Статьи

В настоящее время актуальность использования криптоактивов стремительно растет. В последние годы торговля криптовалютой стала одной из наиболее обсуждаемых тем в мире финансов и инвестиций. Криптовалюты, такие как Биткоин, Эфириум, привлекают внимание миллионов людей благодаря своей инновационности, потенциалу высокой прибыли и возможности децентрализации. Технология блокчейн, на которой основаны криптовалюты, является одной из самых инновационных и перспективных технологий на рынке. Изучение торговли криптовалютами позволяет понять, как частные инвесторы и компании могут использовать блокчейн-технологии для инвестирования и развития своих бизнесов. Одной из главных причин популярности торговли криптовалютой является ее высокий уровень волатильности. Курс криптовалют может быстро меняться, что предоставляет возможности для получения прибыли. Данная статья направлена на исследование использования предиктивной аналитики для принятия решений в децентрализованных системах на примере торговли криптовалютами на централизованных и децентрализованных биржах. В настоящей работе проводится исследование децентрализованных и централизованных систем с целью дальнейшего создания систем поддержки принятия решений. Приведено общее описание и схемы работы децентрализованных и централизованных динамических систем на примере исследования криптобирж. Данная научная статья исследует типовую структуру централизованной и децентрализованной криптобиржи, анализируя основные компоненты и принципы ее функционирования. В статье рассматривается внутренняя организация биржи, включая систему хранения цифровых активов, механизмы выполнения сделок, обеспечение безопасности и управление рисками. Также обсуждается взаимодействие биржи с участниками рынка, а также регулирующими органами. Помимо этого, данная научная статья исследует правила и принципы работы трейдеров и маркет мейкеров на централизованных и децентрализованных криптобиржах. Рассматриваются основные стратегии и тактики, которые используют участники рынка для обеспечения ликвидности и оптимизации операций торговли. В статье проводится сравнение подходов к торговле на различных типах криптобирж с учетом их особенностей и влияния на ценовую динамику криптовалют. Представленные результаты могут способствовать более глубокому пониманию процессов в торговле криптовалютами и оптимизации стратегий принятия решений для инвесторов и торговцев на рынке криптоактивов.

Одним из актуальных направлений при создании систем раннего обнаружения объектов является разработка алгоритмов поиска и распознавания малоразмерных объектов на изображениях. В задаче раннего обнаружения приходится распознавать объекты на дальних расстояниях от места их фиксации камерой. Образ на изображении таких объектов представлен малой компактной группой пикселей, которая претерпевает пространственные и яркостные изменения от кадра к кадру. Для успешного решения этой задачи целевые объекты реального мира должны иметь большие физические размеры. Кроме физических размеров объекта на образ объекта на изображении влияют большое количество факторов: разрешение матрицы камеры, фокусное расстояние объектива, светочувствительность матрицы и др. Вектор решения такой задачи направлен в сторону сверточных нейронных сетей. Однако, даже у передовых архитектур сверточных нейронных сетей поиск и распознавание малоразмерных объектов на изображениях вызывает трудности. Эта проблема напрямую связана с эффектом переобучения модели нейронной сети. Переобучение модели нейронной сети можно оценить на основе анализа кривых обучения. Для снижения вероятности переобучения применяют специальные методы, которые объединяет термин регуляризация. Однако, в распознавании малоразмерных объектов существующих методов регуляризации бывает недостаточно. В работе произведено исследование разработанного алгоритма предварительной обработки последовательности видеокадров, увеличивающего исходное пространство признаков новым независимым признаком движения в кадре. Алгоритм предварительной обработки основан на пространственно-временной фильтрации последовательности видеокадров, применение которого распространяется на широкий спектр архитектур сверточных нейронных сетей. Для исследования характеристик точности и распознавания сверточных нейронных сетей сформированы датасеты изображений в градациях серого и изображений с признаком движения на основе среды разработки 3D графики Unreal Engine 5. В работе приведен критерий малоразмерности объектов на изображениях. Произведено обучение и оценка характеристик точности тестовой модели сверточной нейронной сети и анализ динамики кривых обучения тестовой модели. Показано положительное влияние предложенного алгоритма предварительной обработки последовательности видеокадров на интегральную точность обнаружения малоразмерных объектов.