Оценка эффективности применения сетей Колмогорова-Арнольда в задачах управления пожарными роботами : научное издание
View/ Open:
URI (for links/citations):
https://elib.sfu-kras.ru/handle/2311/153771Author:
Пожаркова Ирина Николаевна
(Пожаркова Ирина Николаевна: Сибирский федеральный университет)
Date:
2024Journal Name:
Приборы и системы. Управление, контроль, диагностикаСтатья из журнала. Научное издание.
Abstract:
Статья посвящена исследованию эффективности использования сетей Колмогорова-Арнольда в задачах управления пожарными роботами, в частности, прогнозирования геометрических характеристик и траекторий движения свободных струй огнетушащего вещества. Описана технология проведения сравнительного анализа моделей на основе новой архитектуры и многослойного персептрона при проведении соответствующих расчетов. Приведены принципы построения структуры сетей, формирования обучающих и тестовых выборок, используемые стратегии обучения и методы оптимизации. Представлены результаты сравнительного анализа с оценкой скорости обучения, размера построенных моделей, их быстродействия и точности.
The article is devoted to the study of the effectiveness of using Kolmogorov-Arnold networks in the tasks of controlling fire robots, in particular, predicting the geometric characteristics and trajectories of free jets of a fire extinguishing substance. Comparative analysis technology of models on the basis of new architecture and multilayer perceptron with appropriate calculations is described. Principles of network structure construction, formation of training and test samples, used training strategies and optimization methods are given. The results of comparative analysis with assessment of learning speed, size of built models, their speed and accuracy are presented. The article is devoted to the study of the effectiveness of using Kolmogorov-Arnold networks in the tasks of controlling fire robots, in particular, predicting the geometric characteristics and trajectories of free jets of a fire extinguishing substance. Comparative analysis technology of models on the basis of new architecture and multilayer perceptron with appropriate calculations is described. Principles of network structure construction, formation of training and test samples, used training strategies and optimization methods are given. The results of comparative analysis with assessment of learning speed, size of built models, their speed and accuracy are presented.