Neural Network Detection Method of Data Anomalies of Wastefree Production Audit

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.