Найти

Результаты поиска

• МУЛЬТИМОДАЛЬНЫЙ МЕТОД ИЗВЛЕЧЕНИЯ ПРИЗНАКОВ ДАННЫХ ДЛЯ КЛАССИФИКАЦИИ СЕТЕВЫХ АТАК

  А.В. Балыбердин

  6-16

  2025-07-24

  Аннотация ▼

  Система обнаружения вторжений (СОВ) является важным компонентом защиты корпоративной сети передачи данных (КСПД). СОВ анализирует сетевой трафик и выявляет сетевые атаки. В зависимости от методов детектирования, СОВ можно классифицировать на следующие виды систем: система сигнатурного анализа, система обнаружения аномалий (СОА) и гибридная система, объединяющая ранее рассмотренные системы. В последнее время активно развиваются системы обнаружения аномалий (СОВ). Для систем обнаружения аномалий сетевые атаки представляют собой аномальное поведение сетевого трафика, состоящего из набора признаков или атрибутов событий. Современные СОВ опираются на методы машинного и глубокого обучения, в связи с чем обнаружение сетевых атак и аномалий формулируется как задача классификации и кластеризации. Для решения данных задач необходимы методы оптимизации признакового пространства сетевого трафика. Целью работы является разработка метода извлечения признаков на основе мультимодального подхода представления данных сетевого трафика для классификации сетевых атак. В работе рассмотрен анализ релевантных исследований по методам извлечения признаков из различных областей. Задача исследования – повысить эффективность классификации с помощью метода мультимодального представления признаков сетевого трафика. Результатом работы является метод извлечения признаков данных на основе двух модальностей: спектрального представления признаков сетевого трафика и матрицы признаков изображений. Новизна представленного метода заключается в применении метода оконного преобразования Фурье для событий сетевого трафика, с последующим вычислением спектральных признаков для дискретных сигналов, а также преобразованием признаков данных в матрицу изображений и её расширением для оптимизации пространства признаков с помощью сверточной нейронной сети (convolutional neural network, CNN). Оценка мультимодального метода показала, что данный метод повысил точность классификации для несбалансированных классов сетевых атак.

• ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА КОНТРОЛЯ ДОСЫЛА АРТИЛЛЕРИЙСКОГО СНАРЯДА В КАМОРУ ОРУДИЯ

  В.А. Шурыгин, В.А. Серов, С. А. Устинов, А. В. Леонард, С. Е. Червонцев, В.Н. Платонов, С. С. Мазлов

  2020-07-10

  Аннотация ▼

  Целью работы является разработка и исследование метода контроля досыла артилле-рийского снаряда в камору орудия и интеллектуальной системы контроля досыла по акусти-ческому портрету. Существующий метод контроля досыла артиллерийского боеприпаса в камору орудия при раздельном способе заряжания основан на измерении скорости одного из элементов досылателя. Такой подход к контролю досыла не дает гарантированной надеж-ности ввиду невозможности измерения скорости на конечном отрезке движения снаряда по инерции. Суть предложенного в статье метода заключается в возбуждении акустических колебаний в системе «снаряд – камора орудия» и выделении характерных акустических портретов (сигнатур) с их последующем анализом.Для исследования данного метода разра-ботан экспериментальный стенд, имитирующий ствол орудия с каморой, и имитатор сна-ряда с различными обтюраторными поясками. Удар снаряда в момент заклинивания в конусе каморы или нанесенный извне возбуждает характерные акустические колебания, которые различаются для случаев надежного и недостаточного досыла.Для однозначной классифика-ции событий надежного заклинивания и недостаточного досыла необходим выбор опти-мального вектора признаков акустического портрета полученных аудиозаписей. Обычное спектральное преобразование позволяет выделить характерные частоты, однако использо-вание набора таких спектральных составляющих в качестве классификационных признаков нецелесообразно ввиду избыточного массива данных.В качестве классификационных призна-ков выбраны мел-частотные кепстральные коэффициенты. На основании набора таких ко-эффициентов с использованием искусственной нейронной сети осуществляется классифика-ция степени заклинивания имитатора снаряда в стенде на три категории: «снаряд не закли-нен», «недостаточный досыл снаряда», «снаряд заклинен». В результате обучения нейронной сети на значительной выборке аудиозаписей была достигнута точность классификации более 90%.Разработанный метод может быть применен в робототехнических комплексах, оснащенных артиллерийским вооружением, а также в других отраслях, например, в нефте-газовой промышленности для контроля стыковки сочленяемых труб.

• ИНТЕЛЛЕКТУАЛЬНЫЙ МЕТОД ИЗВЛЕЧЕНИЯ ЗНАНИЙ НА ОСНОВЕ ОПРЕДЕЛЕНИЯ ТОНАЛЬНОСТИ ОТЗЫВОВ

  Е.М. Герасименко , В. В. Стеценко

  2020-11-22

  Аннотация ▼

  В этой работе исследуется влияние возраста и пола при анализе тональности отзы-
  вов, поскольку эти данные могут помочь ретейлерам электронной коммерции увеличить
  продажи, ориентируясь на определенные демографические группы, а также увеличить
  удовлетворение потребностей людей разных возрастных и гендерных групп. Используемый
  набор данных сформирован путем сбора отзывов о книгах. Был создан вопросник, содер-
  жащий информацию о предпочтениях книжных носителей (мнения пользователей об элек-
  тронных книгах, книгах в мягкой и твердой обложках, изображениях и аудиокнигах), а
  также данные о возрастной группе и гендерной принадлежности. Помимо этого, вопрос-
  ник также содержит информацию о положительном либо отрицательном мнении касае-
  мо предпочтений, которая послужила основой достоверности для классификаторов.
  В результате, было получено 900 анкет, которые были разделены на группы по половому
  признаку и возрасту. Каждая конкретная группа данных была разделена на обучающую и
  тестовую. Были проанализированы сегментированные данные на предмет настроений в
  зависимости от каждой возрастной группы и пола. Возрастная группа «старше 50 лет»
  продемонстрировала лучшие результаты по сравнению со всеми другими возрастными
  группами во всех классификаторах; данные в женской группе показали более высокую точ-
  ность по сравнению с данными из групп без информации о гендерной принадлежности.
  Высокие результаты, показанные этими группами, показывают, что подходы к анализу
  тональности способны предсказать настроения в этих группах лучше, чем в других. Анализ
  тональности проводился с использованием различных подходов машинного обучения (ML),
  включая максимальную энтропию, метод опорных векторов, сверточную нейронную сеть и
  долгую краткосрочную память.

• ВЕРИФИКАЦИЯ ДИНАМИЧЕСКИХ БИОМЕТРИЧЕСКИХ ПАРАМЕТРОВ ЛИЧНОСТИ НА ОСНОВЕ ВЕРОЯТНОСТНОЙ НЕЙРОННОЙ СЕТИ

  Ю.А. Брюхомицкий

  2021-01-19

  Аннотация ▼

  Биометрическая верификация личности используются преимущественно при доступе
  в компьютерные и мобильные системы, а также для удаленной (голосовой) верификации.
  При этом наибольшее распространение получили системы биометрической верификации
  по фиксированной парольной фразе, которые достаточно просты в реализации, но очень
  уязвимы для атак воспроизведения скомпрометированного короткого текста. Для устра-
  нения этого недостатка верификацию личности предлагается осуществлять по произ-
  вольному в отношении объема, содержания и языка тексту (текстонезависимая биомет-
  рическая верификация). В данной работе предлагается обобщенный подход к решению за-
  дачи верификации личности по динамическим биометрическим параметрам разной мо-
  дальности (клавиатурный почерк, рукопись, голос). Представление сигналов динамической
  биометрии осуществляется путем преобразования их в последовательности информаци-
  онных единиц, каждая из которых содержит одинаковое количество отсчетов биометри-
  ческого сигнала соответствующей модальности. Решение поставленной задачи осуществ-
  ляется путем контроля степени концентрации близко расположенных информационных
  единиц (кластеров) в определенных точках многомерного признакового пространства. Реа-
  лизуется такой контроль на вероятностной нейронной сети, осуществляющей статисти-
  ческую оценку плотности вероятности распределения информационных единиц в соответ-
  ствующих кластерах с последующим определением суммарной плотности вероятности для
  всего класса объектов. Преимуществами предлагаемого подхода являются: обобщение
  существенно различных методов текстонезависимой верификации личности по динамиче-
  ским биометрическим параметрам разной модальности; возможность принимать вери-
  фикационное решение за фиксированное время поступления биометрических данных, опре-
  деляемое размером используемого эталона; возможность задавать точность верифика-
  ции путем изменения размерности слоя образцов вероятностной сети. Недостатком
  предлагаемого подхода является необходимость программной реализации нейронной сети
  большой размерности. Однако этот недостаток быстро нивелируется с повышением про-
  изводительности средств вычислительной техники.

• АНАЛИЗ ЗАШИФРОВАННОГО СЕТЕВОГО ТРАФИКА НА ОСНОВЕ ВЫЧИСЛЕНИЯ ЭНТРОПИИ И ПРИМЕНЕНИЯ НЕЙРОСЕТЕВЫХ КЛАССИФИКАТОРОВ

  В.А. Буковшин , П. А. Чуб , Д.А. Короченцев , Л.В. Черкесова , Н. В. Болдырихин , О.А. Сафарьян

  2021-02-13

  Аннотация ▼

  Анализ сетевого трафика позволяет решить множество задач, таких как: определе-
  ние закономерности передачи данных по сети, сбор статистики об использовании веб–
  приложений, мониторинг и дальнейшее исследование сетевой нагрузки, определение потен-
  циальных вредоносных программных средств и сетевых атак и т.д. На данный момент до
  40% Интернет–траффика принадлежит неизвестным приложениям. Это говорит о том,
  что для области анализа сетевого трафика задача классификации приложений приобрела
  особую важность. Совершенствование программного обеспечения в области сетевых тех-
  нологий способствовало обнаружению серьёзных уязвимостей в реализации некоторых
  сетевых протоколов, а именно: TCP и HTTP. С помощью анализаторов сетевого трафика
  злоумышленник получал доступ к содержимому пакетов данных, передающихся по сети.
  Однако с повышением квалификации информационного сообщества в области компьютер-
  ной безопасности, а также с развитием стандартов сетевых технологий, анализ сетевого
  трафика заметно усложнился. Возросшее применение математических методов защиты
  информации, таких как симметричные и ассиметричные криптографические протоколы,
  привела к тому, что большинство подходов к анализу сетевого трафика потеряли значение и
  перестали применяться. Поэтому актуален поиск новых решений задачи классификации
  сетевого трафика с учетом возможности его шифрования. Статья посвящена описанию
  нового смешанного подхода к анализу сетевого трафика, основанного на совокупном ис-
  пользовании теории информации и алгоритмов машинного обучения. Также приводится
  сравнительный анализ предложенного метода с уже существующими подходами, основан-
  ными как на теории информации, так и на машинном обучении. Целью исследований явля-
  ется разработка алгоритма, основанного на интеллектуальном подходе к анализу сетево-
  го трафика. Предлагаемый алгоритм базируется на вычислении энтропии и применении
  нейросетевых классификаторов. Задачи исследований включают: проведение теоретиче-
  ского обоснования предложенного подхода в области теории информации, а также алго-
  ритмов машинного обучения; проведение структурного описания реализованных алгоритмов
  вычисления энтропии и классификации приложений, генерирующих зашифрованный траф-
  фик; сравнительный анализ предложенного алгоритма с уже существующими подходами к
  анализу зашифрованного сетевого трафика. Результатом исследований является новый
  алгоритм, позволяющий с высокой степенью достоверности классифицировать различные
  виды зашифрованного трафика.

• ВИБРОМОНИТОРИНГ ДВИГАТЕЛЯ ВНУТРЕННЕГО СГОРАНИЯ

  А.В. Логунов , А.Л. Береснев

  2022-01-31

  Аннотация ▼

  Работа посвящена проблеме диагностирования автомобильных двигателей внутрен-
  него сгорания. Проблема контроля состояния двигателей внутреннего сгорания сейчас
  наиболее актуально из-за увеличения числа автомобилей и ужесточения экологических
  требований. В работе рассмотрены последствия работы неисправного двигателя внут-
  реннего сгорания. Целью работы является обоснование выбора из существующих методов
  диагностики такого метода который способен помочь наиболее точно и быстро обнару-
  жить неисправность. Для этого в работе подробно рассмотрены современные средства
  диагностики, выделены принципы работы, достоинства и недостатки. С появлением со-
  временных технологий давно известный метод оценки состояния двигателей внутреннего
  сгорания по звуку может стать самым передовым, поскольку исключается человеческий
  фактор, для обработки сигнала применяется вычислительная техника анализ звукового
  спектра в которой осуществляется с помощью искусственных нейронных сетей. Примене-
  ние искусственных нейронных сетей для анализа звукового спектра нашло применение в
  распознавание речи и для диагностики заболеваний дыхательной системы. В статье рас-
  смотрены механизмы, которые способны генерировать звуковые сигналы во время работы
  двигателя внутреннего сгорания, некоторые из них фазированы т.е. привязаны к рабочим
  тактам, некоторые не фазированы. Предложенный способ диагностики позволяет выде-
  лить «полезные» звуки из общего числа шумов двигателя, после сравнительного анализа
  указать на узел звук которого отличается от эталонного, исправного. Научная новизна
  состоит в том, что процесс диагностики становится автоматизированным, все звуки,
  снятые датчиками, обрабатывается в ЭВМ или специальном сканере, на дисплей выводит-
  ся информация о состоянии тех или иных узлов, в отличие от традиционных методов где
  диагностика осуществляется визуально или на слух. Таким образом повышается точность
  диагностики и снижается общая трудоемкость за счет исключения частичной или полной
  разборки двигателя.

• УПРАВЛЕНИЕ МОБИЛЬНЫМ РОБОТОМ С ПРИМЕНЕНИЕМ НЕЙРОННОЙ СЕТИ ДЛЯ ПЛАНИРОВАНИЯ ДВИЖЕНИЯ В НЕКАРТОГРАФИРОВАННОЙ СРЕДЕ С ПРЕПЯТСТВИЯМИ

  А. К. Фархуд

  99-114

  2022-01-31

  Аннотация ▼

  В данной работе применяется нейронная сеть глубокого обучения специальной
  структуры, которая позволяет мобильному роботу перемещаться без столкновения с
  препятствиями в неизвестной среде. Основными проблемами, на решение которых направ-
  лены усилия исследователей в области нейросетевых планировщиков движения, являются
  повышение производительности нейронных сетей, оптимизация их структуры и автома-
  тизация процессов обучения. Основным результатом данной статьи является новый ите-
  рационный алгоритм разработки обучающего набора. На первой итерации разрабатыва-
  ется стартовый обучающий набор и производится начальное обучение нейронной сети.
  В следующих итерациях обученная на предыдущем этапе нейронная сеть используется в
  качестве фильтра для следующих обучающих наборов. Фильтр выбирает траектории с
  коллизиями, обусловленными ошибками нейронной сети. В процессе обучения количество
  сверточных и полностью связанных слоев итеративно увеличивается. Таким образом,
  предложенный алгоритм позволяет разработать как обучающий набор, так и архитекту-
  ру нейронной сети. Выполняется сравнение результатов обучения для отфильтрованных и
  нефильтрованных наборов. Подтверждена высокая эффективность фильтрации, в ре-
  зультате которой изменяется распределение примеров в обучающей выборке. Алгоритм
  может быть использован для разработки блока планирования системы управления мобильными наземными роботами. В статье приводится пример обучения нейронной сети в
  среде моделирования Matlab. В примере проведено пять итераций обучения, в ходе которых
  достигнута точность более 90 %. Данная точность получена с использованием набранной
  статистики по движению мобильного робота в случайно генерируемой среде. Плотность
  заполнения среды препятствиями составляла до 40 %, что соответствует городским
  условиям. Проведено сравнение нейросетевых планировщиков, обученных с помощью пред-
  ложенной итерационной процедуры и при обычном обучении. Сравнение показало, что
  применение итерационной процедуры повышает точность планирования до 12 – 15 %. При
  этом исходный объем обучающей выборки уменьшается в несколько раз за счет применяе-
  мой фильтрации.

• КВАНТОВОЕ ГЛУБОКОЕ ОБУЧЕНИЕ СВЁРТОЧНОЙ НЕЙРОННОЙ СЕТИ С ИСПОЛЬЗОВАНИЕМ ВАРИАЦИОННОЙ КВАНТОВОЙ СХЕМЫ

  С.М. Гушанский , В. Е. Буглов

  167-177

  2021-10-05

  Аннотация ▼

  Квантовый компьютинг в общем и квантовое глубокое обучение, в частности, представляют собой перспективную область, связанную с исследованиями современных методов и алгоритмов квантовых вычислений, применяемых с целью обучения и разработки новых архитектур искусственных нейронных сетей. В последнее время наблюдается тенденция, состоящая в том, что исследования, проводимые в области квантового глубокого обучения, получают всё большее распространение среди специалистов. Это можно объяснить тем, что было установлено – квантовые схемы способны функционировать подобно искусственным нейронным сетям, демонстрируя при этом лучшие результаты при решении ряда задач, среди которых, например, актуальная задача классификации объектов на изображении или в видеопотоке. Благодаря стремительному развитию квантовых вычислений в области глубокого обучения были найдены оптимальные способы решений для та-ких актуальных задач, как – проблема исчезающего градиента, нахождение локального минимума, повышение эффективности функционирования крупномасштабных параметри-ческих алгоритмов машинного обучения, устранение декогеренции и квантовых ошибок и пр. В рамках данной работы описан процесс функционирования квантовой вариационной схемы, установлены её основные характеристики и выявлены недостатки. Также проана-лизированы ключевые особенности квантовых вычислений, на которых основывается про-цесс реализации квантового глубокого обучения с подкреплением свёрточной нейросети. Кроме того, осуществлено квантовое глубокое обучение свёрточной нейронной сети с помощью применения вариационной квантовой схемы, что приводит к повышению производительности свёрточной нейросети в решении задачи обработки изображения, а именно его классификации, за счёт использования квантовой среды вычислений. Актуальность данной статьи состоит в реализации алгоритма квантового глубокого обучения с подкреплением свёрточной нейросети для обработки изображений, а также большом значении тематики данного исследования для будущей разработки квантовых вычислительных устройств, которые могут быть использованы в системах искусственного интеллекта и т.п., что соответствует приоритетному направлению развития отечественной науки

• ПРИМЕНЕНИЕ НЕЙРОСЕТЕВОГО ПОДХОДА ДЛЯ ДИАГНОСТИКА ДВИГАТЕЛЯ ВНУТРЕННЕГО СГОРАНИЯ ТРАНСПОРТНЫХ СРЕДСТВ

  А. В. Логунов , А. Л. Береснев

  2022-04-21

  Аннотация ▼

  Работа посвящена проблеме диагностирования двигателя внутреннего сгорания
  транспортных средств эта проблема сейчас наиболее актуально из-за постоянного роста
  автопарка и ужесточения требований к безопасной эксплуатации. Своевременный и точ-
  ный контроль состояния двигателя внутреннего сгорания способен предотвратить выход из строя целых узлов транспортного средства, а также избежать таких серьезных по-
  следствий как дорожно-транспортное происшествие. С появлением современных техноло-
  гий давно известный метод оценки состояния двигателя по звуку может стать самым
  передовым, поскольку исключается человеческий фактор, для обработки сигнала применя-
  ется вычислительная техника анализ звукового спектра в которой осуществляется с по-
  мощью искусственных нейронных сетей. Применение искусственных нейронных сетей для
  анализа звукового спектра нашло применение в распознавание речи и для диагностики забо-
  леваний дыхательной системы. В статье рассмотрена неисправность одного из основных
  узлов двигателя внутреннего сгорания – подшипника. Представлены все возможные виды
  неисправностей подшипников и причины, по которым они возникают. Перечислены узлы и
  механизмы двигателя внутреннего сгорания в которых применяются подшипники. Описан
  алгоритм экспериментальной части. Выполнен эксперимент, включающий в себя преобра-
  зование полученных звуковых сигналов в спектрограммы и извлечение признаков с помощью
  которых выполняется классификация. Выполненная экспериментальная часть доказала
  возможность диагностирования двигателя внутреннего сгорания с применением искусст-
  венных нейронных сетей. Научная новизна состоит в том, что процесс диагностики ста-
  новится автоматизированным, все звуки, снятые датчиками, обрабатывается в ЭВМ или
  в перспективе в специальном сканере, на дисплей выводится информация о состоянии тех
  или иных узлов, в отличие от традиционных методов где диагностика осуществляется
  визуально или на слух. Таким образом повышается точность диагностики и снижается
  общая трудоемкость за счет исключения частичной или полной разборки двигателя.

• ПРОЕКТИРОВАНИЕ СИСТЕМЫ УПРАВЛЕНИЯ И ОБЕСПЕЧЕНИЕ АВТОНОМНОСТИ ДЛЯ МОБИЛЬНОГО ДВУХКОЛЕСНОГО РОБОТА

  А. А. Ткаченко , Д.Д. Девяткин

  2022-04-21

  Аннотация ▼

  Управление с прогнозированием (Model Predictive Control) – это усовершенствован-
  ный метод управления процессами, который используется при соблюдении набора ограни-
  чений. С инженерной точки зрения MPC-метод проектирования систем управления явля-
  ется привлекательным, т.к. является сравнительно простым при проектировании, в том
  числе для решения сложных производственных задач. Данный метод схож с классическим
  синтезом системы управления на основе линейно-квадратичного регулятора (LQR). Ключе-
  вое различие между MPC и LQR заключается в том, что управление с прогнозированием
  решает задачу оптимизации в пределах скользящего временного горизонта, в то время как
  линейно-квадратичный метод используется для решения той же задачи фиксированное
  временное окно. В работе рассматривается способ построения системы управления для
  двухколесного мобильного робота с использованием Model Predictive Control. Приведен про-
  цесс построения математической модели механической системы робота, а также выпол-
  нена линеаризация полученной модели. Представлены основные принципы построения сис-
  темы управления на основе MPC для линейных систем без внешних возмущений, а также с
  использованием наблюдателя для оценки состояний модели при влиянии аддитивных белых
  гауссовских шумов. Рассмотрен вариант синтеза системы управления с накладываемыми
  ограничениями на входной сигнал. Также представлен способ определения положения двух-
  колесного робота в пространстве с помощью системы технического зрения, которая ос-
  нована на использовании искусственной нейронной сети. Приведена архитектура модели,
  использующаяся совместно со стереокамерой, с помощью которой реализуется построе-
  ние карты глубины изображения. В качестве архитектуры нейронной сети используется,зарекомендовавшая себя модель YOLOv3. В работе описываются модели, которые неспо-
  собны проводить обработку данных в режиме реального времени. Помимо вышеперечис-
  ленного в работе подробно описывается принцип работы модели глубокого обучения –
  YOLOv3, которая основана на нескольких блоках обработки входных данных. Представле-
  но подробное описание реализации стереокамеры в связке с моделью искусственной ней-
  ронной сети с помощью языка программирования Python и библиотек для работы с видео-
  данными и стереокамерой.

• НЕЙРОСЕТЕВОЙ АЛГОРИТМ ПОЛНОКАДРОВОГО РАСПОЗНАВАНИЯ НАДВОДНЫХ ОБЪЕКТОВ В РЕАЛЬНОМ ВРЕМЕНИ

  В. А. Тупиков, В. А. Павлова, В. А. Бондаренко, Н. Г. Холод

  2020-07-10

  Аннотация ▼

  Исследованы современные нейросетевые архитектуры для осуществления автома-тического обнаружения и распознавания надводных объектов и препятствий заданных классов по всей области изображения, применимые к выполнению в реальном или условно реальном времени для задач оптоэлектронной системы технического зрения с целью ав-томатизации и повышения безопасности гражданского судовождения. Дана формальная постановка задачи автоматического обнаружения объектов на изображениях. Проанали-зирован текущий научно-исследовательский задел в области алгоритмов детектирования объектов на изображениях, основанных на искусственных свёрточных нейронных сетях, произведено их сравнение и сделан обоснованный выбор в пользу наиболее эффективной нейросетевой архитектуры по соотношению вычислительной сложности и точности распознавания. Исследованы имеющиеся в открытом доступе базы данных образов над-водных объектов, подходящие для применения при обучении алгоритмов с использованием искусственных нейронных сетей. Сделан вывод о недостаточности имеющихся данных для обучения нейросетевых алгоритмов, в результате чего авторами выполнен самостоятель-ный сбор исследовательских изображений и видеопоследовательностей, произведена под-готовка и разметка собранных данных, содержащих надводные объекты и иные препят-ствия, представляющие навигационную опасность для судов. На основе выбранной архи-тектуры разработан новый нейросетевой алгоритм автоматического обнаружения и распознавания надводных объектов, выполняемого по всей области изображения (т.е. пол-нокадрового), выполнено обучение искусственной нейронной сети по подготовленной базе данных образов типовых объектов. Полученный алгоритм протестирован авторами на валидационном наборе данных, произведена оценка качества его работы с помощью различных метрик, а также оценена производительность алгоритма. Сделаны выводы о необходимости расширения собранной базы данных образов типовых объектов, предложены дальнейшие шаги по повышению точности разработанного программно-алгоритмического комплекса и его внедрению в состав перспективной судовой оптоэлектронной системы технического зрения.

• ПОСТРОЕНИЕ МОДЕЛИ И ОЦЕНКА ЕЕ РОБАСТНОСТИ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ДЛЯ ПОТРЕБИТЕЛЕЙ С АДДИТИВНЫМИ ПРОФИЛЯМИ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ

  Н.К. Полуянович , О. В. Качелаев , М. Н. Дубяго

  2025-01-30

  Аннотация ▼

  Рассматривается построение робастностой модели, оценка ее точности в задачах прогнози-
  рования электрической нагрузки с аддитивными профилями потребления. Проведено исследование
  влияния параметров нейросети (размер пакета данных; количество слоев нейросети; функции акти-
  вации нейронов; оптимизаторы) на погрешность прогнозирования электропотребления. Приведены
  графики сравнения профилей фактического и прогнозного потребления и отклонения прогноза для
  потребления электроэнергии выше среднего значения за рассматриваемый период. Подобраны оп-
  тимальные параметры прогностической нейросетевой модели в ручном режиме. Результат иссле-
  дования разновидностей генетических алгоритмов выявил оптимальный гибридный алгоритм обуче-
  ния нейросетевой модели основании на быстрой сходимости решения. Проведено тестирование
  созданного на языке “Python” алгоритма подбора гиперпараметров сети на данных об электропо-
  треблении с различными характерами потребления электроэнергии. Проведенное обучение и тести-
  рование генетического алгоритма подтвердило возможность получения прогнозов большей точно-
  сти и возможность автоматизации подбора оптимальных гиперпараметров. В задачах прогнозиро-
  вания электропотребления с использованием нейросетевой модели, независимо от способа создания
  структуры, подобрана оптимальная метрика. Выявлено, что для потребителей с аддитивными
  профилями потребления электроэнергии целесообразно использовать робастную функцию потерь
  Хьюбера, в то же время, для потребителей с цикличным или имеющим закономерности профиле
  потребления электроэнергии применение скользящего окна увеличивает ошибку, в отличии от адди-
  тивных потребителей. Показано, что применение генетического алгоритма значительно увеличива-
  ет точность прогнозирования благодаря индивидуальному подбору оптимальных параметров для
  конкретного потребителя. Разработана структурная схема интеллектуального устройства про-
  гнозирования режимов энергопотребления. Введена система помощи принятия решений, позволяю-
  щая реализовать планово-упреждающее управление, основываясь на данных, снимаемых со счетчика
  электроэнергии и полученных в результате работы нейросетевой модели прогнозирования. Система
  помощи принятия решений производит расчет отклонения прогнозных величин потребленной мощ-
  ности от фактических и как результат – выдает рекомендации диспетчеру распределительных
  энергосетей. На основании данных от системы помощи принятия решений оператор распредели-
  тельных энергосетей может принимать решение о заказе необходимого объема электроэнергии,
  получает возможность контролировать возможные всплески и снижения потребления электро-
  энергии у потребителя, ненормированную работу оборудования, а также дополнительно контроли-
  ровать адекватность работы нейросетевой модели

• РАЗРАБОТКА МОДЕЛИ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ RTC-SAM ДЛЯ ОПРЕДЕЛЕНИЯ ПРЕПЯТСТВИЙ НА ПУТИ МОБИЛЬНОГО РОБОТА

  В.Д. Матвеев , А. Е. Архипов , И. С. Фомин

  2025-04-27

  Аннотация ▼

  Задача определения препятствий перед мобильным роботом успешно и давно решена с примене-
  нием лазерных и ультразвуковых датчиков. Однако, препятствия, не обнаруживаемые такими видами
  датчиков, могут угрожать безопасности робота. Для их обнаружения в работе предлагается исполь-
  зовать систему технического зрения (СТЗ), информацию с которой обрабатывает нейронная сеть
  семантической сегментации, возвращающая маску препятствия на кадре и его класс. Основой для та-
  кой сети стала сеть универсальной сегментации SAM, требующая доработки для применения к задаче
  семантической сегментации. Особенность данной сети состоит в ее универсальной применимости, то
  есть возможности выделения любых объектов в произвольных условиях съемки. При этом SAM не
  предсказывает семантику объекта. В данной работе предложен дополнительный модуль, позволяю-
  щий реализовать семантическую сегментацию за счет классификации признаков выделяемых объек-
  тов. Обоснована возможность использования такого модуля для решения задачи дополнения выхода
  сети новой информацией. Результат классификации далее поступает в тот же алгоритм фильтра-
  ции, что и маски, чтобы гарантировать соответствие между полученным результатом универсаль-
  ной сети и дополняющего модуля. После интеграции модуля с моделью получена новая модель семанти-
  ческой сегментации, названная в работе RTC-SAM. С ее помощью проведена семантическая сегмента-
  ция общедоступного набора данных с изображениями открытой местности. Полученный результат в
  45 % по метрике IoU превосходит результат существующих методов на 13 %. Показанные в работе
  изображения результатов применения новой сети позволяют убедиться в ее работоспособности.
  Также описано тестирование разработанного решения с проведением исследования быстродействия
  разработанной модели на ПК и мобильном вычислителе. Алгоритм на мобильном вычислителе показы-
  вает недостаточную скорость для выхода в режим реального времени – больше 3,5 секунд на обра-
  ботку одного кадра. В связи с этим, одно из направлений дальнейших исследований в области повыше-
  ния быстродействия системы.

• ИССЛЕДОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОГО АДАПТИВНОГО АЛГОРИТМА УПРАВЛЕНИЯ НА БАЗЕ МЕТОДА ОБУЧЕНИЯ С ПОДКРЕПЛЕНИЕМ

  А. Н. Карапеев , Е.Ю. Косенко , М. Ю. Медведев , В. Х. Пшихопов

  2025-04-27

  Аннотация ▼

  Предложен и исследован алгоритм адаптивного управления двигателем постоянного тока,
  базирующийся на применении технологии машинного обучения с подкреплением. Дан обзор и крат-
  кий анализ состояния дел в области интеллектуальных систем управления приводами. Представ-
  лено математическое описание двигателя, приведена структурная схема обучения интеллекту-
  ального агента. Предложена интеллектуальная система адаптивного управления скоростью
  вращения двигателя, при построении которой двигатель представляется в виде черного ящика с
  заданными ограничениями на вход и выход. Система управления строится на базе алгоритма
  Q-обучения нулевого порядка. Предполагается, что выходом интеллектуального агента является
  управление, подаваемое на вход двигателя. Экспериментальным путем подобрано множество
  таких управлений, позволяющих реализовать заданную точность поддержания частоты враще-
  ния. В интеллектуальной системе используются приближенные табличные оценки ценности каж-
  дого из управлений в зависимости от желаемой и текущей частоты вращения двигателя. В на-
  стоящей статье проведено исследование влияния дискретности представления значений состоя-
  ния, используемого множества управляющих воздействий, применяемых вознаграждений, а так-
  же параметров алгоритма обучения на ошибку управления. Исследована чувствительность ин-
  теллектуальной системы управления к изменению параметров моделируемого двигателя и не из-
  меряемому моменту сопротивления на валу двигателя. По результатам проведенного исследова-
  ния сделан вывод о необходимости использования модифицированного алгоритма, в котором
  предполагается измерение или оценка тока статорной обмотки двигателя и использование непре-
  рывного упарвления. В данной постановке задачи алгоритм управления обеспечивает робастность
  к переменным параметрам и внешнему возмущению. Также обсуждаются вопросы аппроксимации
  функции ценности управления с помощью полиномов и с применением нейронной сети. Показана
  возможность высокой точности аппроксимации с помощью нейронной сети простой структуры

• МЕТОДИКА ИДЕНТИФИКАЦИИ ОБЪЕКТА ДЛЯ ИНТЕГРАЦИИ С РОБОТИЗИРОВАННЫМИ СИСТЕМАМИ

  Н.М. Чернышов , И. К. Романова-Большакова

  2025-04-27

  Аннотация ▼

  Целью исследования является разработка методики идентификации и определения место-
  положения объектов в условиях низкой видимости и возможного изменения их формы, с акцентом
  на извлечение деталей, созданных методом селективного лазерного спекания (SLS), из порошковой
  среды. В работе рассматриваются два принципиально разных подхода к формированию алгорит-
  мов управления роботизированным манипулятором. Первый подход, доверительный, основан на
  предположении о минимальном смещении объекта в процессе манипуляций. Манипулятор дви-
  жется по траектории, рассчитанной на основе предварительной трехмерной модели, без коррек-
  ции до момента захвата. Этот метод отличается высокой скоростью выполнения операции и
  минимальными вычислительными затратами. Однако он сопряжен с рисками: деформация объ-
  екта из-за сопротивления среды, смещение детали при контакте с инструментом, а также не-
  возможность захвата при значительных отклонениях от номинального положения. Второй под-
  ход, осторожный, предполагает поэтапное удаление слоев порошка для визуализации объекта и
  корректировки траектории до захвата. Этот метод включает несколько этапов: удаление верх-
  него слоя среды до частичного обнажения детали, анализ данных для уточнения положения объ-
  екта, а также построение адаптивной траектории с учетом возможного смещения. Отдельное
  внимание в статье уделено генерации данных для обучения нейронных сетей, которые использу-
  ются для идентификации объектов в условиях зашумленности. Рассмотрены два метода искус-
  ственного моделирования порошковых покрытий. Примитивный метод заключается в расшире-
  нии вершин трехмерной модели вдоль нормалей с добавлением случайного шума. Усовершенство-
  ванный метод предполагает дифференцированное распределение порошка с учетом локальной
  кривизны поверхности. Последующие экспериментальные результаты показали, что обучение
  нейронной сети с использованием реальных данных имеет низкую эффективность. Точность рас-
  познавания составила 60–75%, что связано с малым объемом выборки и влиянием внешних факто-
  ров, таких как освещение и помехи. В то же время использование синтетических данных, подго-
  товленных по представленной в исследовании методике, позволило повысить точность распозна-
  вания до 92%. Практическая значимость работы заключается в разработке методики поиска,
  обнаружения и определения детали, погруженной в порошок, что может быть использовано для
  автоматизации процессов постобработки на производствах, использующих селективное лазерное
  спекание. Разработанные решения адаптированы для интеграции в роботизированные системы работающие в условиях ограниченной видимости. Предложенные методы могут быть масшта-
  бированы на широкий спектр задач в аддитивном производстве и робототехнике, что делает их
  перспективными для внедрения в промышленные процессы.

• КЛАССИФИКАЦИЯ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ МУЛЬТИРОТОРНОГО ТИПА С ПРИМЕНЕНИЕМ АЛГОРИТМА YOLO11

  В.А. Деркачев

  171-180

  2025-07-24

  Аннотация ▼

  Рассматривается классификатор радиолокационных изображений беспилотных летательных аппаратов, основанный на нейронной сети, построенной на алгоритме YOLO 11 версии. Решение задачи обнаружения и классификации беспилотных летательных аппаратов стало одной из приоритетных задач в настоящее время. Увеличение числа модификаций беспилотных летательных аппаратов сильно усложняет применение статистических методов классификации, что требует применения новых подходов в решении задачи классификации. Развитие нейросетевых методов, одновременно с увеличением производительности вычислителей для обучения, с одной стороны, и встраиваемых решений, с другой, позволяет осуществлять классификацию летательных аппаратов с применением радиолокационных изображений в реальном масштабе времени. Применение алгоритма YOLO11 позволяет, помимо определения класса цели, осуществить оценку дальности до наблюдаемого объекта. Использование радиолокационных изображений оправданно в связи с тем, что визуальное наблюдение не всегда является возможным, из-за сложных погодных условий и темного времени суток. Для обучения нейронной сети предполагается использовать набор радиолокационных изображений, полученный с применением авторской модели генерации данных с произвольной конфигурацией беспилотных летательных аппаратов. Проведено обучение нейронной сети класса Detection YOLO11s (9,4 млн. параметров) на выборке радиолокационных изображений двух классов общим числом 8192. В результате обучения получена точность 0,99 для классификации на 2 классах объектов (на тестовых модельных данных). Были проведены тесты с применением натурных данных, снятых с применением радиолокационной системы миллиметрового диапазона TI IWR1642, в результате которых достигнута безошибочная классификация объектов на малой выборке.

• АЛГОРИТМ ПОДГОТОВКИ ДАННЫХ ОБУЧЕНИЯ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РАСПОЗНАВАНИЯ БУКВ И СИМВОЛОВ

  Д.А. Безуглов , М.С. Мищенко , С.Е. Мищенко

  134-144

  2025-07-24

  Аннотация ▼

  Точность распознавания текстовых изображений на практике остается ограниченной. Это связано с тем, что в алфавит символов могут входить строчные и прописные буквы со схожим начертанием, а также составные символы, образованные из нескольких более простых символов. Для решения этой проблемы систему распознавания символов дополняют системами семантического или структурного анализа, что существенно усложняет информационную систему для распознавания текста. В настоящее время для распознавания одиночных символов широко применяют сверточные нейронные сети, для обучения которых используют базу данных с изображениями распознаваемых символов. В работе предложен алгоритм, отличающийся тем, что в изображение одиночного символа для обучающей выборки включают фрагменты символов, которые могут быть расположены в строке в непосредственной близости от распознаваемого символа. Формирование изображений для обучающей выборки имитирует процесс сегментации символа по яркости, который обычно используют при выделении символа для дальнейшего распознавания. При этом оценивают размеры символа, дополняют его изображениями соседних символов, а затем оценивают размеры области, изображения, которое будет помещено в обучающую выборку. Полученное изображение масштабируют и обрезают таким образом, чтобы на вход нейронной сети поступали изображения заданного размера. В работе для распознавания алфавита символов, включающего прописные и строчные символы русского и английского алфавитов, цифры, символы и знаки препинания предложено использовать множество сверточных нейронных сетей, каждая из которых обучена распознавать один символ. Выбор символа осуществляется путем сравнения откликов всех нейронных сетей и выбора максимального отклика. Проведено сравнение предложенного алгоритма подготовки данных для обучения с известным алгоритмом, основанным на использовании изображений одиночных символов. Установлено, что предложенный алгоритм подготовки данных для обучения обеспечивает повышение точности распознавания алфавита из 138 символов более, чем в два раза.

• ИНТЕГРАЦИЯ РЕКУРРЕНТНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ПОВЫШЕНИЯ ОТКАЗОУСТОЙЧИВОСТИ МОДЕЛИ ВЛАГОПЕРЕНОСА В СИСТЕМЕ «УМНЫЙ САД»

  С.С. Обаид , В.А. Погонин , И.Б. Кирина

  284-297

  2025-10-01

  Аннотация ▼

  Представлено исследование по разработке и интеграции рекуррентной нейронной сети (RNN) для повышения точности и отказоустойчивости модели влагопереноса в системе «Умный сад». Проблема контроля влажности почвы становится особенно актуальной в современных условиях сельского хозяйства и экологического мониторинга, где требуется высокая точность для управления водными ресурсами, прогнозирования урожайности и предотвращения засушливых периодов. Традиционные методы, такие как дистанционное зондирование и модели влагопереноса, имеют существенные ограничения: низкая точность, сложность вычислений, зависимость от точных данных сенсоров и сложность применения в реальных полевых условиях. Для решения этих проблем в исследовании предлагается использование RNN, способной эффективно обрабатывать временные ряды данных и прогнозировать влажность почвы даже при наличии неполных, неточных или искажённых входных данных. В качестве исходных данных использованы глобальный датасет влажности почвы GSSM и погодные данные платформы Meteostat, что позволило учесть климатические особенности регионов с разными типами почвы. Модель включает слой долговременной краткосрочной памяти (LSTM) и полносвязный слой для финального прогнозирования. Особое внимание уделено предобработке данных, включая расчёт среднедневных, среднемесячных и среднегодовых значений, а также коррекцию данных с учётом характеристик различных типов почв. Проведённое исследование показало, что разработанная модель RNN обладает высокой устойчивостью к сбоям в работе сенсоров, минимальной зависимостью от объёма входных данных и способностью адаптироваться к разным климатическим и почвенным условиям. Предлагаемое решение позволяет улучшить точность мониторинга влажности почвы в системе «Умный сад», оптимизировать использование водных ресурсов и повысить стабильность работы системы в условиях изменяющихся внешних факторов. Таким образом, интеграция RNN открывает новые возможности для развития сельского хозяйства и экологии, обеспечивая более эффективное управление водными ресурсами и повышение производительности агросистем

• НЕЙРОСЕТЕВОЙ МЕТОД ПРЕДИКТИВНОГО УПРАВЛЕНИЯ В МИКРОСЕТЯХ С МЕХАТРОННОЙ ВЕТРО-ГЕНЕРАТОРНОЙ СИСТЕМОЙ

  Н.К. Полуянович , Н.И. Светличный , О. В. Качелаев , М.Н. Дубяго

  128-144

  2025-10-01

  Аннотация ▼

  Рассмотрено влияние различных факторов на точность прогноза генерации ветроэнергетической установкой (ВЭУ). Определен оптимальный набор входных параметров (день, месяц, время, скорость ветра, температура воздуха, атмосферное давление и расчетная вырабатываемая мощность ВЭУ) для прогнозирования, обоснованы методы их обработки. Проведено исследование влияния воздействующих факторов на точность прогнозирования генерируемой мощности ВЭУ. Построены профили входных данных для прогнозирования электрогенерации ВЭУ. Рассмотрены особенности метеорологических условий за год, определены часто встречающаяся значения скорости ветра, и др., для выбора оптимальной ВЭУ. Показано, что метеорологических условия удовлетворяют паспортным требованиям выбранной для рассматриваемого региона ВЭУ. Рассмотрены нейросетевые (НС) модели для прогнозирования генерации мощности ВЭУ, выбрана оптимальная НС, построена структура и разработан алгоритм НС для прогнозирование генерируемой мощности ВЭУ. Разработанная математическая модель генерации мощности ВЭУ направлена на повышение точности и адаптивности благодаря учету ключевых динамических факторов (скорость и изменение направления ветра, температура и плотность воздуха и др.).  Выбран комбинированный метод управления генерацией ВЭУ (MPPT + Pitch) обеспечивает баланс между эффективностью и безопасностью. На основании расчетной генерируемой мощности ВЭУ, и метеорологических условий в месте расположения нейросетевая модель показала высокую точность прогнозирования мощности ВЭУ. Показано, что выбранный тип ВЭУ сочетает в себе технологическую надежность, рентабельность и соответствие современным тенденциям ветроэнергетики. НС-модель позволяет поддерживать баланс между вырабатываемой и потребляемой электроэнергией, а, следовательно, повышает КПД, снижает паразитные потери в микросети, а также снижает износ оборудования

• РАСПОЗНАВАНИЕ ЭМОЦИОНАЛЬНЫХ СОСТОЯНИЙ В РУССКОЯЗЫЧНОЙ РЕЧИ С ИСПОЛЬЗОВАНИЕМ MFCC-ПРИЗНАКОВ И BLSTM-МОДЕЛИ ДЛЯ НАБОРА ДАННЫХ «DUSHA»

  П.Г. Букина , А.А. Меринов , С.С. Харченко , Е.Ю. Костюченко

  240-248

  2025-12-30

  Аннотация ▼

  Рассматривается задача автоматического распознавания эмоциональных состояний по речевому сигналу с использованием современных методов глубокого обучения. Актуальность исследования обусловлена растущей потребностью в интеллектуальных системах, способных оценивать эмоциональное состояние человека. Такие технологии могут найти широкое применение в медицине, психологии, информационных системах и управлении персоналом. Основной целью работы является разработка эффективной нейросетевой модели для распознавания эмоций в русскоязычной речи с точностью, превосходящей показатели современных архитектур. В качестве основы для экспериментов использован открытый русскоязычный набор данных «Dusha», содержащий 300000 аудиозаписей, из которых для обучения взято 183055 аудиозаписей подвыборки «Crowd», размеченной по четырём эмоциональным категориям: радость, грусть, злость и нейтральное состояние. Для подачи речевых сигналов в нейронную сеть были получены мел-частотные кепстральные коэффициенты (MFCC), которые демонстрируют высокую эффективность в задачах анализа и классификации речи, – 20 коэффициентов, извлеченные при использовании временного окна 20 мс и перекрытия 10 мс, с последующей нормализацией значений. Базовой архитектурой нейросетевой модели выступила двунаправленная рекуррентная сеть с долгой краткосрочной памятью (BLSTM), способная учитывать как прошлый, так и будущий контекст во временной последовательности. Для борьбы с переобучением и повышения обобщающей способности модель была модифицирована: в неё были добавлены свёрточные слои (CNN), слои MaxPooling для снижения размерности, а также механизмы Dropout и BatchNormalization. В результате предложенная гибридная CNN-BLSTM архитектура продемонстрировала точность 62,9% на тестовой выборке, что на 6,7% выше исходной модели (56,2%). Полученные результаты были сопоставлены с результатами современных архитектур, а именно MobileNetV2, HuBERT и WavLM. Анализ позволил обозначить перспективы дальнейшего повышения качества исследования за счет комплексной работы над структурой и параметрами используемой модели, а также балансировки классов и рассмотрения дополнительных акустических признаков.

• НЕЙРОСЕТЕВАЯ МЕТОДИКА ИДЕНТИФИКАЦИИ ЛИЧНОСТИ ПО РИСУНКУ ВЕН ЛАДОНИ

  В.А. Частикова , С.А. Жерлицын

  2022-11-01

  Аннотация ▼

  Описывается работа по созданию нейросетевой методики идентификации лично-
  сти, основанной на механизме сканирования и анализа рисунка вен ладони, как биометриче-
  ского параметра. В рамках проведенного исследования описаны предпосылки, цели и причи-
  ны, по которым разработка надежной системы биометрической идентификации является
  важным и актуальным направлением деятельности. Сформулирован ряд проблем, прису-
  щих существующим методам решения поставленной задачи: графовому методу и методу,
  основанному на вычислении расстояния, выраженного в различных интервальных метри-
  ках. Приведено описание принципов их работы. Сформулированы задачи, решаемые систе-
  мами идентификации личности: сопоставление субъекта идентификации с его идентифи-
  катором, однозначно идентифицирующим этого субъекта в информационной системе.
  Описан механизм считывания рисунка вен с ладони, разработанный для анализа изобра-
  жения, полученного с восприимчивой к излучению инфракрасного диапазона цифровой ка-
  меры. При нахождении в кадре ладони, подсвечиваемой светом ближнего ИК-диапазона, на
  изображении, полученном с камеры, становится заметен рисунок пролегающих под кож-
  ным покровом вен, сосудов и капилляров. В зависимости от организации, система иденти-
  фикации может на основе предоставленного идентификатора определять соответс т-
  вующий субъект доступа или проверять принадлежность того же идентификатора
  предполагаемому субъекту. Приведены 3 метода дальнейшего анализа биометрических
  данных и идентификации личности: подходы, основанные на категориальной классифи-
  кации и бинарной классификации, а также комбинированный подход, при котором сн а-
  чала используется идентификация по первому способу, а затем, по второму, но уже для
  известного идентификатора доступа, определённого на первом этапе. Приведена р е-
  зультирующая архитектура нейросети для категориальной классификации рисунка вен,
  описан способ вычисления количества параметров модели в зависимости от числа заре-
  гистрированных субъектов. Представлены основные выводы и экспериментальные зам е-
  ры точности работы системы при реализации различных методов, а также диаграммы
  изменения точности моделей во время обучения. Выявлены основные преимущества и не-
  достатки приведённых методов.