сбором данных, разработкой новых стратегий и увеличением
авторов нет соответствующих нефинансовых интересов для раскрытия.
прогресса в обучении. Результаты знаний студента
могут быть улучшены за счет асинхронного обучения и компетентных
Доступность данных Неприменимо.
профессоров. Учитывая растущий интерес к искусственному
Заявления
интеллекту в образовании (AIEd) и нехватку тщательных
обзоров, целью работы является предоставление исчерпывающей и
методической оценки значимых исследований AIEd. Мобильная
Конфликт интересов Нет конфликта интересов в отношении
публикации- ской научной статьи.
методика обучения, основанная на формирующем оценивании, поможет
ИИ повысить отношение студентов к обучению и их достижения.
Список литературы
5 Заключение
1. Амато Ф., Лопес А., Пенья-Мендес Э. М., Ванхара П., Хэмпл,
А. и Гавел Дж. (2013). Искусственные нейронные сети в медицинской
Машинное обучение - это отрасль искусственного интеллекта, которая
. org/10.2478/v10136-012-0031- x.
использует различные вероятностные, статистические и оптимизационные
2. Балиян А., Гаурав К. и Мишра С. К. (2015). Обзор
методы, позволяющие компьютерам "учиться" на прошлых экзаменах
краткосрочное прогнозирование нагрузки с использованием моделей
и обнаруживать труднонаблюдаемые закономерности в обширных, зашумленных или
. 1016/j.procs.2015.04.160.
сложных наборах данных. Хорошим примером этого являются медицинские приложения,
3. Наяк Р., Джайн Л. К., и Тинг Б. К. Х. (2001). Искусственные нейронные сети
особенно те, которые основаны на сложных протеомных и геномных измерениях,
в биомедицинской инженерии: обзор. Вычислительная
которые значительно выиграют от
этой возможности. Искусственный интеллект (ИИ) относится к созданию
org/10.1016/B978-0-08-043981-5.50132-2
4. Адольф, Р. (2003). Когнитивная неврология социальные
компьютерных систем, которые могут выполнять действия,
сравнимые с человеческим интеллектом. Искусственный интеллект,
doi.org/10.1038/nrn1056.
на самом деле, охватывает всю шкалу обучения
5. Пак, К. В., Со, С. В., Кан, Н., Ко, Б., Чхве, Б. В., Пак, К.
и не ограничивается машинным обучением. Представление обучения,
М., & Юн, Х. Дж. (2020). Искусственный интеллект в здравоохранении:
обработка естественного языка и глубокое обучение являются
текущие приложения и проблемы. Журнал корейской медицинской науки-
примерами искусственного интеллекта (НЛП). Вычислительные программы, которые
6. Джиндал, Н., & Кумар, В. (2013). Улучшенный алгоритм распознавания лиц-
копируют и имитируют человеческий интеллект при обучении и
алгоритм с использованием pca с искусственными нейронными сетями. Международный
решении проблем, называются искусственным интеллектом. Искусственный интеллект
журнал передовых исследований в области компьютерных наук и разработки
в медицине использует компьютерные алгоритмы для извлечения информации
программного обеспечения , 3(6), 864-872.
7. Ма, Ю., Ба, З., Чжао, Ю., Мао, Дж. и Ли, Г. (2021). Понимание
из необработанных данных для принятия точных медицинских
и прогнозирование распространения научных статей в социальных сетях:
решений. Машинное обучение может быть применено в любой предметной области
двухэтапное моделирование одновременных уравнений - подход с
для решения реальных задач и прогнозирования возможных результатов
. Машинное обучение меняет бизнес в самых разных отраслях, от огромных корпораций до
/ s11192-021-04051-5
8. Гуресен Э., Каякутлу Г. и Дайм Т. У. (2011). Использование искусственных
небольших фирм. По мере того как
нейросетевых моделей в прогнозировании индексов фондового рынка. Экспертные
машинное обучение проникает в различные предприятия, каждый
начинает оставлять за собой информационный след. Каждый человек генерирует данные и
10.1016/j.eswa.2011.02.068.
обменивается ими. Машинное обучение (ML) обладает потенциалом сделать возможными самооптимизирующи9.сВ
уи, К.С., Сун, Г. К., Он, К.К., Альфред, Р. и Энтони, П.
инструменты проектирования. После развертывания инструменты, улучшенные
(2013, ноябрь). Обзор фондового рынка прогнозирование с Арти-
официального нейронные сети (ИНС). В 2013 IEEE международная кон-
искусственным интеллектом, могут обучаться и совершенствоваться в (местных)
ференции по системе управления, вычислительной техники и технических
контекстах проектирования. Организации выиграют от более широкого
(стр. 477- 482). IEEE. https://doi.org/10.1109/ICCSCE.2013.6720012
13
284
А. Гоэль и др.
10. Йети, Ю., Каплан, Х. и Джамшиди, М. (2014, август). В наличии
24. Алмабди, С., и Эльрефаи, Л. (2019). Глубокая сверточная нейронная сеть
прогнозирование рынка с использованием искусственной нейронной сети. В 2014
сетевые подходы к распознаванию лиц. Прикладные науки,
г. Всемирный конгресс по автоматизации (WAC) (стр. 718-722). IEEE.
25. Рай С., Раут А., Савалия А. и Шанкармани Р. (2018, март).
11. Балогун А. Л., Телла А., Балу Л. и Адебиси Н. (2021).
Дарвин: интеллектуальный медицинский ассистент на основе сверточной нейронной сети.
Обзор взаимосвязи изменения климата, загрязнения воздуха и
В 2018 г. Вторая международная конференция по электронике, связи и аэрокосмическим технологиям
устойчивости городов с использованием новых алгоритмов машинного
(ICECA). В 2018 г. Вторая международная конференция по электронике, коммуникационным и
обучения и пространственной информатики. Городской климат, 40,
100989.
8474861
26. Хан С., Джавед М. Х., Ахмед Э., Шах С. А. и Али С. У.
12. Крэкнелл, М. Дж. и Рединг, А. М. (2014). Геологическая карта.-
проверка с использованием данных дистанционного зондирования: сравнение
(2019). Распознавание лиц с использованием сверточных нейронных
пяти алгоритмов машинного обучения, их реакции на изменения в пространственном
сетей и реализация на смарт-очках. В рамках Международной
распределении обучающих данных и использование явной пространственной
конференции по информатике и коммуникационным технологиям
2019 года (ICISCT) (стр. 1-6). IEEE. https://doi.org/10.1109 /
10.1016/j.cageo.2013.10.008.
CISC.2019.8777442.
27. Леонг, Л. Ю., Хью, Т. С., Оой, К. Б., Ли, В. Х., и Хью, Дж. Дж.
13. Kopczewska, K. (2022). Пространственное машинное обучение: новые возможности-
Для региональной науки. Анналы региональной науки,
(2019). Гибридный SEM-нейросетевой анализ зависимости от
68(3), 713-755. https://doi.org/10.1007/s00168-021-01101-x.
социальных сетей . Экспертные системы с приложениями, 133,
14. Синкума Р. и Нисио Т. (2019, июль). Оценка данных и
296-316. https://doi.org/10.1016/j.eswa.2019.05.024.
определение приоритетов в мобильных сетях для прогнозирования пространственной
28. Ма, Й., Ба, З., Чжао, Й., Мао, Дж. и Ли, Дж. (2021). Понимание
и прогнозирование распространения научных статей в социальных сетях:
информации в режиме реального времени с помощью машинного обучения. В 2019 Первый
двухэтапное моделирование одновременных уравнений - подход с
Международный семинар IEEE по сетевым и интеллектуальным вычислениям (NMIC) (IEEE
/ s11192-021-04051-5
NMIC.2019.00006. (2010, июль).
29. Сафара, Ф., Мохаммед, А. С., Потрус, М. Ю., Али, С., Тхо, К. Т.,
15. Куо, Б. К., Хуан, К. С., Хунг, К. С., Лю, Ю. Л. и Чен, И. Л.
Машина опорных векторов на основе пространственной информации для классификации
Сури, А., и Хоссейнзаде, М. (2020). Авторский метод определения
гиперспектральных изображений. В Международный стандарт IEEE 2010 г.-
пола с использованием алгоритма оптимизации китов и искусственной
международный симпозиум по геонауке и
(стр. 832-835).
дистанционному зондированию IEEE.
ДОСТУП.2020.2973509
16. Тикнор, Дж. Л. (2013). Байесовская регуляризованная искусственная нейронная сеть-
30. Джадхав, С.С., и Тепаде, С. Д. (2019). Идентификация фейковых новостей
работа для прогнозирования фондового рынка. Экспертные системы с приложением-
и классификация с использованием DSSM и улучшенной рекуррентной нейронной
сети- рабочий классификатор. Прикладной искусственный интеллект, 33(12),
связи
013.
1058-1068. https://doi.org/10.1080/08839514.2019.1661579. 31. Жабин, С. (2014).
17. Салахова С. (2007, июнь). Дистанционное зондирование и ГИС-приложение
Прогнозирование фондового рынка с использованием метода обратной связи arti-
для наблюдения Земли на основе нейронных сетей в аэро- космической классификации
официальный нейронной сети. Международный журнал
изображений. В 3-я Международная конференция 2007
компьютерных приложений- tions, 99(9), 4-8.
о последних достижениях в области космических технологий
(стр. 275-278). IEEE.
32. Физаннупавонг Т., Камсинг П., Тортика П., Чаннумсин,
S., Савангвит, У., Хематулин, У., & Бунсримуанг, П. (2020). Оценка положения
18. Момо, А. Ю., & Кнопка, Р. (2003). Дизайн и анализ Аэро-
космического аппарата на основе визуального наблюдения с помощью глубокой
место постоянного дуговым замыканиям, используя быстрое преобразование Фурье и Арти-
сверточной нейронной сети для операций стыковки без сотрудничества. Аэрокосмическая
официального нейронной сети. В 2003 Энергетическое инженерное общество IEEE
Общее собрание (Кат. IEEE № 03CH37491)
(Том 2, стр. 788-
7
793). IEEE. https://doi.org/10.1109/PES.2003.1270407.
33. Сэм С. М., Камардин К., Сьяриф Н. Н. А. и Мохаммед Н.
(2019). В автономном режиме проверки подписи с использованием
19. Тан, Ю. К. (2009). Подход к распределению бюджета для аэрокосмической компании-
глубокого обучения convolu- онного нейронная сеть (КНС) архитектур GoogLeNet
Процесс нечеткой аналитической иерархии и искусственная
основания- основания и В1-В3. Информатика Procedia 161 , 475-483.
,
https://doi.org/10.1016/j.procs.2019.11.147.
doi.org/10.1016/j.neucom.2009.03.020.
34. Сингх, М. К. и Пархи, Д. Р. (2011). Оптимизация траектории мобильного
20. Kurowski, M., Sroczyński, A., Bogdanis, G., & Czyżewski, A.
робот, использующий контроллер искусственной
Иностранным студентам
(2021). Автоматизированный метод биометрической аутентификации с
нейронной сети. Журнал системных наук 42
, (1), 107-120. https://doi.org/10 .
использованием рукописной подписи с использованием нейронных сетей. Электроника, 10(4),
1080/00207720903470155.
35. Тейлор, Дж. У. и Буицза, Р. (2002). Прогноз нагрузки на нейронную сеть-
21. Соумья, Б. Дж., Кумар, П., Ханумантараджу, Р., Мундада, Г.,
работа с прогнозами погодного ансамбля.
Транзакции IEEE на
Канавалли, А., и Шринат, К. Н. (2022). Разработка эффективной системы
Энергосистемы 17
, (3), 626-632.
36. Рават А. С., Рана А., Кумар А. и Багвари А. (2018). Подать заявку-
мониторинга с использованием алгоритмов Fog Computing и машинного
применение многослойной искусственной нейронной сети в системе
обучения в Healthcare 4.0. В разделе Приложения для глубокого обучения
диагностики : систематический обзор.
Международный художественный
для киберфизических систем (стр. 78-98). IGI Global.
искусственный интеллект 7
22. Саркар А., Сингх А. и Чакраборти Р. (2022). Глубокое обучение-
https://doi.org/10.4018/978-1-7998-8161-2.ch005. основанное на
стр. 138-142.
сравнительном исследовании отслеживание психической депрессии по данным
37. Гоэль А., Чикара Д., Шривастава А. К. и Кумар А. (2016).
Медицинская визуализация с обнаружением и анализом опухоли головного мозга. Международный
2022.100039
национальный журнал компьютерных наук и информационной безопасности,
23. Пэн, Л. К., Го, Ю. К., Ван, Л., Лю, Т. А., Ван, П., Чжао, Х.,
и Ван, Ю. Х. (2022). Судебно-медицинская оценка костного возраста
38. Хван, Дж. Дж., Чу, Х.К., Ши, Дж. Л., Хуан, С. Х. и Цай, К.
подростков по рентгеновским снимкам таза на основе двухэтапной сверточной нейронной
К. (2010). Механизм руководства, ориентированный на дерево решений, для
проведения мероприятий по наблюдению за естественнонаучными явлениями в
s00414-021-02746-1
контекстно-ориентированной повсеместной среде обучения. Журнал образовательных
13
Роль искусственных нейронных сетей и машинного обучения в использовании пространственной информации
285
изображения на основе сверточной нейронной сети U-Net. Устойчивость-
техсоциум.13.2.53. https://www.jstor.org/stable/.
39. Химавати С., Анита Д. и Мутурамалингам А. (2007). Подача-
48. Дияса, Г. С. М., Фаузи, А., Идхом, М. и Сетиаван, А. (2021,
прямая реализация нейронной сети в FPGA с использованием
Март). Распознавание нескольких лиц для обнаружения заключенных в тюрьме
многоуровневого мультиплексирования для эффективного использования ресурсов. Транзакции
с использованием модифицированного каскадного классификатора и CNN. In Журнал
физики: серия конференций (Том 1844, № 1, стр. 012005). Издательство IOP
1109/TNN.2007.891626
. https://doi.org/10.1088/1742-6596/1844/1/012005.
49. Хампром П., Гревелл Д. и Йодо Н. (2020). Глубокая нейронная система
40. Бансал М. (2022). Перспектива машинного обучения в СБИС-компьютерах-
автоматизированное проектирование на разных уровнях абстракции. Мобильные
подходы к выбору сетевых характеристик для прогностической
компьютеры и устойчивая информатика (стр. 95-112). Сингапур:
модели авиационных двигателей на основе данных. Аэрокосмическая промышленность, 7(9), 132. https://doi.org
/ 10.3390/aerospace7090132
41. Атьков О. Ю., Горохова С. Г., Сбоев А. Г., Генерозов Е. В.,
50. Чаудхари А. и Бхаттачарджи В. (2020). Эффективный метод
Мурасеева Е. В., Морошкина С. Ю., Черный Н. Н. (2012). Диагностика ишемической
для выявления и категоризации опухолей головного мозга с использованием изображений
болезни сердца с помощью искусственных нейронных сетей,
МРТ с помощью кластеризации K-means и DWT. Международный
включая генетические полиморфизмы и клинические параметры. Журнал-
s41870-018-0255-4.
2011.11.005.
51. Юань Р., Ли З., Гуань Х. и Сюй Л. (2010). Основанный на SVM
42. Салари, Н. В., Хосейниян-Далеко, А., Мохаммади, М. Гасеми, Х.,
машинное обучение и точную интернет-трафика варианта классификации
Хазайе, Х., Данешхах, А., и Ахмади, А. (2022). Обнаружение апноэ
doi.org/10.1007/s10796-008-9131-2.
во сне с использованием алгоритмов машинного обучения на основе сигналов ЭКГ
52. Прашант Р., Рой С. Д., Мандал П. К. и Гхош С. (2016).
: всесторонний систематический обзор. Экспертные системы с
Высокоточное выявление ранней стадии болезни Паркинсона с помощью
мультимодальных функций и машинного обучения. Международный
43. Абдулла С., Дийх М., Альхафаджи С. К., Грина Дж. Х., Ал.-
115950.
inf.2016.03.001.
Хадис, Х., Уда, А. Я. и Марху, Х. А. (2022). Определяющий фактор модели
53. Ши, Дж., Ли, У. Дж., Лю, Ю., Янг, Ю., & Ван, П. (2012). Перед-
ковариационной матрицы в сочетании с алгоритмом классификации AdaBoost
определение выходной мощности фотоэлектрических систем на основе
для обнаружения приступов на ЭЭГ. Диагностика, 12 (1),
метеорологической классификации и машин опорных векторов. IEEE Transactions
44. Чжэн74. Томпсон К., Лам С. С., Юн С. В. и Гнанасам-
TIA.2012.2190816.
бандам, Н. (2013). Прогнозирование поведения клиентов с использованием
54. Хван Г. Дж., Се Х., Вах Б. В. и Гашевич Д. (2020). Миссия,
искусственной нейронной сети. В рамках Ежегодной конференции IIE. Материалы
вызовы, роли и исследовательские проблемы искусственного интеллекта в
(стр. 700). Институт промышленных и системных инженеров (IISE).
45. Kara, Y., Boyacioglu, M. A., & Baykan, Ö. K. (2011). Предсказывающий
образовании. Компьютеры и образование: Искусственный интеллект, 1,
направление движения индекса цен на акции с использованием искусственных
100001. https://doi.org/10.1016/j.caeai.2020.100001.
нейронных сетей и машин опорных векторов: Пример фондовой биржи Istan-
, 38
(5),
Примечание издателя Springer Nature сохраняет нейтралитет в отношении
Бул. Экспертные системы с приложениями
юрисдикционные претензии на опубликованных картах и институциональная принадлежность.
5311-5319. https://doi.org/10.1016/j.eswa.2010.10.027. построение
46. Лю, С. (2022). Прогнозирование рисков цифровой трансформации manu-
цепочки поставок на основе анализа основных компонентов и искусственной
Springer Nature или ее лицензиар (например, общество или другой партнер) владеет
нейронной сети обратного распространения. Инженер из Александрии.-
исключительными правами на эту статью по издательскому соглашению с
журнал ing, 61
(1), 775-784. https://doi.org/10.1016/j.aej.2021 .
автором (ами) или другим правообладателем (ами); авторское самостоятельное архивирование
06.010
принятой рукописной версии этой статьи регулируется исключительно
47. Дан, Х. К., Цзэн, Х. Ф., Чжу, З. Х., Бай, Г. В. и Цао, У. (2022).
условиями такого издательского соглашения и применимым законодательством.
Методология интерактивной маркировки исправленного асфальтобетонного покрытия
13
|