В настоящее время востребованным является создание методов и технологий интеллектуального управления сложными системами и процессами, которые учитывают ситуационную осведомленность о решаемых проблемах, различные стратегии управления и сценарии достижения целевых ситуаций в условиях неопределенности различного типа. В наибольшей степени специфику ситуационной осведомленности при управлении такими системами и процессами учитывают модели и методы, основанные на нечетком ситуационном и нечетком когнитивном подходах. Однако ограничениями известных нечетких ситуационных моделей (НСМ) и основанных на этих моделях методов при управлении сложными системами и процессами в условиях неопределенности, является: сложность учета взаимовлияния ситуационных признаков, приводящая к неоднозначности переходов из одной нечеткой ситуации в другую при воздействии соответствующих управляющих решений; сложность оценки одновременного воздействия нескольких управляющих решений на различные взаимозависимые ситуационные признаки; недостаточный учет фактора времени и продолжительности воздействия управляющих решений на ситуационные признаки; сложность задания и моделирования сценарной динамики НСМ с учетом различных стратегий управления. В данной статье рассмотрены вопросы применения новой предложенной разновидности мягких ситуационно-когнитивных моделей (МСКМ), в которых результаты нечеткого когнитивного моделирования используются для оценки степени и времени воздействия управляющих решений на взаимозависимые ситуационные признаки НСМ. За счет этого формируется наилучшая, в зависимости от выбранной стратегии, последовательность управляющих решений, и обосновывается время их применения. В качестве примера рассмотрено интеллектуальное управление турбокомпрессорными воздушными установками (ТВУ) на основе применения предлагаемых МСКМ. Проведены экспериментальные исследования, получены результаты сравнительной оценки, которые позволяют обосновать повышение качества интеллектуального управления и эффективности функционирования ТВУ в условиях неопределенности с использованием МСКМ для различных стратегий управления и сценариев достижения целевых ситуаций
Исследуется применение нейросетевых архитектур для семантической сегментации нор грызунов с целью мониторинга их популяции на сельскохозяйственных полях. В частности, рас- сматриваются три модели для семантической сегментации: сверточный автокодировщик (САК), SegNet и U-Net. Эти модели применяются для анализа изображений, полученных с беспилотных летательных аппаратов (БпЛА) и наземных роботизированных средств (РТС), что позволяет автоматически выявлять норы, минимизируя необходимость в трудозатратах при обработке больших объемов данных. Для обучения и тестирования моделей была подготовлена выборка, включающая 247 RGB-изображений, содержащих 1098 размеченных нор. Оценка показателей ка- чества семантической сегментации проводилась с использованием метрики Джаккара (IoU), в результате чего были получены следующие значения: 0,511 для САК, 0,548 для SegNet и 0,529 для U-Net. Была проведена оценка вычислительных ресурсов, необходимых для внедрения этих моделей в бортовые вычислительные устройства (БВУ) мобильных РТС. Рассмотрены два критерия: ко- личество операций с плавающей точкой (GFLOPS) и количество параметров моделей. Результа- ты показали, что SegNet требует 2,23 GFLOPS и имеет 0,76 миллиона параметров, что в 2,58 и 2,33 раза меньше по сравнению с САК и U-Net соответственно. Количество операций с плавающей точкой для SegNet также оказалось на 2,43 и 1,88 раза ниже, чем у САК и U-Net соответственно. В результате, SegNet превзошла САК и U-Net как в эффективности сегментации, так и в требуе- мых вычислительных ресурсах. Данная работа выполнялась в рамках реализации системы компь- ютерного зрения сельскохозяйственной РТС.
