Please use this identifier to cite or link to this item: https://er.chdtu.edu.ua/handle/ChSTU/3461
Title: Neural Network Detection Method of Data Anomalies of Wastefree Production Audit
Other Titles: Метод нейромережевого виявлення аномалій даних аудиту безвідходного виробництва
Authors: Neskorodieva, Tatiana
Fedorov, Eugene
Neskorodieva, Anastasiia
Sichko, Tetiana
Rymar, Pavlo
Федоров, Євген Євгенович
Keywords: audit;mapping by neural network;neural network model of Gauss-Bernoulli;forward only restricted Cauchy machine;detection of anomalies;audit of waste-free production;аудит;відображення за допомогою нейронної мережі;модель нейронної мережі Гауса-Бернуллі;односпрямована обмежена машина Коші;виявлення аномалій;аудит безвідходного виробництва
Issue Date: 2021
Publisher: Computer Systems and Information Technologies
Abstract: The paper presents a method for the detection of anomalies in waste-free production audit data based on the neural network model of Gauss-Bernoulli of the forward only restricted Cauchy machine (FORCM). The purpose of the work is to increase the efficiency of audit data analysis of waste-free production on the basis of the neural network model of anomalies detection without the use of the marked data that simplifies audit. To achieve this goal, the following tasks have been set and solved: offered model of generalized multiple transformations of audit data in the form of a two-layer neural network. Cauchy offered neural network model of Gauss-Bernoulli of the forward only restricted Cauchy machine possesses a heteroassociative memory; works real data; has no restrictions for storage capacity; provide high accuracy of detection of anomalies; uses Cauchy's distribution that increases the speed of convergence of a method of parametrical identification. To increase the speed of Gauss-Bernoulli parametric identification of a forward only restricted Cauchy machine, a parametric identification algorithm was developed to be implemented on a GPU using CUDA technology. The offered algorithm allows increasing training speed by approximately proportional to the product of numbers of neurons in the hidden layer and power of a training set. The made experiments confirmed the operability of the developed software and allow to recommend it for use in practice in a subsystem of the automated analysis of DSS of audit for detection of anomalies
В роботі представлено метод нейромережевого виявлення аномалій даних аудиту безвідходного виробництва по моделі Гауса- Бернуллі односпрямованої обмеженої машини Коші (FORCM). Метою роботи є підвищення ефективності аналізу даних аудиту безвідходного виробництва на основі нейромережевої моделі виявлення аномалій без використання розмічених даних, що спрощує аудит. Для досягнення цієї мети були поставлені і вирішені наступні завдання: запропонована модель узагальнених множинних перетворень даних аудиту у вигляді дворівневої нейронної мережі та модель виявлення аномалій у вигляді нейромережевої моделі Гауса-Бернуллі односпрямованої обмеженої машини Коші; обраний критерій оцінки ефективності нейромережевої моделі виявлення аномалій; запропонований метод параметричної ідентифікації нейромережевої моделі виявлення аномалій; проведені чисельні дослідження. Запропонована нейромережева модель Гауса-Бернуллі односпрямованої обмеженої машини Коші має гетероасоціативну пам'ять; працює з дійсними даними; не має обмежень за обсягом зберігання; забезпечує високу точність виявлення аномалій; використовує розподіл Коші, що збільшує швидкість збіжності методу параметричної ідентифікації. Для збільшення швидкості параметричної ідентифікації моделі Гауса-Бернуллі односпрямованої обмеженої машини Коші був розроблений алгоритм параметричної ідентифікації, який реалізований на графічному процесорі з використанням технології CUDA. Запропонований алгоритм дозволяє збільшити швидкість навчання приблизно пропорційно добутку кількості нейронів в прихованому шарі і потужності навчальної вибірки. Проведені експерименти підтвердили працездатність розробленого програмного забезпечення і дозволяють рекомендувати його для використання на практиці в підсистемі автоматизованого аналізу DSS аудиту для виявлення аномалій. Перспективи подальших досліджень полягають у перевірці запропонованих методів на більш широкому наборі тестових баз даних. Таким чином, актуальне завдання підвищення ефективності виявлення аномалій в даних аудиту безвідходного виробництва була вирішена за допомогою нейромережевої моделі Гауса-Бернуллі односпрямованої обмеженої машини Коші.
URI: https://er.chdtu.edu.ua/handle/ChSTU/3461
DOI: 10.31891/CSIT-2021-4-3
Issue: 2
First Page: 20
End Page: 32
Appears in Collections:Наукові публікації викладачів (ФІТІС)

Files in This Item:
File Description SizeFormat 
Neural Network Detection Method of Data Anomalies of Wastefree Production Audit.pdf542.61 kBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.