Ключевые слова
обработка информации
системы предотвращения фронтальных столкновений
эволюционные алгоритмы
стратегии обучения
Как цитировать
Аннотация
в статье рассматривается разработка системы предотвращения фронтальных столкновений на основе искусственных нейронных сетей. Обучение нейронной сети проводилось с использованием эволюционных алгоритмов, позволяющих оптимизировать структуру сети и гиперпараметры, включая функции активации и количество скрытых слоев. Качество моделей оценивалось по функции потерь и времени обработки данных. В ходе вычислительных экспериментов были отобраны лучшие модели, которые затем прошли верификацию на реальных данных с автомобилем и различными режимами реакции водителя.
Результаты испытаний показали, что предложенная модель демонстрирует высокую точность и эффективность, что подтверждается как на обучающих выборках, так и в реальных условиях эксплуатации, что делает ее перспективным решением для повышения безопасности дорожного движения.
Литература
Кадиленко Е. С., Тимофеева О. П. Определение оптимальной траектории движения транспортного средства на определенном участке карты. Будущее технической науки: материалы XI Международной молодежной конференции. 2012:45–46.
Тимофеева О. П., Ермаков О. П., Туманова Д. Н. Модель системы «умных светофоров» на базе AnyLogic. Будущее технической науки: материалы XV Международной молодежной конференции. Н. Новгород; 2016:115–116.
Krizhevsky A., Sutskever I., Hinton G. E. ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM. 2017;606:84–90. DOI: 10.1145/3065386.
Russakovsky O., Deng J., Su H. et al. ImageNet Large Scale Visual Recognition Challenge. Int. J. of Computer Vision. 2015;1153:211–252. DOI: 10.1007/s11263-015-0816-y.
Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия–Телеком; 2002. 382 с.
Каллан Р. Основные концепции нейронных сетей / пер. с англ. А. Г. Сивака. М.: Издательский дом «Вильямс»; 2001. 287 с.
Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с польск. И. Д. Рудинского. М.: Горячая линия-Телеком, 2006. 452 с.
Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization. 2014. arXiv:1412.6980. DOI: https://doi.org/10.48550/arXiv.1412.6980.
Goodfellow I., Bengio Y., Courville A. Deep Learning. Genetic Programming and Evolvable Machines. 2018;19:305–307. DOI: 10.1007/s10710-017-9314-z.
Sutton R. S., Barto A. G. Reinforcement Learning: An Introduction. Cambridge: The MIT Press; 2014. 338 p.
Silver D., Huang A., Maddison C. J. et al. Mastering the Game of Go with Deep Neural Networks and Tree Search. Nature. 2016;529:484–489. DOI: 10.1038/nature16961.
Kohavi R. A Study of Cross–Validation and Bootstrap for Accuracy Estimation and Model Selection. Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence. 1995:1137–1143.