Все выпуски

В настоящей работе рассматривается обратная задача механики деформируемого твердого тела, связанная с поиском граничных условий при известной информации о напряженно-деформируемом состоянии. Конкретный вариант обратной задачи заключается в поиске на поверхности тела точки приложения сосредоточенной нагрузки при известных в конечном числе точек значениях деформаций. В качестве примера рассматривается тонкая прямоугольная пластина, жестко закрепленная по двум противоположным сторонам. Для построения алгоритма решения рассматриваемой задачи используется сеть прямого распространения. Необходимая информация о деформациях находится на основе метода конечных элементов. Результатом выполненного исследования является комплексный анализ факторов, определяющих точность решения рассматриваемой задачи: конфигурации системы мониторинга, объема обучающих данных и фазы инициализации.

Рассматриваются искусственные нейроны, чьи весовые коэффициенты будут изменяться по специальному закону, основанному на интегрированном в их модели обратном распространении. Для этого коэффициенты погрешности обратного распространения вводятся в явном виде во все модели нейронов и осуществляется передача их значений вдоль межнейронных связей. В дополнение к этому вводится специальный тип нейронов с эталонными входами, которые будут выступать в качестве основного источника первичной оценки погрешности для всей нейронной сети. В последнюю очередь вводится контрольный сигнал для запуска обучения, который будет управлять процессом передачи коэффициентов погрешности и корректировкой весов нейронов. Для рекуррентных нейронных сетей демонстрируется как провести интеграцию обратного распространения во времени в их формализм с помощью стековой памяти для внешних входов нейронов. Дополнительно к этому рассматриваются примеры как формализовать в рамках данного подхода такие популярные нейронные сети, как сети долгой кратковременной памяти, сети радиально-базисных функций, многослойные перцептроны и сверточные нейронные сети. Основным практическим следствием данного подхода является возможность описания нейронных сетей с перестраиваемыми связями на основе интегрированного алгоритма обратного распространения.