Проаналізовано нейронні мережі як засіб прогнозування значення температури за перехідним процесом. Розглянуто штучний нейрон як основу нейронної мережі. Наведено класифікацію нейронів залежно від функцій, які вони виконують в нейронній мережі, та основні види передавальних функцій нейрона. Подано класифікацію нейронних мереж за критерієм їх архітектури, алгоритму навчання та типу завдань, які вони можуть виконувати. Зроблено висновок, що для розв'язання поставленої задачі оптимальним є застосування нейронної мережі з архітектурою прямого поширення з алгоритмом навчання з вчителем. Ключові слова: нейронна мережа, прогнозування значення температури, температурний перехідний процес. Проанализированы нейронные сети как средства прогнозирования значения температуры за переходным процессом. Рассмотрен искусственный нейрон как основа нейронной сети. Приводится классификация нейронов в зависимости от функций, которые они выполняют в нейронной сети, и основные виды передаточных функций нейрона. Представлена классификация нейронных сетей по критерию их архитектуры, алгоритма обучения и типа задач, которые они могут выполнять. Сделан вывод, что для решения поставленной задачи оптимальным является применение нейронной сети с архитектурой прямого распространения с алгоритмом обучения с учителем. Ключевые слова: нейронная сеть, прогнозирование значения температуры, температурный переходный процесс. The present article considers neural networks as a tool for the temperature prediction using transition process. The authors emphasize the need to measure high temperatures in technological processes and indicate problems encountered on this way. The method proposed to solve this problem is neural networks application. The study of artificial neural networks is motivated by their similarity to successfully working biological systems, which-in comparison to the overall system-consist of very simple but numerous nerve cells that work massively in parallel and (which is probably one of the most significant aspects) have the capability to learn. There is no need to explicitly program a neural network. One result from this learning procedure is the capability of neural networks to generalize and associate data: after successful training a neural network can find reasonable solutions for similar problems of the same class that were not explicitly trained. This in turn results in a high degree of fault tolerance against noisy input data.

No abstract

This article presents the features of functioning the cyber-physical systems and their components. The possibility to connect measuring devices of electrical quantities, measuring devices of non-electrical quantities, and sensors with data interface to cyber-physical systems components is considered. The analysis opportunity of sensors possible accession to embedded system control is examined. The classification by the sensors output signal type is considered. On the basis of the sensors classification concluded that the cyber-physical systems is most expedient to use intelligent sensors. According to the results of the analysis of the cyber-physical system characteristics and components a multilevel remote metrological verification of cyber-physical systems is proposed. With the proposed algorithm the cyber-physical system components can be verified at the request of any component, subsystem or system as a whole. Also a person can initiate a metrological testing process, if there is suspicion of incorrect operation or its time for cyber-physical system routine verification.