В данной обзорной статье представлен анализ основных направлений исследований по теме классификация объектов на изображении методами компьютерного зрения. Методы компьютерного зрения позволяют автоматизировать процесс выделения семантического смысла из изображений. Под классификацией объектов на изображении понимается локализация объектов, интересующих исследователя, и соотнесение их с определенным классом. Актуальность данной темы закреплена в государственной программе: национальная стратегия развития искусственного интеллекта на период до 2030 года. Так же в статье приведена статистика публикационной активности научных авторов по теме «компьютерное зрение», которая показывает актуальность данного направления. Работа имеет следующую структуру: во введении статьи приведены различные статистики, отражающие актуальность темы. Далее приведен обзор научных исследований посвященных решению прикладных аспектов задачи классификации объектов на изображении в различных областях человеческой деятельности. Основной упор сделан на следующие прикладные области: медицина, промышленность, безопасность, транспорт и военное дело. Далее приведен анализ методов, которые используются для решения задачи классификации объектов на изображении. Автор выделяет две группы методов: классические и нейросетевые методы. Под классическими алгоритмами и методами понимается подход к решению задачи классификации объектов на изображении, в котором не используются искусственные нейронные сети. Выводы. Тема исследования на сегодня является актуальной, что подтверждено статистикой и государственными программами. Для классических методов выявлены следующие недостатки: для каждой новой прикладной задачи требуется построение алгоритма ее решения, трудоемкость выделения значимых признаков и неустойчивость при работе с определенными видами данных. Для нейросетевых методов основным недостатком является зависимость конечной модели от качества набора данных, на котором она обучается.
Предпросмотр статьи
Идентификаторы и классификаторы
- SCI
- Информатика
Существует множество различных определений термина «искусственная нейронная сеть (ИНС)». Одним из первых определений ИНС дали Уоррен Маккуллох и Уолтер Питтс в 1943 году. Например, распространённым определением является следующе: ИНС — это компьютерная модель, которая имитирует работу биологических нейронных сетей и используется для обработки информации и решения задач на уровне сопоставимым с человеческим интеллектом.
Список литературы
1. Rai S. [et al.] A hybrid approach to brain tumor detection from MRI images using computer vision // Journal of innovation in computer science and engineering. - 2019. - V. 8, No 2. -P. 8-12.
2. Long L. [et al]. MRI-based traditional radiomics and computer-vision nomogram for predicting lymphovascular space invasion in endometrial carcinoma // Diagnostic and Interventional Imaging. - 2021. - V. 102, No 7-8. - P. 455462. DOI: 10.3390/sym14101997 EDN: AYZVBB
3. Chandrasekaran A. C. [et al.] Computer vision applied to dual-energy computed tomography images for precise calcinosis cutis quantification in patients with systemic sclerosis // Arthritis Research & Therapy. - 2021. - V. 23, No 1. - P. 1-9. DOI: 10.1186/s13075-020-02392-9 EDN: ENWQTO
4. Haq I. [et al.] Machine Vision Approach for Diagnosing Tuberculosis (TB) Based on Computerized Tomography (CT) Scan Images // Symmetry. - 2022. - V. 14, No 10. - P. 1997. DOI: 10.3390/sym14101997 EDN: SAOLEC
5. Танаева Е. Г. Методы и алгоритмы морфологической оценки диагностически значимых объектов на изображениях глазного дна: автореф.. дис. канд. техн. наук. - Йошкар-Ола: ПГТУ, 2020. - 19 с.
6. Широканев А. С. Компьютерная система обработки и анализа данных глазного дна для поддержки лазерной коагуляции при лечении диабетической ретинопатии: автореф. дис. канд. техн. наук. - СПб.: 2021. - 20 с. EDN: GKACMN
7. Continuous Hybrid BCI Control for Robotic Arm Using Noninvasive Electroencephalogram, Computer Vision, and Eye Tracking / Baoguo Xu [and ot.] // From Brain Science to Artificial Intelligence. - 2022. - 10(4), 618;. DOI: 10.3390/math10040618
8. Multi-modal emotion analysis from facial expressions and electroencephalogram / Xiaohua Huang [et al.] // Computer Vision and Image Understanding. - 2016. - V. 147. - P. 114-124. DOI: 10.1016/j.cviu.2015.09.015
9. Computer-aided diagnosis system for breast ultrasound images using deep learning / Hiroki Tanaka [et al]. - 2019. - Phys. Med. Biol. 64 235013. DOI: 10.1088/1361-6560/ab5093
10. Cheng P. M., Malhi H. S. Transfer Learning with Convolutional Neural Networks for Classification of Abdominal Ultrasound Images // J Digit Imaging. 2017. - 30. P. 234-243. DOI: 10.1007/s10278-016-9929-2 EDN: HPTBCM
11. Шеломенцева И. Г. Модели и алгоритмы сегментации и распознавания объектов на медицинских изображениях световой микроскопии низкого пространственного разрешения: автореф. дис. канд. техн. наук. -Красноярск: 2022. - 20 с. EDN: WWXMFN
12. Карпов А. А. Многомодальные интерфейсы для взаимодействия человека с компьютерами и роботами / А. А. Карпов, А. Л. Ронжин // Актуальные проблемы психологии труда, инженерной психологии и эргономики. Выпуск 7 / Под ред. А. А. Обознова, А. Л. Журавлева. - М.: Изд-во “Институт психологии РАН”, 2015. - 520 с. (Труды Института психологии РАН). С. 441 - 460.
13. Спиркин А. Н. Бионические методы управления роботизированным механизмом / А. Н. Спиркин // Измерение. Мониторинг. Управление. Контроль. - 2020. - № 4 (34). - С. 84-90. DOI: 10.21685/2307-5538-20204-10 EDN: BFQMCY
14. Сотников П. И. Разработка методов и алгоритмов для классификации многомерных временных рядов в интерфейсе мозг-компьютер: автореф. дис. к.т.н. - М.: 2020. - 18 с.
15. Zixiang Fei. Deep convolution network based emotion analysis towards mental health care / Zixiang Fei [et al.] // Neurocomputing. - 2020. - V. 388. - P. 212-227. DOI: 10.1016/j.neucom.2020.01.034 EDN: TRKJUH
16. Sulistiani H. [et al.] J. Phys.: Conf. Ser. 1751 012040. - 2021. DOI: 10.1088/17426596/1751/1/012040
17. Ghazal Bargshady. Enhanced deep learning algorithm development to detect pain intensity from facial expression images / Ghazal Bargshady [et al.] // Expert Systems with Applications. - 2020. - V. 149. DOI: 10.1016/j.eswa.2020.113305
18. Ngoc Anh B., Tung Son N., Truong Lam P., Phuong Chi L., Huu Tuan N., Cong Dat N., Huu Trung N., Umar Aftab M., Van Dinh T. A Comput er-Vision Based Application for Student Behavior Monitoring in Classroom. Applied Sciences. -2019. - 9(22). - 4729. DOI: 10.3390/app9224729
19. Bouhlal M. [et al.] Emotions recognition as innovative tool for improving students’ performance and learning approaches // Procedia Computer Science. - 2020. - V. 175. - P. 597-602. DOI: 10.1016/j.procs.2020.07.086 EDN: UMSCUE
20. Усилин С. А. Алгоритмическое развитие Виола-Джонсовских детекторов для решения прикладных задач распознавания изображений: автореф. дис. к.т.н. - М.: 2017. -22 с. EDN: USDPLV
21. Ньян Вин Хтет Информационная система контроля качества производства многослойных тканых материалов на основе обработки их изображений: автореф.. дис. канд. техн. наук. - Москва: “МИЭТ”, 2020. -28 с.
22. Кофнов О. В. Модель и алгоритмы обработки цифровых изображений для оценивания геометрических параметров материалов с периодической структурой: автореф. дис. канд. техн. наук. - СПб.: “СПбГУПТД”, 2016. - 18 с. EDN: ZPYDEX
23. Малышева А. В. Модели и алгоритмы поддержки принятия решений при управлении процессом флотации калийной руды: автореф.. дис. канд. техн. наук. - Нижний Новгород: 2020. - 24 с. EDN: SBBWJS
24. Остапов Д. С. Идентификация с детальной оценкой состояния объектов и их массового количества системами компьютерного зрения: автореф. дис. канд. техн. наук. - Краснодар: “КубГТУ”, 2018. - 24 с.
25. Посохов И. А. Метод и алгоритмы обработки изображений серных отпечатков в системе оценки качества непрерывнолитой заготовки: автореф. дис. канд. техн. наук. -Череповец: 2017. - 20 с. EDN: WNIPZI
26. Донских А. О. Модели и алгоритмы обработки информации в системах экспресс-анализа и классификации неоднородного потока объектов с использованием спектральных измерений: автореф. дис. канд. техн. наук. - Воронеж: “ВГУ”, 2020. - 21 с.
27. Шкаберина Г. Ш. Модели и алгоритмы автоматической классификации продукции: автореф. дис. канд. техн. наук. - Красноярск: 2020. - 21 с.
28. Терехин А. В. Алгоритмы определения безразмерных признаков изображений проекций трехмерных объектов и их распознавание: автореф. дис. канд. техн. наук. -: “Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых”, 2015. - 20 с. EDN: ZPWHHN
29. Астафьев А. В. Методы и алгоритмы локализации изображений маркировки промышленных изделий на основе рекуррентного поиска усредненного максимума: автореф. дис. канд. техн. наук. - “Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых”, 2015. - 20 с. EDN: ZPVKVR
30. Ильина Е. С. Разработка способа маркировки объектов и алгоритма ее распознавания в условиях существенных искажений: автореф. дис. канд. техн. наук. - СПб.: “ИТМО”, 2018. - 28 с. EDN: ZFLEEC
31. Мохаммед Мамдух Мохаммед Гомаа Алгоритмы обнаружения лица на основе анализа и обработки изображений: автореф. дис. канд. техн. наук. - Белгород: 2017. - 20 с.
32. Хуршудов А. А. Разработка системы распознавания визуальных образов в потоке данных: автореф. дис. канд. техн. наук. -Краснодар: “КубТГУ”, 2015. - 24 с. EDN: ZPSZTR
33. Вай Ян Мин Исследование и разработка алгоритмов распознавания лиц для автоматизированных контрольно-пропускных пунктов: автореф. дис. канд. техн. наук. -Москва: “МИЭТ”, 2021. - 22 с.
34. Жиганов С. В. Вычислительный метод и алгоритмы нейро-нечеткого распознавания людей, транспортных средств и ситуаций на основе видеонаблюдения: автореф. дис. канд. техн. наук. - Комсомольск-на-Амуре: “КнАГУ”, 2019. - 19 с. EDN: SDKBEF
35. Друки А. А. Алгоритмы нейросетевого детектирования и распознавания символов на сложном фоне: автореф. дис. к.т.н. - Томск: 2015. - 23 с.
36. Колосовский М. А. Модельно-алгоритмическое обеспечение интеллектуальной системы видеонаблюдения за нерегулируемы ми пешеходными переходами: автореф. дис. к.т.н. - Новосибирск: 2015. - 22 с. EDN: ZPTIQL
37. Программа поддержки принятия решений для идентификации транспорта на пропускном пункте по государственному номерному знаку: Свидетельство о регистрации программы для ЭВМ RU 2023683647, 09.11.2023. Заявка от 14.07.2023 / Костюке-вич Т. А., Либерман А. И.
38. Абрамов М. В. Автоматическое распознавание автомобильных номеров в видеоряде: адаптация алгоритмов для смартфона / М. В. Абрамов, Д. А. Ельцов // Вестник ВГУ. Серия: Системный анализ и информационные технологии. - 2023. - № 3. С. 95-106. DOI: 10.17308/sait/1995-5499/2023/3/95-106 EDN: BGYZKT
39. Захаркин Г. Ф. Разработка специального математического и программного обеспечения для систем охранной сигнализации с винтовым магнитометрическим преобразователем: автореф. дис. к.т.н. - Екатеринбург: 2021. - 22 с. EDN: MDJGCG
40. Черкасова В. А. Защита от террористических угроз на железнодорожном транспорте / В. А. Черкасова, Л. Р. Дюднева, А. С. Петрова // Научно-техническое и экономическое сотрудничество стран АТР в XXI веке. - 2016. - Т. 1. - С. 218-221. EDN: WFQNZX
41. Perumalraja r. Real-Time Dangerous Marine Animals Monitoring to Alert Scuba Divers Using Computer Vision / Perumalraja r. // Periodico di mineralogia. - 2022. - № 4. - P. 14601470.
42. Тхет Наинг Вин Системы контроля и управления доступом с применением алгоритмов пространственно-временного анализа изображений: автореф. дис. к.т.н. - М.: 2018. - 28 с.
43. Фам Зуй Тхай Математическое обеспечение системы идентификации личности по отпечаткам пальцев с учётом особенностей их использования во Вьетнаме: автореф. дис. к.т.н. - Москва: “МИРЭА” 2015. - 21 с.
44. Чернышов В. Г. Биометрическая идентификация личности по изображению внешней стороны ладони на базе мобильного устройства: автореф. дис. к.т.н. - Москва: 2019. - 23 с.
45. Ефимов Ю. С. Методы детектирования подделок в биометрических системах на мобильном устройстве: автореф. дис. к.т.н. -Москва: “ФИЦ ИУ РАН” 2022. - 26 с. EDN: FFUHAJ
46. Жумажанова С. С. Распознавание психофизиологического состояния субъектов-операторов на основе анализа термографических изображений лица с применением сверточных нейронных сетей: автореф. дис. к.т.н. - Омск: 2021. - 18 с. EDN: ENZZVQ
47. Шульга Т. Э. Реализация модели распознавания дорожных знаков с использованием интеллектуальных методов / Т. Э. Шульга, Д. А. Солопекин // Математические методы в технологиях и технике. - 2023. - № 6. - С.98-101. EDN: ORGZFA
48. Paul Viola Michael J. Jones Robust Real-time Object Detection / Paul Viola Michael J. Jones // Cambridge Research Laboratory. -2001. - № 01. - Режим доступа: http://www.hpl.hp.com/techreports/Compaq-DEC/CRL-2001-1.pdf - (Дата обращения: 24.01.2024).
49. Прилуцкий С. В. Многофункциональное оптико-электронное устройство распознавания дорожной информации: автореф. дис. к.т.н. - Курск: 2011. - 19 с. EDN: QHLIXT
50. Dalai N., Triggs В. Histograms of oriented gradients tor human detection // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2005. - Vol. 1.- P. 886-893.
51. Кустикова В. Д. Методы и алгоритмы анализа траекторий движения при решении задачи видеодетектирования транспортных средств: автореф. дис. к.т.н. - Нижний новгород: 2015. - 23 с. EDN: XBFUBZ
52. Национальная стратегия развития искусственного интеллекта на период до 2030 года, утверждена указом Президента РФ от 10 октября 2019 г. № 490.
53. Концепция развития регулирования отношений в сфере технологий искусственного интеллекта и робототехники до 2024 года, утверждена распоряжением Правительства РФ от 19 августа 2020 г. №2129-р.
54. Выступление Президента РФ В. В. Путина 09 ноября 2018 г. на конференции по искусственному интеллекту AI Journal, г. Москва.
55. Шульга Т. Э. Обучение нейросетевой модели на примере решения задачи классификации военной наземной техники / Т. Э. Шульга, А. И. Либерман // Математические методы в технологиях и технике. - 2023. - № 11. - С. 94-97. EDN: XKGPTU
56. Купряшкин И. Ф. Детектирование объектов военной техники с использованием сверточной нейронной сети на радиолокационных изображениях, сформированных в условиях шумовых помех // Журнал Радиоэлектроники. - 2022. - № 6. DOI: 10.30898/1684-1719.2022.6.8 EDN: JDFMSY
57. Онлайн инструмент для разработки наборов данных для компьютерного зрения. - 2023. -URL: [https://app.roboflow.com] (дата обращения: 25.04.2024).
58. Kechagias-Stamatis O., Aouf N. Automatic Target Recognition on Synthetic Aperture Radar Imagery: A Survey. ArXiv. 2021. https://arxiv.org/abs/2007.02106.
59. Stanford University School of Engineering. Lecture 1.Introduction to Convolutio nal Neural Networks for Visual Recognition. -Режим доступа: https://www.youtube.com/watch?v=vT1JzLTH4G4. - (Дата обращения: 08.02.2024).
60. Хайкин Саймон. Нейронные сети: полный курс / Саймон Хайкин; [пер. с англ. Н. Н. Куссуль, А. Ю. Шелестова]. - Москва [и др.]: Вильямс, 2008. - 1103 с.
61. The MNIST database of handwritten digits. - Режим доступа: https://www.kaggle.com/datasets/hojjatk/mnist-dataset/data. - (Дата обращения: 08.02.2024).
62. Сравнительный анализ инструментов для подготовки коллекции изображений военной техники для обучения нейронной сети / А. И. Либерман [и др.] // Проблемы управления в социально-экономических и технических системах. Материалы XIX Международной научно-практической конференции. Саратов. - 2023. - С. 398-400. EDN: MXHSMI
Выпуск
Другие статьи выпуска
В статье представлен новый метод сжатия аудиоданных с потерями. Метод базируется на психоакустических принципах восприятия звука человеком. Учет данных принципов позволяет получить метод сжатия аудиоданных различной природы: музыкальных композиций, речевого сигнала, различных звуков другого происхождения. Стоит отметить, что каждый из них имеет свои особенности. Речевые сигналы содержат паузы и имеют менее разнообразный частотный диапазон по отношению к музыке, что приводит к разработке специфических методов их компрессии. Целью построения представленной теории сжатия аудиоданных с потерями является достижение равенства исходного и восстановленного сигналов в перцептуальном смысле. Именно такой подход позволяет получить метод сжатия аудиоданных, который позволяет в значительной степени уменьшить битовое представление аудиосигнала, оставляя его на слух очень близким к оригиналу. Большое внимание при разработке метода уделено квантованию по уровню, причем при квантовании спектральных составляющих сигнала используется теория едва заметных изменений звука. Представляется целесообразным учет этой теории, поскольку она является значимой при обработке аудиосигналов, однако, до сих пор не была использована при разработке методов сжатия аудиоданных. Предлагаемая в статье процедура квантования по уровню сочетает в себе преимущества как адаптивного, так и равномерного квантования. Для адаптивного квантования основное преимущество это значительно меньшее число уровней квантования, которое необходимо для достижения сопоставимого с равномерным квантованием уровня шума квантования. Представленный метод квантования, который являясь по сути неравномерным (адаптивным) не требует передачи значения каждого из уровней квантования (или шага квантования). Кроме того, ошибка квантования в разработанном методе не превышает 1 дБ, что является порогом едваразличимых изменений звука.
В статье приводится описание разработанного экспериментального метода оценки существующих OCR инструментов для решения проблемы присутствия сканированных документов в наборах данных, использующихся для задач классификации текста. Для классификации документов сканированные документы и документы, в которых невозможно получить текст с помощью программных средств извлечения текста, необходимо преобразовать в машиночитаемый текст, и для этой задачи используется технология оптического распознавания символов (OCR). Цель данной статьи заключается в том, чтобы экспериментально сравнить существующие OCR инструменты, а именно качество перевода сканированных документов в текст. Основными критериями для выбора инструмента OCR были: OCR инструмент должен быть свободно распространяемым, иметь встроенную поддержку русского языка и быть активно развивающимся проектом. Под эти критерии подходили три инструмента: Tesseract, EasyOCR и PaddleOCR. Для данной задачи был составлен корпус цифровых документов, половина из которых являлась отсканированными документами. Документы были взяты из открытых источников: 4 из 6 представленных классов являлись документами, связанными с процессом обучения в высших учебных заведениях Российской Федерации, остальные 2 представляли документы с государственных закупок: договоры и технические задания. Экспериментальная схема включала в себя обучение классификатора Longformer, трансформера для обработки длинных документов, на наборах данных, созданных тремя различными инструментами OCR. Оценка OCR-инструментов производилась по качеству классификации текста, достигнутому Longformer. Результаты эксперимента показали, что Tesseract OCR демонстрирует превосходство в точности распознавания текста, что и повиляло на результирующую точность классификации извлеченного из документов текста.
Рассматривается задача прогнозирования поведения динамической системы с резко меняющимися стохастическими свойствами. Динамическая система представлена соответствующим числовым временным рядом показателей системы. Решение такой задачи требует определения моментов времени изменения стохастических свойств, разладки поведения временного ряда и выделения временных сегментов с однородным поведением. На таких сегментах можно строить статистические модели для краткосрочного прогнозирования. Для краткосрочного прогнозирования предложено вместо числовых статистических моделей, таких как ARIMA, рекуррентных нейронных сетей, использовать модель дискретной цепи Маркова для нечетких состояний. В этом случае задача регрессии заменяется на задачу нечеткой классификации и объектом исследования становится временной ряд нечетких состояний, порождаемый исходным числовым временным рядом. Такой подход позволяет упростить получение решения и повысить достоверность прогноза. Разработан алгоритм рекуррентного оценивания стохастической матрицы модели цепи Маркова с нечеткими состояниями. Для выделения однородных сегментов временного ряда нечетких состояний предложено на каждом шаге рекуррентного оценивания стохастической матрицы рассчитывать вектор стационарных вероятностей (собственный вектор матрицы) и на основе анализа его поведения выделять однородные сегменты. Работоспособность и эффективность предложенного подхода иллюстрируется примерами краткосрочного прогнозирования поведения временных рядов курсов различных активов Московской биржи.
Графовые нейронные сети в настоящее время являются объектом все возрастающего интереса в области машинного обучения и анализа данных. Их специализированная архитектура позволяет эффективно моделировать и анализировать сложные структуры данных на графах, такие как социальные сети, биоинформационные сети, транспортные сети и другие. С возрастанием объема данных, представленных в виде графов, растет их значимость как инструмента для понимания и прогнозирования сложных взаимосвязей и паттернов. Данная работа направлена на оценку эффективности метода L2-регуляризации, применяемого при машинном обучении в контексте задачи кластеризации узлов графа. Под кластеризацией понимается объединение узлов в группы, выделяемые по степени их связности. При обучении используется специальный метод регуляризации и реализующий его алгоритм распространения меток LPA (Label Propagation Algorithm), а также расширение данного подхода на две популярные архитектуры графовых нейронных сетей: GraphSAGE (Graph Sample and Aggregation) и GAT (Graph Attention Networks). В рамках исследования проводится сравнительный анализ эффективности применения метода LPA на различных датасетах, широко применяемых в научных и практических задачах. Результаты исследования показывают заметное улучшение точности анализа графовых моделей данных при использовании анализируемого подхода. Проведенное исследование способствует более глубокому пониманию воздействия общего подхода L2-регуляризации в плане обучения графовых нейронных сетей.
Многоагентные системы относятся к технологиям искусственного интеллекта, а агент-ориентированный подход позиционируется как универсальное решение, которое способно конкурировать с другими технологиями в широком классе приложений. В данной статье рассматриваются традиционные и современные варианты формализации и интерпретации понятия агента в многоагентных системах, представлен обзор постановок задач, которые решаются при разработке таких систем для формирования признаков и свойств различных типов агентов.
Работа посвящена использованию методов математического моделирования как основного инструмента исследований функционирования водных экосистем, а именно прогнозирования изменения концентрации фитопланктона в летний период в мелководном водоеме с применением спутниковых данных. Системный подход на основе синтеза математического моделирования с методами усвоения данных дистанционного зондирования позволил выполнить комплексный анализ динамики изменения биогео-химических процессов, протекающих в пространстве и во времени, с учетом совокупного действия физико-химических, биологических и антропогенных факторов, влияющих на изучаемую водную экосистему. Разработанная математическая модель, коррелирующая со спутниковой информацией, позволяет осуществлять прогнозирование поведения летнего фитопланктона в мелководном водоеме, изменения плотности выделенных планктонных популяций в условиях ускоренного времени, описывать окислительно-восстановительные процессы водной среды, сульфатредукции, трансформации биогенных веществ (минерального питания фитопланктона), изучать развитие заморных явлений, возникающих в результате антропогенной эвтрофикации, строить прогнозы изменения кислородного и биогенного режимов функционирования водоема. Для прогнозирования поведения летнего фитопланктона построен и реализован исследовательско-прогнозный комплекс, а также алгоритм его взаимодействия с ГИС. Разработанный программно-алгоритмический аппарат позволяет оценивать масштабы развития стихийных катаклизмов (эвтрофирования, «цветения», загрязнение водных систем различной этиологии и пр.), но и строить кратко- и среднесрочные прогнозы их развития в ускоренном времени для дальнейшего предотвращения негативных последствий экономического и социального характеров. Разработан оперативный алгоритм восстановления параметров качества вод Азовского моря, которой базируется на методе многомерной оптимизации Левенберга - Марквардта. В качестве входных данных использовано пространственное распределение фитопланктонных популяций, являющееся результатом применения метода локальных бинарных шаблонов к спутниковым снимкам, полученным авторами данного метода
Разработана платформа, предназначенная для многоагентного моделирования социально-экономической динамики гипотетических обществ бронзового века. Эта система объединяет данные геоинформационной системы для создания реалистичного окружения и имитацию взаимодействия агентов, представляющих древние человеческие популяции. Агенты занимаются управлением ресурсами и популяцией, миграцией и конфликтами, также реагируя на наличие и истощение таких ресурсов, как медь и скот. Моделирование показывает, как факторы распределения ресурсов и окружающей среды могли влиять на поведение общества и изменения популяции в древние времена. Область применения включает в себя как образовательные цели, так и тестирование археологических гипотез.
В статье исследуется система с разделением и параллельным обслуживанием заявок, называемая также fork-join системой массового обслуживания, с Парето-распределением времени обслуживания и различными вариантами распределений промежутков между поступлениями заявок для входящего потока, а именно, распределением Эрланга, показательным распределением, а также гиперэкспоненциальным распределением (смесью двух показательных). Предлагается новый подход к оценке квантилей распределения времени пребывания заявки в fork-join системе. Определение данной характеристики является не менее важной задачей, чем более традиционная оценка математического ожидания и, соответственно, моментов более высокого порядка времени отклика системы, поскольку дает более широкое преставление о необходимом количестве ресурсов для обслуживания требований, поступающих в систему, математической моделью которой является система с разделением и параллельным обслуживанием. В частности, с помощью fork-join структур моделируются процессы функционирования систем с использованием распределенных или параллельных вычислений либо систем, использующих разделение исходной задачи на части с целью оптимизации рабочих процессов. Подход основывается на аппроксимации распределения времени отклика системы распределением Фреше, параметры которого определяются статистически с помощью метода моментов. Алгоритм нахождения оценок квантилей также включает в себя имитационное моделирование и метод оптимизации, который позволяет значительно снизить погрешность аппроксимации исходных формул. Численный эксперимент показал хорошее качество приближения для квантилей времени отклика высоких уровней, средняя относительная погрешность аппроксимации при этом во всех трех случаях не превышает 2 %, а максимальная - 5 %.
Издательство
- Издательство
- ВГУ
- Регион
- Россия, Воронеж
- Почтовый адрес
- 394018, Воронежская область, город Воронеж, Университетская пл., д. 1
- Юр. адрес
- 394018, Воронежская область, город Воронеж, Университетская пл., д. 1
- ФИО
- Ендовицкий Дмитрий Александрович (РЕКТОР)
- E-mail адрес
- imo@interedu.vsu.ru
- Контактный телефон
- +7 (473) 2204133
- Сайт
- https://www.vsu.ru/