Найти

Результаты поиска

• МОДЕЛИ МАШИННОГО ОБУЧЕНИЯ И ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ЭЛЕКТРОННОЙ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ В МОБИЛЬНЫХ СЕТЯХ

  Ауси Рим Мохаммед Худхейр, Е. В. Заргарян , Ю. А. Заргарян

  2022-08-09

  Аннотация ▼

  Недавние достижения в технологиях беспроводной связи привели к созданию огром-
  ного количества данных, которые передаются повсеместно. Большая часть такой инфор-
  мации является частью обширной и общедоступной сети, которая соединяет различные
  стационарные и мобильные устройства по всему миру. Возможности электронных уст-
  ройств также увеличиваются день ото дня, что приводит к большему объему генерации
  данных и обмена информацией через сети. Аналогичным образом, с ростом разнообразия и
  сложности структур мобильных сетей увеличилась частота возникновения нарушений
  безопасности в ней. Это препятствует внедрению интеллектуальных мобильных прило-
  жений и услуг, о чем свидетельствует большое разнообразие платформ, которые предос-
  тавляют услуги хранения данных, вычислений с данными и приложений конечным пользо-
  вателям. В таких сценариях становится необходимым защитить данные и проверить их
  использование в сети и приложениях, а также проверить их некорректное использование с
  целью защиты частной информации. Согласно данному исследованию, модель безопасно-
  сти на основе искусственного интеллекта должна обеспечивать конфиденциальность,
  целостность и надежность системы, ее оборудования и протоколов, управляющих сетью,
  независимо от ее создания, чтобы управлять такой сложной сетью, как мобильная. От-
  крытые трудности, с которыми все еще сталкиваются мобильные сети, такие как не-
  санкционированное сканирование сети, мошеннические ссылки и т.д., были тщательно
  изучены в данной статье. Также в данном материале обсуждаются несколько технологий
  машинного и глубокого обучения, которые можно использовать для создания безопасной
  среды, а также многие угрозы кибербезопасности. Необходимо обратиться к необходимо-
  сти разработки новых подходов для обеспечения высокого уровня безопасности электрон-
  ных данных в мобильных сетях, поскольку возможности повышения безопасности мобиль-
  ных сетей безграничны.

• МЕТОДЫ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ОБРАБОТКИ ТЕКСТОВ НА ЕСТЕСТВЕННОМ ЯЗЫКЕ

  В. В. Курейчик , С. И. Родзин , В.В. Бова

  2022-05-26

  Аннотация ▼

  Представлен анализ подходов, основанных на глубоком обучении (DL), к задачам об-
  работки естественного языка (NLP). Исследование охватывает различные задачи NLP,
  реализованные с помощью искусственных нейронных сетей (ANNs), сверточных нейронных
  сетей (CNNs) и рекуррентных нейронных сетей (RNNs). Эти архитектуры позволяют ре-
  шать широкий спектр задач обработки естественного языка, ранее не поддававшихся
  эффективному решению: моделирование предложений, маркировка семантической роли,
  распознавание именованных сущностей, ответы на вопросы, категоризация текста, ма-
  шинный перевод. Наряду с преимуществами использования CNN для решения задач NLP
  имеются проблемы, связанные с большим числом варьируемых параметров сети и выбором
  ее архитектуры. Мы предлагаем для оптимизации архитектур сверточных нейронных
  сетей эволюционный алгоритм. Алгоритм инициализирует случайную популяцию из малого
  числа агентов (не более 5) и с помощью фитнесс функции получает оценки каждого агента
  в популяции. Затем проводится турнирная селекция между всеми агентами и применяется
  оператор кроссинговера между выбранными агентами. Алгоритм обладает таким пре-
  имуществом как малый размер популяции сетей, он использует несколько типов слоев
  CNN: сверточный слой, максимальный слой пулинга (субдискретизации), средний слой пу-
  линга и полносвязный слой. Алгоритм тестировался на локальном компьютере с графиче-
  ским процессором ASUS Cerberus GeForce ® GTX 1050 Ti OC Edition 4 ГБ GDDR5, 8 ГБ
  оперативной памяти и процессором Intel(R) Core(TM) i5-4670. Результаты экспериментов
  показали, что предлагаемый нейроэволюционный подход способен достаточно быстро
  найти оптимизированную архитектуру CNN для заданного набора данных с приемлемым
  значением точности. Для завершения выполнения алгоритма потребовалось около 1 часа.
  Для создания и обучения CNN был использован популярный фреймворк TensorFlow.
  Для оценки алгоритма использовались общедоступные наборы данных: MNIST и MNIST-RB.
  Наборы содержали черно-белые изображения рукописных букв и цифр с 50000 обучающими
  образцами и 10000 тестовыми образцами.

• 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.

• ГИБРИДНЫЙ ПОДХОД К БЕЗОПАСНОСТИ ШАБЛОНОВ БИОМЕТРИЧЕСКИХ ДАННЫХ ВЕН ПАЛЬЦА НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ

  Шендре Шивам , Шубханги Сапкал

  2020-10-11

  Аннотация ▼

  Мы живем в современном обществе, где у нас достаточно много ресурсов и вычис-
  лительной мощности, единственной проблемой остается общественная безопасность.
  С развитием технологий личная информация становится все более не защищенной. По-
  этому идентификация личности является актуальной проблемой. Существующие тради-
  ционные методы защиты личной информации оказались не надежными. Защита биомет-
  рических параметров является одной из наиболее важных проблем при обеспечении безо-
  пасности современной биометрической системы. Имеющиеся алгоритмы не дают адек-
  ватного решения этой проблемы. Поэтому мы попытались предложить метод, который
  будет более актуальным. В этой статье обсуждается гибридный метод биометрического
  распознавания вен на пальцах, основанный на методе глубокого обучения с использованием
  схем двоичной диаграммы принятия решений и нечетких обязательств. Предложенный
  гибридный метод состоит из четырех частей, а именно: извлечение признаков вены паль-
  ца, генерация защищенного шаблона, схема нечеткой фиксации, распознавание и принятие
  решения о структуре вен на пальце. Таким образом, имеются четыре модуля, при этом
  каждый модуль работает эффективно и дает точные результаты по всем базам данных.

• ПРОГНОЗИРОВАНИЕ ОСТАТОЧНОГО СРОКА ПОЛЕЗНОГО ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ МЕТОДОМ ГЛУБОКОГО ОБУЧЕНИЯ LSTM

  Ю.А. Кораблев

  277-288

  2025-11-10

  Аннотация ▼

  Актуальность данного исследования обусловлена повсеместным внедрением предиктивных систем технического обслуживания. В современных промышленных условиях особую важность приобретает точное прогнозирование остаточного срока службы (RUL) критического оборудования. Однако традиционные методы анализа данных демонстрируют существенные ограничения при работе с многомерными нестационарными временными рядами, характеризующимися высокой степенью зашумленности и сложными нелинейными зависимостями. Это приводит к значительным погрешностям в прогнозах, неоптимальному планированию ремонтных работ и возрастанию рисков внезапных отказов, способных вызвать серьезные экономические потери и нарушения производственных процессов. Цель работы заключалась в разработке усовершенствованной модели прогнозирования RUL на основе глубоких рекуррентных нейронных сетей. Для достижения поставленной цели последовательно решались следующие задачи: проведение детального анализа и многоэтапной предобработки данных многомерного мониторинга; проектирование специализированной двухслойной LSTM-архитектуры с интегрированными механизмами регуляризации. Методы и подходы включали применение оригинальной методики, сочетающей каскадную организацию LSTM-слоев с нормализацией и dropout-регуляризацией. Обучение модели осуществлялось на наборе данных NASA Turbofan Engine Degradation Simulation с задействованием современного оптимизатора Adam и стратегии ранней остановки для предотвращения переобучения. Особое внимание уделялось разработке специализированных алгоритмов предобработки, позволяющих эффективно работать с зашумленными временными последовательностями и сохранять долгосрочные зависимости в данных. Основные результаты проведенных экспериментов демонстрируют высокую точность прогноза. Детальный визуальный анализ временных рядов подтвердил точное соответствие прогнозных значений реальной траектории износа механических компонентов. Выводы исследования свидетельствуют о высокой практической эффективности разработанной модели для решения актуальных задач промышленной прогностики. Установлена возможность успешной интеграции модели в современные системы предиктивного обслуживания технологического оборудования. Практическая значимость работы заключается в потенциале существенной оптимизации затрат на техническое обслуживание и минимизации рисков критических отказов. Перспективы дальнейших исследований связаны с развитием гибридных архитектур, интеграцией механизмов внимания и адаптацией модели для различных типов промышленного оборудования

• ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ КОМПЬЮТЕРНОГО ЗРЕНИЯ В СИСТЕМАХ ОБРАБОТКИ ВИЗУАЛЬНОЙ ИНФОРМАЦИИ

  О.Б. Лебедев , Р.И. Черкасов

  254-276

  2025-11-10

  Аннотация ▼

  Рассмотрено применение технологий искусственного интеллекта, в частности компьютерного зрения в системах обработки визуальной информации. Проведен комплексный анализ нейросетевых подходов к решению задач компьютерного зрения, включая систематизацию ключевых типов задач: классификацию изображений, детектирование объектов и семантическую сегментацию. Детально исследованы архитектурные принципы сверточных нейронных сетей с акцентом на механизмы извлечения пространственных признаков через сверточные слои, оптимизацию представления данных посредством операций пулинга и преобразование признаков в полносвязных слоях. Особое внимание уделено эволюции методов обнаружения объектов, где задача выбора модели рассмотрена как расширение классификации за счет интеграции регрессии пространственных координат, а также проведена оценка эффективности детекторов на основе метрик IoU, Precision, Recall и F1-score, демонстрирующих фундаментальный компромисс между точностью локализации и скоростью обработки. В качестве оптимального решения для систем реального времени представлен алгоритм YOLOv7, архитектура которого основана на разбиении входного изображения на сетку S×S ячеек с прямым предсказанием параметров ограничивающих рамок (координаты центра, ширина, высота) и вероятностей классов для каждой ячейки, а также использовании специализированных слоёв (SPP, PANet) для мультимасштабной агрегации признаков. Структура нейронной сети подтверждает эффективность используемого подхода, обеспечивающего высокое быстродействие без критического снижения точности в стратегически важных приложениях видеонаблюдения, автономных систем и дополненной реальности. Проведено сравнительное исследование одноэтапных и двухэтапных детекторов с оценкой их производительности по ключевым метрикам. Особое внимание уделено практическим аспектам применения технологий компьютерного зрения в реальных системах обработки визуальной информации

• ИНТЕЛЛЕКТУАЛЬНОЕ УПРАВЛЕНИЕ РОБОТОТЕХНИЧЕСКИМИ СРЕДСТВАМИ В ЗАДАЧЕ СЕГМЕНТАЦИИ НОР ГРЫЗУНОВ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКИХ СВЕРТОЧНЫХ АРХИТЕКТУР

  М.А. Астапова

  19-30

  2025-04-27

  Аннотация ▼

  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.

• 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

• РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР, РАСТЕНИЙ И ЛЕСНЫХ МАССИВОВ

  И. Б. Аббасов , Ратнадип Р. Дешмух

  2020-10-11

  Аннотация ▼

  Представлен обзор некоторых исследований по проблеме распознавания изображе-
  ний сельскохозяйственных культур, растений и лесных массивов. В этих системах распо-
  знавания изображений используются различные методы предварительной обработки,
  компьютерного зрения, глубокого обучения. В последнее время увеличиваются системы
  распознавания на основе мобильных устройств, что повышает их доступность и широкое
  распространение. Рассмотрены статьи по распознаванию, классификации плодов и фрук-
  тов в садах, создание банка данных этих аграрных продуктов (яблоки, груши, киви) для
  оценки созревания и урожайности. Описаны работы посвященные автоматизации сбора
  урожая зерновых культур на примере работы уборочного комбайна с применением машин-
  ного зрения. Растениеводство играет важную роль при обеспечении кормов для животно-
  водства, анализированы статьи по распознаванию сельскохозяйственных растений на
  основе изображений листьев. Также по состоянию листьев картофельных кустов можно
  определить их болезни, оценить состояние почвы. Приведены работы по разработке мо-
  бильных систем контроля и распознавания процесса выращивания грибов на основе техно-
  логии «зеленый дом» для фермерских хозяйств. С помощью дистанционной диагностики
  можно анализировать и контролировать состояние поверхности суши и морей. Для дис-
  танционного экологического мониторинга ландшафта земной поверхности описаны рабо-
  ты по распознаванию, классификации лесных массивов, водных ресурсов с применением
  гиперспектрального анализа спутниковых изображений.