Научный архив: статьи

За последние 20 лет методы машинного обучения прошли серьезный этап своего развития и сейчас представляют собой весьма функциональный инструмент для анализа данных. В настоящее время они применяются в любой сфере деятельности человека и помогают решать разнообразные задачи - от кредитного скоринга и прогнозирования цен на товары до распознавания номерных знаков автомобилей и синтеза речи. Наиболее актуальными из них являются задачи классификации и кластеризации объектов. В статье приведен обзор и анализ современных методов, способных решать данные задачи.

Панорамная визуализация потока или теплоотдачи на поверхностных моделях является эффективным и информативным методом исследования направления в пограничном слое. Вследствие развития цифровых и технических возможностей научные исследования все более основаны на анализе больших данных с помощью искусственного интеллекта (ИИ). Насколько оправдано применение тех или иных методов ИИ в каждой конкретной задаче, пока открытый вопрос. Цель работы - обзор результатов применения нейронных сетей (НС) и машинного обучения для решения задач диагностики течений с помощью ЖК. А именно, для измерения полей температуры, тепловых потоков и векторов касательного напряжения внешнего трения. Кроме этого, актуальными задачами являются измерение физической характеристики ЖК и получение новых ЖК-смесей. Обсуждаются возможности и ограничения, области применения и перспективы нейросетевого подключения. А также программные средства для его реализации. Анализ литературных данных показал, что применение НС и глубокого машинного обучения для аппроксимации калибровочных зависимостей температуры и касательного напряжения от многофакторного оптического отклика ЖК позволяет получить точность, сравнимую с пределом контрольной выборки.

В статье рассматривается применение искусственного интеллекта (ИИ) для оптимизации распределения ресурсов и нагрузки в цепях поставок. В работе проведен анализ существующих методов, сфокусированных на задачах оптимизации, основной акцент сделан на алгоритмах искусственного интеллекта. Были описаны и проанализированы генетические алгоритмы, муравьиные алгоритмы и алгоритмы имитации отжига. Результаты анализа показали, что генетические алгоритмы обладают способностью находить глобальные оптимальные решения, однако их использование требует больших вычислительных ресурсов и времени. Муравьиные алгоритмы, в свою очередь, эффективно решают задачу нахождения локальных оптимумов, при этом обладая низкой вычислительной сложностью. Алгоритмы имитации отжига позволяют быстро находить решения, однако они сопровождаются вероятностью попадания в локальные минимумы. Данная статья показывает, насколько применение алгоритмов искусственного интеллекта позволяет улучшить решение задач оптимизации в цепях поставок.

Данная статья посвящена проблеме оптимизации управления складскими операциями с использованием системы поддержки принятия решений на основе искусственного интеллекта. Складские операции являются важной составляющей логистической цепи снабжения, и эффективное управление ими может привести к значительному повышению производительности и снижению издержек. В работе представлен анализ, в рамках которого рассматривается применение искусственного интеллекта для оптимизации процессов управления складскими операциями. Предложено использовать систему поддержки принятия решений, основанную на методах искусственного интеллекта, таких как машинное обучение, алгоритмы оптимизации и экспертные системы.

Рассматриваются возможности применения искусственных нейронных сетей при обработке радиолокационных данных. Выполняется обоснование возможности применения нейронной сети для измерения углового положения летательного аппарата моноимпульсным способом. Предлагается алгоритм, основанный на совместном использовании стандартного моноимпульсного способа измерения угла и нейронной сети. Проводится анализ эффективности предлагаемого алгоритма при разных значениях отношения «сигнал/шум».

Постановка проблемы. Современные системы умных парковок в большинстве случаев ориентированы исключительно на сбор и анализ данных о занятости парковочных мест, в то время как взаимодействие с конечным пользователем реализовано недостаточно эффективно. Отсутствие понимания понятных инструментов для водителей ограничивает практическую ценность таких систем. Цель исследования - повышение удобства и эффективности работы пользователей с помощью системы умной парковки для разработки решений по стоимости решений и технологических решений. Методы. Предложенная система разработана с использованием микросервисной схемы и сетевых компонентов интернет-вещей, включая камеры видеонаблюдения, датчики движения, а также сверхточные нейронные сети для срабатывания государственных регистрационных знаков транспортных средств. Обработка данных осуществляется в центральном направлении с последующими результатами для пользователя через удобный интерфейс. Новизна. В отличие от существующих решений акцент сделан на разработке с конечным пользователем. Применение нейросетевых технологий в соединении с Интернетом в рамках микросервисной структуры позволяет собирать данные, их интеллектуальную обработку и представление в единой адаптивной системе устройства. Результаты. Разработанная система обеспечивает мониторинг и анализ данных о доступности парковочных мест, а также предоставляет адаптированный интерфейс с актуальной информацией о местах хранения. Реализация микросервисного резерва позволит достичь гибкости, масштабируемости и устойчивости системы при увеличении нагрузки. Интеграция нейронных сетей повышает точность отслеживания номеров, что, в свою очередь, обеспечивает гарантию качества работы всей парковочной рабочей силы. Практическая изобретательность. Разработанная система может быть использована при проектировании и модернизации городской парковочной адаптации, а также адаптирована для работы в умных транспортных системах. Полученные результаты могут быть полезны муниципальным службам и частным операторам парковочных комплексов.

Актуальность. В последние десятилетия метаэвристические методы оптимизации стали популярными для решения сложных задач, требующих поиска глобальных экстремумов. Алгоритмы, такие как генетический алгоритм (GA), оптимизация колоний муравьев (ACO), оптимизация роя частиц (PSO), а также более современные подходы, как алгоритм кошачьей стаи (CSO) и оптимизация стаи серых волков (GWO), демонстрируют высокую эффективность, но их применение зачастую ограничивается условиями непрерывности и дифференцируемости целевых функций. Это представляет собой вызов при решении задач с дискретными данными, где такие требования не соблюдаются. В данном контексте особую актуальность приобретает поиск методов, позволяющих адаптировать метаэвристические алгоритмы для работы с дискретными функциями.

Цель исследования направлена на проверку гипотезы о возможности использования нейронной сети, обученной на ограниченном наборе дискретных данных, в качестве аппроксимации функции, достаточной для корректного выполнения алгоритма GWO при поиске глобального минимума.

Методы. Исследование основано на анализе существующих подходов и экспериментальной проверке гипотезы на двух тестовых функциях: линейной функции и функции Бута, которые широко применяются в качестве стандартов для оценки производительности алгоритмов оптимизации. Для получения результатов проведены численные эксперименты с использованием нейронных сетей в качестве аппроксимирующей модели.

Решение. В ходе экспериментов проведен анализ применимости нейронных сетей для аппроксимации дискретных функций, показавший успешность данного подхода. Было установлено, что нейронные сети могут с высокой точностью аппроксимировать дискретные функции, создавая условия для успешного поиска глобального минимума с использованием алгоритма GWO.

Новизна. Впервые предложена и проверена гипотеза о применении нейронных сетей для аппроксимации целевых функций в задачах метаэвристической оптимизации на дискретных данных. Это направление ранее не получило должного освещения в научной литературе, что придает ценность полученным результатам и подтверждает эффективность предложенного подхода.

Значимость. Результаты исследования открывают новые перспективы для применения алгоритмов, таких как GWO, в задачах оптимизации, основанных на дискретных данных, расширяя возможности метаэвристических методов и способствуя их внедрению в более широкий класс прикладных задач, включая задачи, где применение других методов ограничено.

Рассматривается задача уменьшения размерности исходных массивов данных для улучшения эффективности обработки трафика мобильных приложений. Актуальность исследования обусловлена необходимостью оптимизации объемов передаваемых и хранимых данных при работе в условиях ограниченных вычислительных ресурсов, а также повышения скорости и качества аналитических операций. Для решения поставленной задачи применяются многослойные автокодировщики, способные формировать компактные представления исходных данных с минимальными потерями в их информативности. Подход базируется на идее обучения нейросетевых моделей, извлекающих наиболее существенные признаки из исходных массивов и способных восстанавливать их с заданным уровнем точности.

Используемые методы. В ходе экспериментов применялись различные архитектуры многослойных автокодировщиков, отличающиеся количеством слоев и размерностями скрытых представлений. Исследования проводились на реальных наборах данных, собранных из мобильных приложений широкого спектра функционала. Анализ осуществлялся путем варьирования внутренних параметров сетей и оценки результатов через интегральный статистический показатель, отражающий степень сжатия. Данный показатель позволяет выявить, насколько сильно изменяется разброс атрибутов при пропускании данных через автокодировщик.

Результаты. Для оценки фильтрующих свойств многослойных автокодировщиков предложен интегральный показатель сжатия, характеризующий изменение разброса атрибутов мобильных приложений при пропускании их через автокодировщик заданной структуры. Показатель рассчитывается как отношение среднеквадратического отклонения атрибутов на входе и на выходе, что позволяет оценить степень сжатия данных и степень сохранности информации после обработки. Показано, что увеличение интегрального показателя сжатия свидетельствует о более значительном сжатии исходных данных. Установлено, что фильтрация практически не зависит от типа приложения и лежит в пределах 10-20 % для автокодировщиков с тремя слоями, тогда как для пятислойных автокодировщиков предпочтение отдается кодировщикам с минимальной размерностью внутреннего слоя.

Основная новизна работы заключается в разработке интегрального статистического показателя, который не только отражает степень сжатия данных мобильных приложений, но и учитывает сохранность исходной информационной структуры. В отличие от существующих подходов, данный показатель позволяет проводить систематическое сравнение различных архитектур автокодировщиков с учетом не только уменьшения размерности, но и качества восстановления исходной информации. Это создает основу для более объективной оценки эффективности многослойных автокодировщиков в конкретных прикладных условиях.

Практическая значимость. Предложенная методология может быть полезна разработчикам и исследователям, работающим над оптимизацией систем сбора, хранения и обработки данных мобильных приложений. В условиях ограниченных вычислительных ресурсов, характерных для мобильных устройств и встроенных систем, использование многослойных автокодировщиков, настроенных на достижение заданного баланса между сжатием и сохранением информации, обеспечивает существенное сокращение объема передаваемых данных. Результаты исследования могут быть внедрены в существующие аналитические платформы, системы мониторинга и классификации мобильных приложений.

Представлено описание возможностей применения ChatGPT в образовательном процессе вуза. Показаны достоинства, недостатки и перспективы использования нейронной сети в педагогической практике. Приведен пример практического применения ChatGPT в обучении студентов программированию. Определены компетенции, которые помогает формировать нейросеть у студентов: креативность, когнитивная активность, навыки коммуникации, критическое отношение к информации.

В статье представлен обзор применения подхода нейросетевого обучения для задач моделирования фазового состояния углеводородных систем. Определение состояния углеводородной системы в присутствии или отсутствии неуглеводородных компонентов в пластовых условиях необходимо при выполнении гидродинамических расчетов на многофазных моделях. Такие расчеты востребованы как при решении задач прогнозирования, так и адаптации моделей месторождений к фактическим данным разработки. Показано, что при настройке моделей на фактические данные точность воспроизведения лабораторных экспериментов в ряде случаев выше, чем при использовании уравнений состояния. Но в некоторых случаях применение нейронных сетей оказывается бесполезным. Для относительно «простых» флюидальных систем рост сложности использованного инструмента не дает прироста точности по сравнению с простыми регрессионными моделями. Другой проблемой является отсутствие рабочего инструмента, который позволил бы заменить в полной мере использование уравнений состояния для оценки состояния флюидальной модели при выполнении гидродинамических расчетов.

Интерес к инновационным технологическим стратегиям и современным цифровым инструментам обработки информации значительно возрос в связи с необходимостью управления большими массивами неструктурированных данных. Автоматизированная суммаризация - важный инструмент в различных областях, требующих эффективного анализа и обработки больших объемов текстовой информации. В статье представлен обзор актуальных парадигм и сервисов автоматизированной суммаризации на основе междисциплинарных исследований в области лингвистики, компьютерных технологий и искусственного интеллекта. Особое внимание уделено синтаксическим и лексическим приемам, используемым нейросетевыми моделями для сжатия текста. В качестве примера рассмотрены сервисы QuillBot, Summate. it, WordTune, SciSummary, Scholarcy и OpenAI ChatGPT. Выявлено, что современные модели автоматизированной суммаризации успешно применяют экстрактивные и абстрактивные методы для создания резюме разного качества и объема. Экстрактивный подход основан на выделении наиболее значимых предложений в исходном тексте. Абстрактивные алгоритмы создают новые формулировки, сохраняя основную мысль оригинального текста. Автоматизированные суммаризаторы эффективно используют приемы сжатия текста (устранение избыточной информации, упрощение сложных конструкций и обобщение данных), присущие человеку в процессе обработки текстовой информации. Эти технологии обеспечивают высокую точность и связность генерируемых резюме, хотя каждая модель имеет свои ограничения. Для достижения оптимальных результатов важно учитывать специфику задачи и выбирать подходящую модель суммаризации: экстрактивную - для краткости и точности; абстрактивную - для более глубокой смысловой обработки текстовых данных.

Статья посвящена формированию системы расчета пожарных рисков при эксплуатации электроустановок в аграрно-промышленном комплексе региона. Для расчета используются экспертные системы и нейронные сети. На основе разработанной системы можно осуществлять расчет текущего пожарного риска эксплуатации электроустановки и с помощью имитационного моделированию определить какие профилактические мероприятия принесут наибольший эффект по уменьшению этого риска.