Науковий вісник НГУ

Дискретний перцептрон на основі ймовірнісних оцінок зміщених синаптичних сигналів

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №2 2025

Останнє оновлення: 28 квітня 2025

Опубліковано: 30 листопада -0001

Перегляди: 1665

Authors:

С. В. Яковин, orcid.org/0000-0002-3335-2892, Івано-Франківський національний технічний університет нафти і газу, м. Івано-Франківськ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

С. І. Мельничук*, orcid.org/0000-0002-6973-4235, Івано-Франківський національний технічний університет нафти і газу, м. Івано-Франківськ, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2025, (2): 189 - 196

https://doi.org/10.33271/nvngu/2025-2/189

Abstract:

Мета. Удосконалення існуючих та розробка нових методів цифрового опрацювання дискретних сигналів у сфері штучних нейронних мереж, а також формування принципів структурної реалізації дискретних перцептронів.

Методика. Подані наукові результати й висновки отримані завдяки використанню методів статистичного аналізу та цифрового опрацювання сигналів, теорії ймовірностей і математичної статистики, теорії сигналів і систем, а також шляхом проведення моделювання в обчислювальних експериментах.

Результати. У ході проведених досліджень показані можливості та перспективи використання запропонованої перцептронної структури, що реалізує опрацювання сигналів синапсів на основі статистичного оцінювання їх дискретних станів. Причому зміщення сигналів синапсів реалізується шляхом додавання вагових коефіцієнтів, що, у свою чергу, дозволило відмовитись від операції множення і, як наслідок, знизити алгоритмічну та обчислювальну складність. Крім того, використання дискретного базису дозволяє прискорити процес навчання таких перцептронних структур за рахунок зменшення простору можливих значень сигналів.

Наукова новизна. Уперше запропоновано метод реалізації дискретного перцептрона, що ґрунтується на використанні статистичного оцінювання та цілочисельних операцій над дискретними синаптичними сигналами.

Практична значимість. Запропонований підхід дозволяє відмовитись від типової для перцептронних структур операції множення, що приводить до зменшення обчислювальних затрат. Використання дискретного базису суттєво обмежує простір можливих значень коефіцієнтів зміщення, що може дозволити скоротити процес навчання. Важливим аспектом отриманих результатів є перспективи реалізації спеціалізованих штучних нейронних мереж на платформах з обмеженими обчислювальними ресурсами, таких як мікроконтролери, програмовані логічні інтегральні схеми тощо.

Ключові слова: перцептрон, статистичні оцінки, дискретні сигнали, опрацювання сигналів

References.

1. Randall, R. B., Antoni, J., & Borghesani, P. (2022). Applied Digital Signal Processing. In Allemang, R., Avitabile, P. (Eds.) Handbook of Experimental Structural Dynamics. Springer, New York, NY. https://doi.org/10.1007/978-1-4614-4547-0_6

2. Landar, S., Velychkovych, A., Ropyak, L., & Andrusyak, A. (2024). A Method for Applying the Use of a Smart 4 Controller for the Assessment of Drill String Bottom-Part Vibrations and Shock Loads. Vibration, 7(3), 802-828. https://doi.org/10.3390/vibration7030043

3. Thaler, D., Elezaj, L., Bamer, F., & Markert, B. (2022). Training Data Selection for Machine Learning-Enhanced Monte Carlo Simulations in Structural Dynamics. Applied Sciences, 12(2), 581. https://doi.org/10.3390/app12020581

4. Shatskyi, I., Makoviichuk, M., Ropyak, L., & Velychkovych, A. (2023). Analytical Model of Deformation of a Functionally Graded Ceramic Coating under Local Load. Ceramics, 6(3), 1879-1893. https://doi.org/10.3390/ceramics6030115

5. Shats’kyi, I., Makoviichuk, M., & Shcherbii, A. (2019). Influence of a flexible coating on the strength of a shallow cylindrical shell with longitudinal crack. Journal of Mathematical Sciences (United States), 238(2), 165-173. https://doi.org/10.1007/s10958-019-04226-9

6. Schmitt, M. (2023). Automated machine learning: AI-driven decision making in business analytics. Intelligent Systems with Applications, 18, 200188. https://doi.org/10.1016/j.iswa.2023.200188

7. Liou, D.-R., Liou, J.-W., & Liou, C.-Y. (2013). Learning Behaviors of Perceptron. iConcept Press. ISBN 978-1-477554-73-9.

8. Anzai, Y. (2016). Pattern Recognition & Machine Learning. ISBN-10:0124121497.

9. Vorobel, R. (2010). Logarithmic type image processing algebras. In 2010 International Kharkov Symposium on Physics and Engineering of Microwaves, Millimeter and Submillimeter Waves (MSMW). IEEE, 1-3. https://doi.org/10.1109/msmw.2010.5546157

10.      Mandziy, T., Ivasenko, I., Berehulyak, O., Vorobel, R., Bembenek, M., Kryshtopa, S., & Ropyak, L. (2024). Evaluation of the Degree of Degradation of Brake Pad Friction Surfaces Using Image Processing. Lubricants, 12(5), 172. https://doi.org/10.3390/lubricants12050172

11.      Ramanaiah, K., & Sridhar, S. (2015). Hardware Implementation of Artificial Neural Networks, 3, 31-34. https://doi.org/10.26634/JES.3.4.3514

12.      Ivanovskii, O. V. (2004). Block Diagram of an Irregular Element (Patent of Ukraine No 2246). State Service of Intellectual Property of Ukraine. Retrieved from https://sis.nipo.gov.ua/uk/search/detail/243354

13.      Melnychuk, S., Kuz, M., & Yakovyn, S. (2018). Emulation of logical functions NOT, AND, OR, and XOR with a perceptron implemented using an information entropy function. 2018 14 ^th International Conference on Advanced Trends in Radioelecrtronics, Telecommunications and Computer Engineering (TCSET), (pp. 878-882). https://doi.org/10.1109/TCSET.2018.8336337

14.      Melnychuk, S. I., & Yakovyn, S. V. (2023). Method of Implementation of Perceptron Based on Probable Characteristics of Displaced Synaptic Signals (Patent of Ukraine No. 126753). State Service of Intellectual Property of Ukraine. Retrieved from https://sis.nipo.gov.ua/uk/search/detail/1719578

15.      Ahamad, M. V., Ali, R., Naz, F., & Fatima, S. (2020). Simulation of Learning Logical Functions Using Single-Layer Perceptron. In Hu, Y. C., Tiwari, S., Trivedi, M., Mishra, K. (Eds.) Ambient Communications and Computer Systems. Advances in Intelligent Systems and Computing, 1097, (pp. 121-133). Springer, Singapore. https://doi.org/10.1007/978-981-15-1518-7_10

16.      Neirotti, J. (2010). Parallel strategy for optimal learning in perceptrons. Journal of Physics A: Mathematical and Theoretical, 43, 125101. https://doi.org/10.1088/1751-8113/43/12/125101

17.      Mishchenko, K. (2021). On Seven Fundamental Optimization Challenges in Machine Learning. arXiv: Optimization and Control. https://doi.org/10.25781/KAUST-NV6UI

18.      Bandura, A., & Skaskiv, O. (2019). Analog of hayman’s theorem and its application to some system of linear partial differential equations. Journal of Mathematical Physics, Analysis, Geometry, 15(2), 170-191. https://doi.org/10.15407/mag15.02.170

19.      Niutta, C. B., Wehrle, E. J., Duddeck, F., & Belingardi, G. (2018). Surrogate modeling in design optimization of structures with discontinuous responses. Structural and Multidisciplinary Optimization, 57, 1857-1869. https://doi.org/10.1007/S00158-018-1958-7

20.      Jagtap, A. D., Kawaguchi, K., & Karniadakis, E. G. (2019). Adaptive activation functions accelerate convergence in deep and physics-informed neural networks. J. Comput. Phys., 404, 109136. https://doi.org/10.1016/j.jcp.2019.109136

21.      Fatyanosa, T. N., Sihananto, A. N., Alfarisy, G. A. F., Bur­han, M. S., & Mahmudy, W. F. (2017). Hybrid Genetic Algorithm and Simulated Annealing for Function Optimization. Journal of Information Technology and Computer Science, 1(2), 82-97. https://doi.org/10.25126/jitecs.20161215

22.      Maucher, M., Schöning, U., & Kestler, H.A. (2011). Search heuristics and the influence of non-perfect randomness: examining Genetic Algorithms and Simulated Annealing. Computational Statistics, 26, 303-319. https://doi.org/10.1007/S00180-011-0237-5

23.      Agliari, E., Barra, A., Galluzzi, A., Guerra, F., & Moauro, F. (2012). Multitasking Associative Networks. Physical Review Letters, 109, 268101. https://doi.org/10.1103/PhysRevLett.109.268101

24.      Zheng, Y., Lu, S., & Wu, R. (2018). Quantum Circuit Design for Training Perceptron Models. arXiv: Quantum Physics, 2-12. https://doi.org/10.48550/arXiv.1802.05428

25.      Secco, J., & Corinto, F. (2015). Memristor-based cellular nonlinear networks with belief propagation inspired algorithm. 2015 IEEE International Symposium on Circuits and Systems (ISCAS), 1522-1525. https://doi.org/10.1109/ISCAS.2015.7168935

26.      Gupta, M., Bukovský, I., Homma, N., Solo, A., & Hou, Z. (2013). Fundamentals of Higher Order Neural Networks for Modeling and Simulation, 103-133. https://doi.org/10.4018/978-1-4666-2175-6.CH006

27.      Yeo, I., Gi., S.-G., Lee, B.-G., & Chu, M. (2016). Stochastic implementation of the activation function for artificial neural networks. 2016 IEEE Biomedical Circuits and Systems Conference (BioCAS), 440-443. https://doi.org/10.1109/BioCAS.2016.7833826

28.      Shatskyi, I., & Perepichka, V. (2018). Problem of Dynamics of an Elastic Rod with Decreasing Function of Elastic-Plastic External Resistance. Springer Proceedings in Mathematics and Statistics, 249, 335-342. https://doi.org/10.1007/978-3-319-96601-4_30

29.      Bembenek, M., Mandziy, T., Ivasenko, I., Berehulyak, O., Vorobel, R., Slobodyan, Z., & Ropyak, L. (2022). Multiclass Level-Set Segmentation of Rust and Coating Damages in Images of Metal Structures. Sensors, 22(19), 7600. https://doi.org/10.3390/s22197600

30.      Bembenek, M., Makoviichuk, M., Shatskyi, I., Ropyak, L., Pritula, I., Gryn, L., & Belyakovskyi, V. (2022). Optical and Mechanical Properties of Layered Infrared Interference Filters. Sensors, 22(21), 8105. https://doi.org/10.3390/s22218105

• < Попередня
• Наступна >