Научный архив: статьи

Целью исследования является разработка методов улучшения характеристик существующих систем отопления за счет применения нового алгоритма управления, основанного на параллельном принципе работы и использующего нейросетевые технологии. Предлагаемый способ управления предусматривает анализ специальной компьютерной программой матриц признаков, состоящих как из управляющих воздействий, так и результирующих картинок. Компьютер, которому заранее известно соответствие разных картинок разным режимам, выбирает соответствующий режим на основе изображения, поступающего на вход программы. Этот режим может быть подобран таким образом, что затраты энергии при обеспечении тех условий, которые необходимы пользователю, будут минимальны. Разработано приложение, применяющее нейросетевой алгоритм, с возможностью изменения параметров настройки. Подготовлены наборы изображений с указанием принадлежности к классам по характерным признакам (датасеты), на которых проведено обучение и тестирование нейронной сети. Выполнено более 600 экспериментов с отличающимся количеством эпох обучения. Исследовано влияние количества эпох на средний процент распознавания изображений температурных режимов здания. Для демонстрации возможности реализации предложенного алгоритма были разработаны архитектура системы управления и распределенное приложение, состоящее из главной управляющей программы с человеко-машинным интерфейсом и удаленного веб-приложения, имеющего человеко-машинный интерфейс и микросервис с точкой доступа. Был изготовлен макет здания с подключенной системой управления температурным режимом помещений. Проведенные эксперименты подтвердили эффективность работы предложенного способа управления. Данная технология предусматривает возможность перехода от управления одним зданием к управлению массивом зданий без изменения настроек управления отдельных зданий. Использование этого способа повысит удобство управления, комфортность условий проживания людей и снизит потребление энергии на отопление.

В результате проведенных исследований разработан метод классификации адаптационного потенциала организма человека. Метод основан на использовании данных, которые получают при проведении функциональной пробы, ассоциируемой с функцией Хэвисайда, путем проведения которой получают модель переходного процесса в живой системе. Представляя живую систему квазилинейной, на основе ее импедансной модели получают спектральные характеристики живой системы, на основе которых формируют дескрипторы для модели машинного обучения. Для получения импедансной модели живой системы предложена методика трехфазного эксперимента. Методика трехфазного эксперимента заключается в моделировании функции Хэвисайда в процессе выполнения велоэргометрической функциональной пробы на трех уровнях функционального состояния организма человека. Это позволяет вычислять дескрипторы для трех «ветвей» классификатора адаптационного потенциала. Классификатор адаптационного потенциала включает драйвер построения линейной импедансной модели живой системы, формирователь дескрипторов и модуль принятия решений. В качестве линейной импедансной модели живой системы используется амплитудно-фазочастотная характеристика четырехполюсника, построенная по переходной характеристике модели живой системы, а дескрипторы вычисляются по импедансной модели Войта, адекватной экспериментально полученной амплитудно-фазочастотной характеристике модели живой системы. Проведены оценки показателей качества дихотомического классификатора адаптационного потенциала на экспериментальной группе студентов и аспирантов, разделенных на два класса посредством показателя активности регуляторных систем. Они показали, что уровень истинно положительных и истинно отрицательных результатов при классификации неизвестных примеров в удовлетворительной степени соответствуют экспертным оценкам. Это позволяет рекомендовать его для использования в практической медицине, например, в биотехнических системах реабилитации, спортивной медицине, а также для контроля динамики функционального состояния пациента в процессе лечения.

Работа посвящена созданию аппаратно-программного прототипа беспилотного транспортного средства и изучению вариантов его архитектуры в попытке создать универсальное стандартное решение для такого типа устройств. Рассматривается задача управления беспилотником таким образом, чтобы имелась возможность гибкого переключения источников управляющих команд и алгоритмов управления. Для этого подсистемы генерации и исполнения управляющих команд связываются посредством очереди сообщений, что дает возможность комбинировать автономный и дистанционно управляемый режим работы беспилотника. Предлагается метод генерации управляющих команд при следовании объекта по программной траектории, основанный на нейронной сети. Входными данными сети являются координаты программной траектории и текущее состояние объекта, а выходными - управляющие воздействия. В работе описывается аппаратная и программная составляющая устройства автомобильного типа, архитектура системы его управления, структура нейронной сети, возможные подходы к ее обучению. Обсуждается создание обучающей выборки как на моделируемых, так и на реальных данных о движении, что позволяет беспилотному устройству «обучаться» разным стилям вождения. Приводятся результаты экспериментов с различными обучающими выборками, которые демонстрируют практическую применимость предложенного метода управления. Уделено внимание аспектам структуры нейронной сети, включая выбор количества слоев и нейронов. Указано на возможность использования «промежуточных» точек программной траектории для улучшения свойств движения объекта. В целом делается вывод о перспективности применения нейронных сетей в управлении беспилотниками, в тех случаях, когда требуется комбинирование и гибкое переключение алгоритмов управления.

Статья посвящена проблеме персонализации интерфейса прикладных программ к индивидуальным особенностям пользователей на основе применения нейросетевых технологий. Новизной предложенного подхода является формирование прототипа интерфейса путем подбора каждого элемента меню отдельно, позволяющего сформировать персонализированный интерфейс. Предлагается использование инструментальной среды, включающей набор компонентов интерфейсной части, из которых динамически генерируется уникальный прототип интерфейса, адаптированный под особенности каждого пользователя. В качестве инструмента для подбора компонентов интерфейса использована глубокая нейронная сеть, представленная в виде многослойного перцептрона. Входными параметрами нейронной сети являются отличительные особенности пользователей, выходными - компоненты будущего прототипа интерфейса. В качестве критериев адаптации интерфейсной части приложений выбраны профессиональные, психофизиологические характеристики пользователей, их демографические особенности, а также эмоциональное состояние. Выходными параметрами являются компоненты интерфейса: размер шрифта текста и гиперссылок, размер и расстояние между элементами веб-страницы, вид подсказок и контекстного меню, сообщения пользователю, цветовая гамма, наличие окна для поиска информации и др. В результате разработана инструментальная среда для создания персонализированных интерфейсов прикладных программ c использованием нейросетевых технологий. В ходе работы программного средства пользователи проходят оценку своих характеристик с помощью базовых тестов IТ-сферы и психологии. Для определения эмоционального тона, возраста и пола в системе используется библиотека Deepface языка Python, которая реализует алгоритм на основе обученной сверточной нейронной сети. Внедрение предложенной инструментальной среды позволит обеспечить удобное взаимодействие между пользователями и программным приложением.

Разработан алгоритм классификации и слежения за объектом. Алгоритм основан на использовании нейронной сети YOLOv5 для высокоточной классификации объектов в реальном времени. Разработана программная реализация алгоритма на базе языка программирования Python и библиотеки OpenCV. В ходе исследования была проведена отладка программы и оптимизация ее работы для повышения производительности и точности системы. Оценка технического решения показала, что разработанная система значительно улучшает точность и скорость обработки данных на конвейерной линии, а также обеспечивает адаптивность к изменениям в производственном процессе.

Предложен алгоритм автоматизации процесса электронного проектирования на основе ATPG и методов нейронной сети. Получены данные об откатах для всех неисправностей типа stuck-at-0 и stuck-at-1. Достигнут оптимальный набор тренировочных данных для максимальной производительности нейронной сети. Отмечено, что предлагаемый метод обучения требует меньшего общего количества откатов для всех неисправностей в рассматриваемых схемах.

В статье описываются современные нейросетевые модели на основе BERT и рассматривается их применение для задач обработки естественного языка (NLP), таких как ответы на вопросы и распознавание именованных сущностей. В статье представлен метод решения задачи автоматического создания структурныхмоделей текстовых документов. Предлагаемый метод является гибридным и основан на совместном использовании нескольких моделей NLP. Метод строит структурную модель документа, извлекая предложения,соответствующие различным аспектам документа. Извлечение информации осуществляется с использованием вопросно-ответной модели BERT с вопросами, подготовленными отдельно для каждого аспекта.Ответы фильтруются с помощью модели распознавания именованных сущностей BERT и используютсядля формирования содержимого каждого поля структурной модели. В статье предложены два алгоритмаформирования содержимого поля - алгоритм выбора исключающего ответа и алгоритм формированияобобщающего ответа, которые используются для коротких и объемных полей соответственно. В статье также описывается программная реализация предлагаемого метода и обсуждаются результаты экспериментов,проведенных для оценки качества метода.

В связи с расширяющейся географией автомобильных дорог актуальной задачей является оценка состояния их полотна, в последние годы для анализа изображений и повышения их качества все шире применяются разнообразные методы обучения нейронных сетей. В этой cвязи интерес представляет сравнение возможностей различных нейронных сетей в части получения изображения высокого разрешения по критерию среднего времени достижения приемлемого результата. Для анализа выбраны нейронные сети ESRGAN, EDSR,
ESPCN, FSRCNN, LapSRN, каждая из которых способна увеличить разрешение одновременно по ширине и высоте кадра в 4 раза, и, соответственно, количества пикселей в 16 раз. С этой целью для перечисленных сетей было проведено по 5 экспериментов с 5 разными фотографиями в каждом эксперименте, при этом количество пикселей на изображении всякий раз увеличивалось в два раза. Установлено, что наилучшими показателями по затратам времени обладает сеть ESPCN, сеть FSRCNN демонстрирует сопоставимые результаты.

В данной работе предложен метод, комбинирующий вейвлет-преобразования и методы машинного обучения, для классификации состояния растительных культур по цветным цифровым изображениям. Входными данными для классификации являлся сформированный вектор текстурных признаков Харалика.

Реализована программа на высокоуровневом языке программирования Python для классификации цифровых изображений с использованием многоуровневого дискретного вейвлет-преобразования Добеши и классификационных методов машинного обучения – классической логистической регрессии и персептрона. Показана эффективность предложенного метода в решении задачи многоклассовой классификации изображений, сделаны соответствующие выводы, оценены перспективы метода.

Представлен обзор литературы по применению нейронных сетей (НС) в медицине. Рассмотрены разные типы НС и методы их обучения. Описаны случаи использования НС в задачах медицинской диагностики, прогноза лечения, выбора лекарств. Обсуждаются перспективные направления в развитии НС.