Реферат. На сегодняшний день системы искусственного интеллекта являются наиболее распространенным видом для классификации объектов разного качества. Предлагаемая технология моделирования прогнозирования качества мукомольной продукции с использованием аппарата искусственных нейронных сетей позволяет объективно решать задачи анализа факторов, определяющих качество продукции. Интерес к искусственным нейронным сетям вырос за счет того, что они могут менять свое поведение в зависимости от внешней среды. Этот фактор в большей степени, чем любой другой, ответствен за тот интерес, который они вызывают. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию. Было разработано множество обучающих алгоритмов, каждый со своими сильными и слабыми сторонами. Решение задачи классификации является одним из важнейших применений нейронных сетей, которая представляет собой задачу отнесения образца к одному из нескольких непересекающихся множеств. Для решения поставленной задачи разработаны алгоритмы синтеза НС с использованием нелинейной функции активации, разработаны алгоритмы обучения сети. Обучение НС подразумевает определение весовых коэффициентов слоев нейронов. Обучение НС происходит с учителем, то есть сети предъявляются значения как входных, так и желательных выходных сигналов, и она по некоторому внутреннему алгоритму подстраивает веса своих синаптических связей. В работе была построена искусственная нейронная сеть, на примере многослойного перцептрона. С помощью корреляционного анализа в общей выборке было установлено, что признаки коррелируют на уровне значимости 0,01 с классом качества хлеба. Точность классификации превышает 90 %.

многослойный перцептрон, специфический признак, точность классификации

1. Балашова Е.А., Битюков В.К., Саввина Е.А. Сравнительный анализ методов классификации при прогнозировании качества хлеба //Вестник Воронежского государственного университета инженерных технологий. 2013. № 1 (55). С. 57-62

2. Битюков В.К., Моторин М.Л., Саввина Е.А. Формирование классов объектов методом дискриминантного анализа // Вестник Воронежского государственного университета инженерных технологий. 2014. № 1 (59). С. 73-78.

3. Анил Д.К., Жианчанг Мао, Моиуддин К.М. Введение в искусственные нейронные сети. 2010. 243 с.

4. Царегородцев В.Г. Конструктивный алгоритм синтеза структуры многослойного персептрона // Вычислительные технологии. 2008. Т. 13 // Вестник КазНУ им. Аль-Фараби, серия "математика, механика, информатика". 2008. №4 (59). (Совм. выпуск). Ч. 3. С. 308-315.

5. Жуков Л.А. Использование нейросетевых технологий для проведения учебно-исследовательских работ. 2011. 191 с.