vmaitComputational Mathematics and Information TechnologiesComputational Mathematics and Information Technologies2587-8999Донской государственный технический университет10.23947/2587-8999-2020-1-2-114-119vmait-37Research ArticleСтатьиАлгоритм формирования малой обучающей выборки с использованием многослойного персептрона для априорных оценокAlgorithm for a formation of a small training set using a multilayer perceptron for a priori estimatesСелезнёвМ.SeleznovM.

Селезнёв Михаил, Научный сотрудник

Долгопрудный, Институтский пер., д. 9

Mykhailo Seleznov, Researcher

Institutskiy lane, 9, Dolgoprudny

mihailselezniov@yandex.ruМосковский физико-технический институтРоссияMoscow Institute of Physics and TechnologyRussian Federation20202102202342114119Copyright © Селезнёв М., 20232023Селезнёв М.Seleznov M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.cmit-journal.ru/jour/article/view/37

В статье предлагается алгоритм формирования небольшой обучающей выборки, обеспечивающей приемлемое качество суррогатной модели машинного обучения, обученной с использованием этой выборки. Алгоритм использует многослойный персептрон для выполнения предварительной оценки и выбора следующего лучшего образца для включения в выборки. В статье тестируется предложенный алгоритм применительно к задаче о деформации и разрыве тонкой нити под действием на нее импульса поперечной нагрузки. Обсуждается возможность обобщения подхода и его применения для построения суррогатных моделей машинного обучения для других физических задач.

The paper proposes an algorithm for the formation of a small training set, which ensures a reasonable quality of a surrogate machine learning model trained using this set. The algorithm uses multilayer perceptron to estimate heuristics and select the best next sample for the inclusion in a set. The paper tests the algorithm proposed applying it to the problem of deformation and breaking of a thin thread under the action of a transverse load pulse on it. The possibility to generalize the approach and apply it to building surrogate machine learning models for other physical problems is discussed.

машинное обучениеобучающая выборкачисленное моделированиесуррогатная модельмногослойный перцептронmachine learningtrain setnumerical modelingsurrogate modelmultilayer perceptronРабота выполнена в рамках инициативной НИР.The research is done within the frame of the independent R&D.ReferencesBeklemysheva, K.A., Petrov, I.B. Damage modeling in hybrid composites subject to low-speed impact // Mathematical Models and Computer Simulations2019. – Vol. 11. – P. 469-478.Beklemysheva, K.A., Petrov, I.B. Damage modeling in hybrid composites subject to low-speed impact // Mathematical Models and Computer Simulations2019. – Vol. 11. – P. 469-478.Kim, S.H., Boukouvala, F. Machine learning-based surrogate modeling for data-driven optimization: a comparison of subset selection for regression techniques // Optimization Letters. – 2020. – Vol. 14. – P. 989-1010.Kim, S.H., Boukouvala, F. Machine learning-based surrogate modeling for data-driven optimization: a comparison of subset selection for regression techniques // Optimization Letters. – 2020. – Vol. 14. – P. 989-1010.Rakhmatulin Kh.A., Demianov Yu.A. Strength under high transient loads. – New York : Daniel Davey, 1966. — 348 p.Rakhmatulin Kh.A., Demianov Yu.A. Strength under high transient loads. – New York : Daniel Davey, 1966. — 348 p.Vasyukov A.V., Elovenkova M.A., Petrov I.B. Modeling of thin fiber deformation and destruction under dynamic load // Matem. Mod. – 2020. – Vol. 32, iss. 5. – P. 95-102.Vasyukov A.V., Elovenkova M.A., Petrov I.B. Modeling of thin fiber deformation and destruction under dynamic load // Matem. Mod. – 2020. – Vol. 32, iss. 5. – P. 95-102.Hsiang-Fu Y., Fang-Lan H., Chih-Jen L. Dual coordinate descent methods for logistic regression and maximum entropy models // Machine Learning. – 2011. – Vol. 85. – P. 41-75.Hsiang-Fu Y., Fang-Lan H., Chih-Jen L. Dual coordinate descent methods for logistic regression and maximum entropy models // Machine Learning. – 2011. – Vol. 85. – P. 41-75.Platt J. Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods. In: Advances in Large Margin Classifiers // Cambridge : MIT Press, 1999. – P. 61-74.Platt J. Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods. In: Advances in Large Margin Classifiers // Cambridge : MIT Press, 1999. – P. 61-74.Rumelhart D.E., Hinton G.E., Williams R.J. Learning internal representations by error propagation. In: Parallel distributed processing: Explorations in the microstructure of cognition // Cambridge : MIT Press, 1986. – P. 318-362.Rumelhart D.E., Hinton G.E., Williams R.J. Learning internal representations by error propagation. In: Parallel distributed processing: Explorations in the microstructure of cognition // Cambridge : MIT Press, 1986. – P. 318-362.

The authors declare that there are no conflicts of interest present.