Аннотация.
В эпоху Четвертой промышленной революции 4.0 цифровой мир наполнен большими объемами данных из Интернета вещей, мобильных устройств, кибербезопасности, социальных сетей, прогнозов, данных о здоровье и т. д. Для рациональной оценки данных и разработки соответствующих интеллектуальных и автоматизированных приложений необходимы знания в области машинного обучения и искусственного интеллекта (ИИ). В этих областях используются различные методы машинного обучения, включая контролируемое, неконтролируемое и обучение с подкреплением. Цель данного исследования - представить роль искусственных нейронных сетей и машинного обучения в использовании пространственной информации. Машинное обучение и искусственный интеллект играют все более важную роль в снижении риска бедствий, начиная от картирования опасностей и прогнозирования критических инцидентов и заканчивая обнаружением событий в реальном времени, информированием о ситуации и поддержкой принятия решений. Приложения, используемые для анализа различных областей ANN в данном исследовании, включают прогнозирование погоды, медицинскую диагностику, аэрокосмическую промышленность, распознавание лиц, фондовые рынки, социальные сети, проверку подписи, криминалистику, робототехнику, электронику, оборону и сбор данных о землетрясениях. Машинное обучение использует известные переменные и местоположения из обучающего набора данных для определения множества прогнозирующих моделей для задач, включая классификацию, регрессию и кластеризацию, а также пространственные данные на основе табличных данных для создания различных наблюдений, географически связанных друг с другом, для неизвестных факторов и местоположений. Исследование показывает, что рекуррентные и конволюционные нейронные сети являются лучшими методами в обработке пространственной информации, здравоохранении и прогнозировании погоды с точностью более 90 %.
Ключевые слова: машинное обучение, искусственные нейронные сети, спутниковая связь, глубокое обучение, пространственная информация, мультимедийные приложения.
Назад
Введение.
Структура человеческого мозга состоит из биологических нейронов, которые образуют ИНС. ИНС образована различными слоями нейронов в человеческом мозге, которые соединены друг с другом. Эти нейроны называются узлами.ANN - это тип искусственного интеллекта [1], целью которого является воссоздание сети нейронов для создания человеческого мозга, что позволяет процессору распознавать сигналы мозга и принимать решения, как человек в вычислительной системе. Нейроны программируются компьютером, чтобы действовать как взаимосвязанные клетки мозга для создания ANN. В человеческом мозге насчитывается около 100 миллиардов нейронов. Каждый нейрон имеет множество точек ассоциации от 1 000 до 100 000. Связанные данные хранятся в человеческом мозге таким образом, что они могут быть распределены и, в зависимости от необходимости и возможности, несколько частей этих данных могут быть извлечены из памяти одновременно.
Оригинальность исследования заключается в изучении важной роли, которую различные методы машинного обучения и искусственного интеллекта [7, 8] играют в использовании пространственной информации в сервальной области. AIML используется для прямого или косвенного анализа геопространственных данных или географической информации (Примечание 9) о конкретном месте или регионе. AIML играет важнейшую роль в управлении стихийными бедствиями и оперативном реагировании. Исследователи обнаружили, что, связав данные организаций, занимающихся ликвидацией последствий стихийных бедствий, сигналы спутников Глобальной системы обнаружения наводнений (GFDS) и активность в Твиттере, связанную с наводнениями, организации по ликвидации последствий стихийных бедствий могут быстрее понять причины, время, местоположение и последствия наводнений. Выяснилось, что они могут это сделать. Действительно, огромный объем данных в Twitter создает множество проблем при попытке их использования (350 000 твитов в минуту). Для решения этой проблемы было начато несколько проектов по использованию машинного обучения и искусственного интеллекта. .] Широкое применение CNN и RNN находят в дистанционном зондировании и прогнозировании метеорологической засухи на больших расстояниях.
Основные области применения ИНС
Искусственные нейронные сети - это эффективные модели для решения задач. Распознавание рукописного текста, социальные сети, медицинская диагностика, сжатие изображений, аэрокосмическая и оборонная промышленность, электроника, аппаратные ускорители, проблемы коммивояжера, динамика роботов, прогнозирование фондового рынка, распознавание лиц и прогнозирование погоды - вот лишь некоторые из них, которые вызвали всплеск интереса за последние несколько лет.
Медицинская диагностика и здравоохранение
Искусственный интеллект (ИИ) стремительно трансформирует систему здравоохранения. Исследователи начали разрабатывать ряд инструментов для обеспечения лучших результатов в клинических процессах, расширения медицинских исследований и повышения эффективности благодаря сочетанию подходов, основанных на больших данных и надежных алгоритмах машинного обучения. Эти технологии опираются на алгоритмы, которые представляют собой компьютерные программы, генерирующие прогнозы и предложения на основе медицинских данных. С другой стороны, сами алгоритмы зачастую слишком сложны, чтобы их можно было открыто сформулировать, не говоря уже об их понимании, не говоря уже об их обосновании.
Технологии ИИ будут развиваться и приносить новые достижения в здравоохранение. Машинное обучение, одна из ветвей ИИ, представляет собой обучение компьютерных алгоритмов, которые совершенствуются с течением времени с помощью математических методов. Машинное обучение и подкласс глубокого обучения описывают процедуры, которые изучаются с помощью ИНС для обработки данных и подражания нейронам биологического мозга. Распространение и развитие цифровых данных, разработка различных аппаратных средств и увеличение вычислительной мощности за счет системных технологий, таких как GPU (графические процессоры), а также быстрое распространение методов машинного обучения, причем широкое распространение получили методы глубокого обучения, - все это оставило неизгладимый след в здравоохранении. ИИ и ИО применяются для обработки клинических данных, радиологических изображений, обработки изображений и цифровой патологии.
Теперь люди пользуются помощью экспертов и технологий в здравоохранении. В здравоохранении сверточные нейронные сети (CNN) используются для КТ, МРТ, рентгеноскопии, ЭКГ, ЭЭГ и УЗИ. Поскольку CNN используются для обработки изображений, медицинские изображения и сопутствующие данные, полученные в ходе вышеупомянутых исследований, оцениваются и измеряются с их помощью. Оценка и измерение с помощью. Рекуррентные нейронные сети (РНС) широко используются для обучения и реализации систем распознавания речи. В настоящее время системы распознавания речи используются для отслеживания информации о пациентах. Генеративные нейронные сети также используются при разработке лекарств. Сравнение различных типов лекарств - сложная задача, но генеративные нейронные сети упростили этот процесс. Генеративные нейронные сети используются для объединения различных компонентов в качестве основы для разработки лекарств.
Робототехника и динамика
Однослойные нейронные сети с прямой передачей, многослойные сети с прямой передачей и сети с конкурентным обучением относятся к числу нейронных сетей, которые изучались на всех трех этапах обработки роботов: проектирование траектории, планирование задач и управление траекторией. Обучение динамических автономных роботов с помощью ИНС на основе знаний применяет методы реального времени для проектирования и обучения сетей; ИНС управляют реактивным движением автономных роботов в загруженных, реальных, неопознанных средах и обеспечивают достижение конкретных целей путем обхода статических и динамических препятствий. Они используются для. Входными данными для предлагаемого нейронного контроллера являются расстояние до препятствия справа, слева и спереди, а также приближение робота к заданной цели, собираемые группой датчиков. Нейронный контроллер был спроектирован и разработан с использованием четырехслойной MLP-сети для решения задачи оптимизации пути и фазы движения мобильного робота с помощью интеллектуальных действий, таких как обучение, адаптация, обобщение и оптимизация. Сеть обучается с помощью метода обратного распространения.
Сеть MLP с прямой передачей используется для построения интеллектуального контроллера для автономного мобильного робота, позволяющего управлять роботом в реальной динамической среде. Входными данными для нейронного контроллера являются расстояния между левым, правым и передним препятствиями относительно угла и положения цели. Угол поворота является выходом нейронной сети. Проблемы времени, траектории и оптимизации мобильного робота решаются с помощью четырехслойной нейронной сети, которая взаимодействует с когнитивными функциями, такими как обучение, адаптация, оптимизация и обобщение. Сеть обучается с помощью метода обратного распространения. Обратная кинематика руки робота также решается с помощью искусственной нейронной сети.
Электроника и ускорители
Такие функции искусственного интеллекта (ИИ), как нечеткая логика, экспертные системы и нейронные сети, являются примерами функций искусственного интеллекта (ИИ), которые станут доступны потребителям в силовой электронике и управлении движением в ближайшие десятилетия. В то время как эти технологии добиваются значительного прогресса и имеют широкий спектр применения, силовая электроника и машинные приводы остаются нетронутыми. Технологии искусственного интеллекта и их применение играют важную роль в области управления движением и силовой электроники. Глубокие нейронные сети (ГНС) стали важным инструментом искусственного интеллекта и находят широкое применение в различных областях - от компьютерного зрения до робототехники, медицинской диагностики, автономных транспортных средств и безопасности. Сложность моделей ГНС возрастает с увеличением сложности приложения, а развертывание сложных моделей ГНС требует больших вычислительных ресурсов. требует больших вычислительных ресурсов.
Результаты и обсуждение
Применение ИНС в медицинской информатике и при различных заболеваниях. ИНС использовались для диагностики ишемической болезни сердца (64-94%), апноэ сна по ЭКГ (99%), набора данных MIT-Bih по аритмиям по ЭКГ (95,12%), обнаружения судорог по ЭЭГ ( 98,86%), и точно используется для обнаружения припадков с помощью ЭЭГ (98,86%). Гибридные ИНС применяются для прогнозирования использования социальных сетей, распространения научных статей в социальных сетях, поведения покупателей, определения пола и прогнозирования фондового рынка. ИНС с обратным распространением и анализ главных компонент используются для прогнозирования риска цифровой трансформации производственной цепочки поставок с точностью 99,60 %.
