Промышленные АСУ и контроллеры Аннотация к статье << Назад Применение сверточных нейронных сетей (CNN) для поиска паттернов в рядах данных различной природы Е.А. Исаев, В.А. Самодуров, Д.В. Первухин, Е.К. Филюгина Стремительный темп развития современных технологий в области машинного зрения позволяет рассмотреть вопрос их применимости к традиционным научным и практическим задачам, связанным с анализом данных различной природы и, в частности, временных рядов. Существует ряд отраслей, в которых анализ данных осуществляется визуально, так как данный способ позволяет быстро выявить закономерности и упрощает восприятие информации для оператора-аналитика, человека. Таким образом, можно предположить, что внедрение анализа данных с помощью алгоритмов, осуществляемых машинным зрением, даже без учета природы данных, может позволить достичь точности не меньшей, чем у человека. Примерами отраслей, где актуальна беспристрастная и безэмоциональная аналитика, колоссальные объемы данных реального времени и высока цена ошибки, служат системы обработки данных реального времени – трейдинговые системы, системы класса интернета вещей (IoT), АСУТП и пр. В данной работе проводится исследование актуальности и универсальности использования визуального способа обработки данных на примере астрономических данных радиотелескопа ПРАО. В настоящее время для обработки получаемых с радиотелескопа временных рядов данная обсерватория применяет систему собственной разработки, основанную на алгоритмизированном математическом подходе. Данная система позволяет достичь точность автоматической классификации данных порядка 68 %. Разработанная и настроенная CNN-нейронная сеть, не учитывающая астрономической природы данных в явном виде, позволяет в режиме промышленной эксплуатации получить точность не менее 94 %, при этом время классификации снизилось с нескольких суток до 0,5 с. Очевиден рост производительности и качества результата. При этом универсальность подхода в дальнейшем позволяет применять его для других подобных классов задач. Ключевые слова: CNN; системы машинного зрения; supervised learning; анализ больших данных. DOI: 10.25791/asu.12.2019.1069 Контактная информация: - Стр. 24-32.