Abstract: The article develops a mathematical model of analog-to-digital phase conversion in order to reduce sampling in digital display units embedded in measuring systems. All mathematical calculations and graphs illustrating the effectiveness of the created mathematical model are presented in detail.
Keywords: neural network, measuring converter, signal, artificial intelligence, mathematical modeling.
Искусственный интеллект (ИИ) дает возможность оптимизировать миллионы параметров и одновременно влиять на развитие целых индустрий. Задачей в перспективе текущего десятилетия станет массовое внедрение искусственного интеллекта, которое должно охватить все отрасли экономики, социальной сферы и систему госуправления. ИИ, как научное направление, связанное с попытками формализовать мышление человека, имеет очень длительную историю. Ещё Платон, Аристотель, Р.Декарт, Г.В.Лейбниц, Дж. Буль и многие другие исследователи на уровне современных им знаний стремились описать мышление как совокупность некоторых элементарных знаний, правил и процедур. Первые шаги кибернетики были направлены на изучение и осмысление процессов, протекающих в сложных, прежде всего живых системах, включая и мыслящие. Исследования имели ярко выраженный познавательный характер. Но уже тогда стали появляться разработки, направленные на воспроизведение в ЭВМ определённых процессов и феноменов мышления. Одно из направлений ИИ рассматривает данные о нейрофизических и психологических механизмах интеллектуальной деятельности, а в более широком смысле – разумном поведении человека. В большей части исследований этого направления непосредственным объектом моделирования являются структуры и процессы в нервной системе человека. При модельном подходе к изучению нервной системы в поле зрения исследователя в первую очередь оказываются отдельные нервные клетки – нейроны и структуры из взаимосвязанных клеток – нейронные сети [1,6].
Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Все процессы передачи раздражений от нашей кожи, ушей и глаз к мозгу, процессы мышления и управления действиями — все это реализовано в живом организме как передача электрических импульсов между нейронами. Рассмотрим строение биологического нейрона. Каждый нейрон имеет отростки нервных волокон двух типов — дендриты, по которым принимаются импульсы, и единственный аксон, по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через специальные образования — синапсы, которые влияют на силу импульса. Можно считать, что при прохождении синапса сила импульса меняется в определенное число раз, которое мы будем называть весом синапса. Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются. Если суммарный импульс превышает некоторый порог, нейрон возбуждается, формирует собственный импульс и передает его далее по аксону. Важно отметить, что веса синапсов могут изменяться со временем, а значит, меняется и поведение соответствующего нейрона.
References
1. П. Дапонте, Д. Гримальди (Италия). Искусственные нейронные сети в измерениях. – М.: Приборы и системы управления, №3 1999г. – стр. 48-64.2. Daponte P., Grimaldi D., Michaeli L. A desing method for signel processing in measurement instrumentation by neural networks / Proc. IEEE Instrumentation and Measurement Technology Conf. Belgium. June 4…6 1996. P. 1004…1009
3. Bernieri A., Daponte P., Grimaldi D. ADS neural modeling // IEEE Trans. on Instrumentation and Measurement. 1996. Vol. 45. P.627…633.
4. Драгина, О.Г. Повышение точности и разрешающей способности растровых измерительных систем на принципах нейросетевой обработки информации: специальность 05.11.16 «Информационно-измерительные и управляющие системы (по отраслям)»: диссертация на соискание ученой степени кандидата технических наук / Драгина О.Г.; Московский государственный технологический университет «СТАНКИН». – Москва: МГТУ «СТАНКИН», 2004. - 210с. - Текст (визуальный) : непосредственный.
5. Attari M., Boudjema M., Bouhedda M., Bouallag S. A decentralized neural architecture based A/D converter with binary code outputs / Proc. IEEE Instrumentation and Measurement Technical Conf. Ottawa, Canada. May 19...21 1997. P.232...236.
6. Рассел Стюарт, Норвиг Питер Искусственный интеллект: современный подход, 4-е издание. Том 1. Решение проблем: знания и рассуждения. Диалектика-Вильямс, 2016г. – 704с.
7. Карлащук В.И., Карлащук С.В. Электронная лаборатория на IBM PC. Инструментальные средства и моделирование элементов практических схем. - М.: СОЛОН-ПРЕСС, 2008, 144 с.
8. Драгина О.Г. Искусственные нейронные сети в измерительных задачах: сб. ст. конференции «Технические и естественные науки. безопасность: информация, техника, управление». Санкт-Петербург: ГНИИ «Нацразвитие», 2020 г. - С. 80-84.
9. Результаты исследований естественных и точных наук: междисциплинарный подход и cверхаддитивный эффект : монография / [Абзалов А.А., Асеева М.А., Атабаев М.М. и др.]; Под ред. В.В. Ерохина, Л.П. Тереховой, О.А. Подкопаева – Самара : ООО НИЦ «Поволжская научная корпорация», 2018. – 42-57с.
10. Серебряков В.П., Мастеренко Д.А., Драгина О.Г., Туманов Н.А. Моделирование аналого-цифрового преобразования фазы с использованием нейросетевых технологий. М.: Промышленные АСУ и контроллеры, 2003. № 1. С. 45.
11. Серебряков В.П., Драгина О.Г. Нейросетевая коррекция измерительных сигналов фотоэлектрического растрового преобразователя. М.: Нейрокомпьютеры: разработка, применение, 2004г. № 5-6. С. 51.
12. Raul Rojas Neural Networks: A Systematic Introduction 1st Edition Publisher : Springer; 1st edition (July 12, 1996). - 522 pages.
13. Tariq Rashid Make Your Own Neural Network 1st Edition Publisher : CreateSpace Independent Publishing Platform; 1st edition (March 31, 2016). – 222 pages.
14. Christopher M. Bishop Pattern Recognition and Machine Learning (Information Science and Statistics) Publisher : Springer (August 17, 2006). - 738 pages.
15. Хайкин Саймон. Нейронные сети. Полный курс. 2-е издание. Изд.-во Вильямс, 2019с. – 1104с.