Машинне навчання в управлінні виробництвом ентомофагів
DOI:
https://doi.org/10.31548/energiya2(66).2023.018Анотація
Статтю присвячено питанню створення багатошарової нейронної мережі прямого поширення сигналу для інтелектуальної підтримки прийняття рішень щодо якості ентомологічної продукції у виробництві ентомофагів. Означено актуальність обраного напряму дослідження.
Метою дослідження було розроблення нейронної мережі для вирішення завдання класифікації якості ентомологічної продукції у виробництві ентомофагів.
Об’єктом дослідження був процес класифікації показників якості млинової вогнівки (Ephestia kuehniella) у виробництві ентомофага бракон (Habrobracon hebetor).
Методи дослідження – нейромережевий та евристичний підходи, комп'ютерне моделювання.
Розроблено тришарову нейронну мережу прямого поширення сигналу, що класифікує якість млинової вогнівки (Ephestia kuehniella) у виробництві ентомофага бракон (Habrobracon hebetor). Параметрами вхідного шару є показники якості млинової вогнівки – маса гусениць старшого віку, параметрами вихідного шару – клас якості. Кількість нейронів прихованого шару розраховано евристичним шляхом. Для уникнення перенавчання мережі сформовано навчальну, контрольну і тестову вибірки. Навчання мережі проведено із використанням програмного пакету Artificial Neural Network Scilab за алгоритмом Левернберга-Марквардта. Середня похибка апроксимації результатів навчання становила (0,07-0,08) %, що свідчить про високу точність класифікації.
Результати дослідження дозволяють зменшити вплив людського фактору у процесах прийняття рішень при виробництві ентомофагів, структурувати дані про якість продукції.
Ключові слова: нейронна мережа, виробництво ентомофагів, класифікація, якість, ентомологічна продукція, алгоритм
Посилання
Oleshchenko, L. M. (2022). Mashynne navchannia. Kompiuternyi praktykum [Machine learning. Computer practical]. Kyiv KPI imeni Ihoria Sikorskoho, 92.
Kozak, Ye. B. (2022). Prohnozuvannia trafiku korporatyvnoi merezhi iz zastosuvanniam shtuchnykh neironnykh merezh [Prediction of corporate network traffic using artificial neural networks]. Naukovyi zhurnal “Kompiuterno-intehrovani tekhnolohii: osvita, nauka, vyrobnytstvo” Lutsk, 47, 98-104. https://doi.org/10.36910/6775-2524-0560-2022-47-15
Kernasiuk, Yu. V. (2019). Prohnoz rozvytku ahrarnoho sektoru ekonomiky z vykorystanniam shtuchnykh neironnykh merezh [Forecast of the development of the agricultural sector of the economy using artificial neural networks]. Visnyk ahrarnoi nauky, 6, 75-81. https://doi.org/10.31073/agrovisnyk201906-11
Sapna S., Tamilarasi A., Kumar M. Pravin (2012). Backpropagation Learning Algorithm Based on Levenberg Marquardt Algorithm. Computer Science & Information Technology CS & IT-CSCP, 393-398. https://doi.org/10.5121/csit.2012.2438
Malay Mitra, R.K. Samanta (2013). Cardiac Arrhythmia Classification Using Neural Networks with Selected Features, Procedia Technology, 10, 76-84. https://doi.org/10.1016/j.protcy.2013.12.339
Lysenko, V. P., Yakymenko, I. Yu., Dudnyk, A. O. (2019). Optymizatsiia rezhymiv keruvannia enerhetychnymy potokamy v sporudakh zakhyshchenoho gruntu z vykorystanniam neironechitkoho prohnozuvannia [Optimization of energy flow management modes in protected soil structures using neurofuzzy forecasting]. Visnyk Kharkivskoho natsionalnoho tekhnichnoho universytetu silskoho hospodarstva imeni Petra Vasylenka, 203, 102 -103.
Lysenko, V. P., Chernova, I. S. (2017). Do pytannia keruvannia vyrobnytstvom entomofahiv [To the issue of managing the production of entomophages]. Enerhetyka ta avtomatyka, 3 (33), 15–24.
Daiane das Graças Carmo, Elizeu de Sá Farias, Thiago Leandro Costa, Elenir Aparecida Queiroz, Moysés Nascimento, Marcelo Coutinho Picanço. (2020). Instar Determination of Blaptostethus pallescens (Hemiptera: Anthocoridae) Using Artificial Neural Networks, Annals of the Entomological Society of America, 113, 1, 50–54. https://doi.org/10.1093/aesa/saz059
Gavrila, C. Ozone Concentration Prediction using Artificial Neural Networks. (2017). Revista de Chimie, 68, 10, 2224-2227. https://doi.org/10.37358/RC.17.10.5860
Lytvyn, O. S., Lytvyn, P. M. (2021). Rekursyvni neironni merezhi dlia avtomatyzovanoho analizu danykh atomno-sylovoi spektroskopii. Teoretychni ta praktychni aspekty vykorystannia matematychnykh metodiv ta informatsiinykh tekhnolohii v osviti y nautsi: kolektyvna monohrafiia[Recursive neural networks for automated analysis of atomic force spectroscopy data. Theoretical and practical aspects of the use of mathematical methods and information technologies in education and science: collective monograph]. Kyivskyi universytet imeni Borysa Hrinchenka. Kyiv, 294-322.
Adamenko, V. O., Mirskykh, H. O. (2012). Shtuchni neironni merezhi v zadachakh realizatsii materialnykh obiektiv. Chastyna 2. Osoblyvosti proektuvannia ta zastosuvannia [Artificial neural networks in the tasks of realization of material objects. Part 2. Features of design and application]. Visnyk Natsionalnoho tekhnichnoho universytetu Ukrainy "KPI", 48, 213-221.
Brenych, Ya. V., Tymoshchuk, P. V. (2012). Neiromerezhevi metody rozviazannia zadachi klasyfikatsii [Neural network methods for solving the classification problem]. Naukovyi visnyk NLTU Ukrainy, 22.13, 343-349.
https://www.scilab.org/machine-learning-neural-network-classification-tutorial
Mazurok, T. L. (2017). Intelektualna tekhnolohiia synerhetychnoho upravlinnia [Intelligent technology of synergistic management]. Rozvytok transportu, 1(1), 78-89. https://doi.org/10.33082/td.2017.1-1.08
Rozen, V. P., Kalinchyk, V. P., Meita, O. V., Skosyrev, V. H. (2015). Faktornyi analiz elektrospozhyvannia skladovykh drobylno-pomolnoho kompleksu [Factor analysis of electricity consumption of the components of the crushing and grinding complex]. Visnyk KrNU imeni Mykhaila Ostrohradskoho, 6, 1, 95, 16-21.
Mahotilo, K. V., Voronenko, D. I. (2005). Modifikaciya algoritma Levenberga-Markvardta dlya povysheniya tochnosti prognosticheskih modelej svyaznogo potrebleniya energoresursov v bytu [Modification of the Levenberg-Marquardt algorithm to improve the accuracy of predictive models of connected consumption of energy resources in everyday life]. Vestnik Nacionalnogo tehnicheskogo universiteta Harkovskij politehnicheskij institut. Seriya: Informatika i modelirovanie, 56, 83-90.
https://www.scilab.org/artificial-neural-network-tutorial
Masove rozvedennia entomofaha brakona (2013). Tymchasovyi tekhnolohichnyi rehlament TTR00495929-021:2013 [Mass breeding of the entomophage Bracon. Temporary technological regulation TTR00495929-021:2013]. ITI «Biotekhnika» NAAN. Odesa, 51.
Chernova, I. S. (2016). Eksperimentalnaya model kachestva melnichnoj ognevki pri razvedenii entomofaga brakon [An experimental model of the quality of the mill moth when breeding the entomophage Bracon]. Materialy Mizhnarodnoi naukovo-praktychnoi konferentsii, Odesa, 264–269.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Стосунки між правовласниками і користувачами регулюються на умовах ліцензії Creative Commons Із Зазначенням Авторства – Некомерційна – Поширення На Тих Самих Умовах 4.0 Міжнародна (CC BY-NC-SA 4.0):https://creativecommons.org/licenses/by-nc-sa/4.0/deed.uk
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див.The Effect of Open Access).
