Технология повышения качества обучения искусственной нейронной сети в задачах управления объектами дорожно-транспортной инфраструктуры

Abstract

Исследование проведено в области машинного обучения с акцентом на повышение качества обучения искусственных нейронных сетей в контексте управления объектами дорожно-транспортной инфраструктуры. Неправильно выбранные параметры обучения искусственной нейронной сети могут привести к ситуациям, в результате которых глобальный минимум не будет достигнут, что негативно скажется на точности сети. Исследования направлены на разработку методов, которые позволяют оптимизировать процесс обучения, основываясь на анализе изменений градиентов весов. Это позволяет повысить точность и надежность нейронной сети в условиях управления транспортными объектами. Предложен алгоритм, основанный на отслеживании активности изменений параметров нейронной сети через анализ изменений градиентов весов. Алгоритм позволяет диагностировать процесс обучения и принимать решения о корректировке параметров с целью оптимизации обучения нейронной сети в задачах управления дорожно-транспортной инфраструктурой. Разработана технология применения искусственных нейронных сетей в управлении дорожно-транспортной инфраструктурой. Проведено исследование алгоритма на наборе данных CIFAR-10. Разработанный алгоритм представляет собой важный инструмент для повышения качества обучения искусственной нейронной сети в задачах управления объектами дорожно-транспортной инфраструктуры. Возможность анализа и корректировки обучения на основе динамики изменений градиентов значительно улучшает эффективность процесса обучения и повышает шансы на достижение необходимых результатов. The study is conducted in the field of machine learning with a focus on improving the training quality of artificial neural networks in the context of managing road traffic infrastructure objects. Incorrectly chosen training parameters for an artificial neural network can lead to situations in which the global minimum is not reached, which will negatively affect the accuracy of the network. Research is aimed at developing methods that optimize the learning process based on the analysis of changes in weight gradients. This allows you to increase the accuracy and reliability of the neural network in terms of managing transport facilities. The authors propose an algorithm based on tracking the activity of changes in neural network parameters through the analysis of weight gradient variations. This algorithm allows diagnosing the training process and making decisions to adjust parameters aiming at optimizing the neural network training in tasks related to managing road traffic infrastructure. A technology has been developed for the use of artificial neural networks in the management of road transport infrastructure. The algorithm was studied on the CIFAR-10 data set. The developed algorithm is an important tool for improving the quality of training of an artificial neural network in problems of managing road transport infrastructure objects. The ability to analyze and adjust training based on the dynamics of changes in gradients significantly improves the efficiency of the learning process and increases the chances of achieving the required results.