Актуальность. Рассмотрена задача кодирования информации моделей на базе искусственных нейронных сетей для дальнейшей пересылки и использования таких моделей. Объектом исследования является процесс кодирования искусственных нейронных сетей с использованием вероятностных структур данных. Цель работы заключается в разработке метода кодирования нейронных сетей для уменьшения ресурсоемкости процесса нейроэволюционного синтеза моделей. Метод. Предложен метод кодирования нейронных сетей на основе вероятностных структур данных. В начале метод использует основные принципы подхода прямого кодирования информации о сети и, базируясь на секвенировании, кодирует матрицу межнейронных связей в виде биополимеров. Затем используются вероятностные структуры данных для более компактного представления исходной матрицы. Для этого используются хэш-функции, начальная матрица проходит через процесс хэширования, что позволяет значительно снизить требования к ресурсам памяти. Метод позволяет сократить затраты памяти при пересылке искусственных нейронных сетей, что значительно расширяет практическое использование таких моделей, предотвращая резкое уменьшение точности их работы. Результаты. Разработанный метод реализован и исследован при решении задачи классификации состояния южногерманских кредиторов. Использование разработанного метода позволило увеличить скорость синтеза нейромоделей на 15–17,6%, в зависимости от используемых вычислительных ресурсов. Также метод позволил сократить долю пересылок информации на 8%, что также свидетельствует об ускорении и более рациональном использовании ресурсов. Выводы. Проведенные эксперименты подтвердили работоспособность предложенного математического обеспечения и позволяют рекомендовать его для использования на практике, при кодировании моделей на основе искусственных нейронных сетей, для дальнейшего решения задач диагностирования, прогнозирования, оценивания и распознавания образов. Перспективы дальнейших исследований могут состоять в предварительной обработке данных для более жeсткого контроля процесса кодирования с целью минимизации потерь качества работы моделей, на основе нейронных сетей.

Context. The problem of encoding information of models based on artificial neural networks for further transmission and use of such models is considered. The object of research is the process of coding artificial neural networks using probabilistic data structures. Objective of this work is to develop a method for coding neural networks to reduce the resource intensity of the process of neuroevolutionary model synthesis. Method. A method for encoding neural networks based on probabilistic data structures is proposed. At the beginning, the method uses the basic principles of the approach of direct encoding of network information and, based on sequencing, encodes a matrix of interneuronal connections in the form of biopolymers. Then, probabilistic data structures are used to represent the original matrix more compactly. For this purpose, hash functions are used, the initial matrix goes through the hashing process, which significantly reduces the requirements for memory resources. The method allows to reduce memory costs when sending artificial neural networks, which significantly expands the practical use of such models, preventing a sharp decrease in the accuracy of their operation. Results. The developed method is implemented and investigated in solving the problem of classification of the state of South German creditors. The use of the developed method allowed increasing the rate of neuromodel synthesis by 15–17.6%, depending on the computing resources used. The method also reduced the share of information transfers by 8%, which also indicates faster and more efficient use of resources. Conclusions. The conducted experiments confirmed the efficiency of the proposed mathematical software and allow us to recommend it for use in practice, when encoding models based on artificial neural networks, for further solving problems of diagnostics, forecasting, evaluation and pattern recognition. Prospects for further research may consist in pre-processing data for more strict control of the encoding process in order to minimize the loss of quality of models based on neural networks.

Актуальність. Розглянуто задачу кодування інформації моделей на базі штучних нейронних мереж для подальшого пересилання та використання таких моделей. Об’єктом дослідження є процес кодування штучних нейронних мереж з використанням ймовірнісних структур даних. Мета роботи полягає у розробці методу кодування нейронних мереж для зменшенні ресурсоємності процесу нейроеволюційного синтезу моделей. Метод. Запропоновано метод кодування нейронних мереж на основі ймовірнісних структур даних. На початку метод використовує основні принципи підходу прямого кодування інформації про мережу та базуючись на секвенуванні кодує матрицю міжнейронних зв’язків у вигляді біополімерів. Потім використовуються ймовірнісні структури даних для більш компактного представлення початкової матриці. Для цього використовуються хеш-функції, початкова матриця проходить через процес хешування, що дозволяє значно знизити вимоги до ресурсів пам’яті. Метод дозволяє скоротити витрати пам’яті при пересилці штучних нейронних мереж, що значно розширює практичне використання таких моделей, запобігаючи різкому зменшенню точності їх роботи. Результати. Розроблений метод реалізовано та досліджено при вирішенні задачі класифікації стану південнонімецьких кредиторів. Використання розробленого методу дозволило збільшити швидкість синтезу нейромоделі на 15–17,6%, в залежності від використовуваних обчислювальних ресурсів. Також метод дозволив скоротити долю пересилок інформації на 8%, що також свідчить про прискорення та більш раціональне використання ресурсів. Висновки. Проведені експерименти підтвердили працездатність запропонованого математичного забезпечення і дозволяють рекомендувати його для використання на практиці при кодуванні моделей на основі штучних нейронних мереж для подальшого вирішення задач діагностування, прогнозування, оцінювання та розпізнавання образів. Перспективи подальших досліджень можуть полягати в попередній обробці даних для більш жорсткого контролю процесу кодування з метою мінімізації втрат якості роботи моделей на основі нейронних мереж