ПРИМЕНЕНИЕ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ В ИНТЕЛЛЕКТУАЛЬНОМ АНАЛИЗЕ ОБРАЗЦОВ ГОРНЫХ ПОРОД

Авторы

Д.А. Каримова Институт машиноведения и автоматики Национальной академии наук Кыргызской Республики
C.Н. Верзунов Институт машиноведения и автоматики Национальной академии наук Кыргызской Республики

Ключевые слова:

искусственный интеллект, машинное обучение, геоматериалы, классификация, сверточные нейронные сети (CNN), сети долгой краткосрочной памяти (LSTM), многослойный персептрон (MLP), метод ближайших соседей (KNN), IQ-детекция, точность, функция потерь, обучающая выборка.

Аннотация

В статье исследуется производительность моделей машинного обучения с целью использования их в интеллектуальных системах анализа геоматериалов, в частности, при решении задачи классификации геоматериалов на основе временных рядов амплитуды и фазы прошедших через образец геоматериала электромагнитных волн. В ходе исследования были рассмотрены и сравнены модели сверточной нейронной сети (CNN), долгой краткосрочной памяти (LSTM), многослойного персептрона (MLP) и ближайших соседей (KNN). Модель CNN демонстрирует высокую точность и эффективность в классификации геоматериалов, в то время как другие модели требуют дополнительной настройки для улучшения их производительности. Для дальнейших исследований возможно усовершенствование модели CNN и её адаптация к различным геологическим задачам.

Библиографические ссылки

Taye, M.M. UnderstandingofMachineLearningwithDeepLearning: Architectures, Workflow, ApplicationsandFutureDirections. Computers 2023, 12, 91. https://doi.org/10.3390/computers12050091

Модели прогноза уровня загрязнения атмосферного воздуха г. Бишкек / Н. М. Лыченко, Л. И. Великанова, С. Н. Верзунов, А. В. Сороковая // Вестник Кыргызско-Российского Славянского университета. – 2021. – Т. 21, № 4. – С. 87–95. – EDN IRIZPF.

М. В. Венгерова, А. С. Венгеров. Минералы и горные породы : учеб. пособие — Екатеринбург : Изд-во Урал. ун-та, 2017 — 132 с.

Верзунов, С. Н. Концепция интеллектуальной системы геоэкологического мониторинга / С. Н. Верзунов // Проблемы автоматики и управления. – 2023. – № 2(47). – С. 91–108. – EDN ZXUMLR.

Haselsteiner, E., Pfurtscheller, G.: Usingtime-dependent neuralnet works for EEG classification. IEEE TransactionsonRehabilitationEngineering 8(4), 457–463 (2000)

Касимова, А. У. Разработка программно-определяемой радиосистемы для измерения физических свойств геоматериалов / А. У. Касимова, С. Н. Верзунов // Проблемы автоматики и управления. – 2023. – № 1(46). – С. 59–64. – EDN WJNBQZ.

Верзунов, С. Н. Способ оптимизации конструктивных параметров ячеек-резонаторов микрополосковых антенн на основе интеллектуального анализа данных / С. Н. Верзунов // Электротехнические системы и комплексы. – 2022. – № 3(56). – С. 54– 64. – DOI 10.18503/2311-8318-2022-3(56)-54-64. – EDN GBBNJP.

The free & open software radio ecosystem // URL: https://www.gnuradio.org/ (дата обращения 11.11.2023)

HackRF One – Обзор лучшего SDR: Возможности // URL: https://cisoclub.ru/hackrf-one-obzor-luchshego-sdr-vozmozhnosti-chto-eto-kak-polzovatsya-undermind/ (дата обращения 29.09.2023).

https://ru.wikipedia.org/wiki/Синфазная_и_квадратурная_составляющие_сигнала#/media/Файл:In-phase_and_quadrature_components_of_angle_modulation.gif (дата обращения 11.09.2023)

LeСun Y., Bottou L., Bengio Y., Haffne P. Gradient-Based Learning Applied to Document Recognition // Proc. IEEE. – 1998. – P.59-67.

Wei Chen, Ke Shi, Multi-scale Attention Convolutional Neural Network for time series classification, Neural Networks, Volume 136, 2021, Pages 126-140, ISSN 0893-6080, https://doi.org/10.1016/j.neunet.2021.01.001

Wang, J., Li, S., Ji, W. et al. A T-CNN time series classification method based on Gram matrix. Sci Rep 12, 15731 (2022). https://doi.org/10.1038/s41598-022-19758-5

Understanding LSTM Networks. – URL: http://colah.github.io/posts/2015-08-Understanding-LSTMs/ (дата обращения 14.09.2023).

В чем разница между глубоким обучением и нейронными сетями // URL: https://aws.amazon.com/ru/compare/the-difference-between-deep-learning-and-neural-networks/ (дата обращения 14.09.2023).

Multi-Layer Perceptron Learning in Tensorflow // URL: https://www.geeksforgeeks.org/multi-layer-perceptron-learning-in-tensorflow/ (дата обращения 29.09.2023).

k-Nearest Neighbors // URL: https://www.geeksforgeeks.org/k-nearest-neighbours/ (дата обращения 29.09.2023).

Франсуа Шолле, Эрик Нильсон, Стэн Байлесчи, Шэнкуинг Цэй Java Script для глубокого обучения: Tensor Flow.js. – СПб.: Питер, 2021. – 576 с.:ил. — (Серия «Библиотека программиста»).

Траск Эндрю. Грокаем глубокое обучение. — СПб.: Питер, 2019. — 352 с.: ил. — (Серия «Библиотека программиста»).

Оценка классификатора (точность, полнота, F-мера). - URL: http://bazhenov.me/blog/2012/07/21/classification-performance-evaluation.html. (дата обращения 29.09.2023).