Найти

Результаты поиска

• ПРОГРАММНЫЕ ПОДХОДЫ ДЛЯ РЕШЕНИЯ ЗАДАЧ ГИДРОАКУСТИЧЕСКОЙ СВЯЗИ В СИСТЕМАХ МОРСКОГО ИНТЕРНЕТА ВЕЩЕЙ

  К. Г. Кебкал , А. А. Кабанов , В. В. Альчаков , В.А. Крамарь , М. Э. Димин

  2024-04-16

  Аннотация ▼

  При одновременной работе нескольких гидроакустических модемов в районе взаимного по-
  крытия могут возникать коллизии пакетов данных, поступающих на прием от нескольких источ-
  ников, что приводит к потерям части или всей информации. С ростом числа одновременно рабо-
  тающих гидроакустических модемов алгоритмы физического уровня не обеспечивают стабиль-
  ную передачу данных и вероятность возникновения коллизий повышается, что делает работу
  модемов неэффективной или даже невозможной. Для обеспечения эффективной работы в усло-
  виях гидроакустической среды распространения сигнала и для уменьшении или исключении колли-
  зий при обмене и доставке данных между двумя модемами, не обладающими возможностью син-
  хронной работы, а также для уменьшения времени доступа к среде распространения сигнала
  требуются методы уровня управления доступом к среде с применением протоколов канального
  уровня. Обычно, такая задача решается при помощи кодового разделения гидроакустических каналов. Модемы общаются как бы на разных частотах, что не создаёт коллизий, это позволяет
  общаться абонентам подводной сети в формате «точка-точка», либо в режиме «multicast», то
  есть всем отдельно, однако, в случае, если надо сделать передачу по сети, такой вариант уже не
  подойдёт, так как сетевая передача, предполагает работу на основе «broadcast» сообщений. При
  практическом использовании указанные протоколы удобно поместить в состав программной
  среды разработки (фреймворк) конкретных пользовательских приложений для решения задач
  сетевой г/а связи. Такой фреймворк принято называть программным каркасом, он позволяет вы-
  полнять пользовательскую модификацию имеющихся в составе каркаса сетевых алгоритмов, а
  также включение силами пользователя новых алгоритмов сетевой гидроакустической связи. Для
  построения прогнозирующей модели в работе использовались протоколы DACAP, T-Lohi, Flooding
  и ICRP.Реализация алгоритмов выполнена на языке Erlang. В работе приведены алгоритмы реали-
  зации указанных протоколов. Приводится сравнительный анализ сетевой работы с использовани-
  ем протоколов и без них. Оценена эффективность и скорость работы. Даны рекомендации по
  дальнейшей разработке программного каркаса

• ОЦЕНКА МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ СЕЗОННЫХ ВРЕМЕННЫХ РЯДОВ

  В.В. Альчаков, В.А. Крамарь

  2023-06-07

  Аннотация ▼

  Временные ряды с сезонной изменчивостью получили широкое распространение для
  описания процессов в различных областях, таких как торговля, анализ финансовых рынков,
  прогнозирование пассажирских авиаперевозок, описание климатических изменений. В по-
  следнее время широкое применение данный подход стал применяться и для описания тех-
  нологических процессов. В связи с чем стало возможным применять прогнозирующие моде-
  ли в системах управления сложными техническими объектами. Методы машинного обуче-
  ния могут быть эффективно использованы для построения прогнозирующих моделей рядов
  такого типа. При этом для построения прогноза в качестве входных данных используются
  лишь исторические данные, накопленные за несколько периодов сезонных наблюдений, зна-
  ние других параметров, как правило, не требуется. В статье рассмотрено построение
  прогнозирующей модели временного ряда с сезонной изменчивостью, описывающего техно-
  логический процесс, в качестве которого выбран входной поток завода по очистке сточ-
  ных вод. Описана общая методология построения модели, требования к входным массивам
  данных, алгоритмы предварительной обработки для формирования выборок, используемых
  для обучения и тестирования моделей. Для построения прогнозирующей модели в работе
  использовались классические методы (SARIMA, Holt-Winters Exponential Smoothing, ETS), а
  также новые алгоритмы (Facebook Prophet, XGBoost, Long Short Term Memory). Реализация
  алгоритмов выполнена на языке Python, в работе даны рекомендации по использованию
  существующих библиотек и функций этого языка. Приводится сравнительный анализ
  точности полученных моделей на основе расчета набора статистических метрик. Также
  проведен анализ быстродействия методов, поскольку время, затраченное на создание мо-
  дели и получение прогноза, играет немаловажную роль при запуске модели в реальных усло-
  виях на производстве. По совокупности оценок выбран лучший метод для решения постав-
  ленной задачи для применения в системах управления реального времени. В заключении да-
  ны рекомендации по повышению точности прогноза и обозначены направления будущих
  исследований в данной области.