Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://dspace.opu.ua/jspui/handle/123456789/8584
Название: | ВДОСКОНАЛЕННЯ МЕТОДУ ФОРМУВАННЯ НАВЧАЛЬНОЇ ВИБІРКИ ДЛЯ ГІБРИДНОЇ НЕЙРОННОЇ МЕРЕЖІ ПРОГНОЗУВАННЯ НЕСПРИЯТЛИВИХ АВІАЦІЙНИХ ПОДІЙ |
Другие названия: | СОВЕРШЕНСТВОВАНИЕ МЕТОДА ФОРМИРОВАНИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ДЛЯ ГИБРИДНЫХ НЕЙРОННЫХ СЕТЕЙ ПРОГНОЗИРОВАНИЯ НЕБЛАГОПРИЯТНЫХ АВИАЦИОННЫХ СОБЫТИЙ IMPROVMENT OF THE METHOD OF FORMING EDUCATIONAL CHOICE FOR THE HYBRID NEURAL NETWORK OF FORECASTING OF NON-COMPETITIVE AVIATION EVENTS |
Авторы: | Бєлоброва, Тетяна Анатоліїіна Гришманов, Євген Олександрович Захарченко, Ірина Вікторівна Кудюкін, Павло Викторович Белоброва, Татьяна Анатольевна Гришманов, Евгений Александрович Захарченко, Ирина Викторовна Кудюкин, Павел Викторович Byelobrova, Tetyana Grishmanov, Eugene Zakharchenko, Irina Kudyukin, Paul |
Ключевые слова: | безпека польотів, прогнозування, глибока гібридна нейронна мережа, векторна модель текстових повідомлень, навчальна вибірка, CBOW, TF-ICF. безопасность полетов, прогнозирования, глубокая гибридная нейронная сеть, векторная модель тексто вых сообщений, обучающая выборка, CBOW, TF-ICF. flight safety, prediction, deep hybrid neural network, vector text message model, training sample, CBOW, TF-ICF. |
Дата публикации: | 2019 |
Издательство: | Новітні технології. Збірник наукових праць Приватного вищого навчального закладу «Університет новітніх технологій». – К.: ПВНЗ «Університет новітніх технологій», 2019. – Випуск 1(8). |
Библиографическое описание: | Вдосконалення методу формування навчальної вибірки для гібридної нейронної мережі прогнозування несприятливих авіаційних подій / Є. О. Гришманов, І. В. Захарченко, П. В. Кудюкін, Т. А. Бєлоброва // Новітні технології : зб. наук. пр. / Приват. вищ. навч. закл. «Ун-т новітніх технологій». – Київ, 2019. – Вип. 1 (8). – С. 213–223. – Режим доступу : https://doi.org/10.31180/2524-0102/2019.1.08 |
Краткий осмотр (реферат): | В работе разработан метод формирования обучающей выборки для обучения глубокой
гибридной нейронной сети прогнозированию неблагоприятных авиационных событий в
полете. Формально задача формирования обучающей выборки для обучения глубокой
нейронной сети представлена следующим образом: необходимо построить такую
модель текстовых сообщений, которая бы описывала определенный класс авиационного
происшествия и могла рассматриваться в виде структуры данных для подачи на вход
глубокой гибридной нейронной сети. В качестве базового математического аппарата
для построения словаря униграмм (биграмм) используется мера TF-ICF, а в качестве
модели векторного представления слов (словосочетаний) - модель CBOW. Реализация
предложенного метода позволит: сформировать алфавит классов неблагоприятных
Новітні технології, випуск 1(8), 2019
223
авиационных событий в полете и построить размеченный набор данных, определить
минимальный объем репрезентативной обучающей выборки, построить словари
текстов сообщений о неблагоприятных авиационных событиях в полете с
использованием меры значимости слов (словосочетаний) построить векторную модель
текстовых сообщений о неблагоприятных авиационных событиях в полете по
размеченному набору данных с использованием модели векторного представления слов
(словосочетаний) CBOW. In the paper, a method for forming a training sample for training a deep hybrid neural network to predict unfavorable aircraft accidents in the flight has been developed. Formally, the task of forming a training sample for training a deep neural network is as follows: it is necessary to construct a model of text messages that describes a certain class of an accident and could be considered as a data structure for the input of the deep hybrid neural network. A measure of TF-IC is used as the basic mathematical device for building a dictionary of unigrams (bigrams). The CBOW model is used as a vector representation of words (phrases). The implementation of the proposed method will allow: to form the alphabet of the classes of unfavorable aircraft accidents in the flight and to build a labeled dataset, to determine the minimum amount of representative sample of the training, to construct dictionaries of messages about unfavorable aircraft accidents in the flight, using the measure of importance of words (layer combinations), construct a vector model of text messages about unfavorable aviation events in flight on a labeled dataset using the CBOW vector representation model (word combinations). В роботі розроблено метод формування навчальної вибірки для навчання глибокої гібридної нейронної мережі прогнозуванню несприятливих авіаційних подій в польоті. Формально задача формування навчальної вибірки для навчання глибокої нейронної мережі представлена наступним чином: необхідно побудувати таку модель текстових повідомлень, яка б описувала певний клас авіаційної події і могла розглядатися у вигляді структури даних для подачі на вхід глибокої гібридної нейронної мережі. В якості базового математичного апарату для побудови словника уніграмм (біграмм) використовується міра TF-ICF, а в якості моделі векторного представлення слів (словосполучень) - модель CBOW. Реалізація запропонованого методу дозволить: сформувати алфавіт класів несприятливих авіаційних подій в польоті і побудувати розмічений набір даних, визначити мінімальний обсяг репрезентативної навчальної вибірки, побудувати словники текстових повідомлень про несприятливі авіаційні події в польоті з використанням міри значущості слів (словосполучень); побудувати векторну модель текстових повідомлень про несприятливі авіаційні події в польоті по розміченому набору даних з використанням моделі векторного уявлення слів (словосполучень) CBOW. |
URI (Унифицированный идентификатор ресурса): | http://dspace.opu.ua/jspui/handle/123456789/8584 |
ISSN: | 2524-0102 (Print) 2616-6011 (Online) |
Располагается в коллекциях: | Статті каф. лінгводидактики |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
НТ_1(8)_1-230_2019.pdf | 8 MB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.