Научный архив: статьи

Предложен метод определения долготы места судна по рельефу дна с использованием нейронной сети, в качестве входного сигнала которой выступает вектор, содержащий значения глубины, измеренные с определенным пространственным шагом при помощи эхолота. Выходом сети служит значение долготы, соответствующее месту последнего измерения глубины. Сеть имеет несколько скрытых слоев, количество которых варьируется от одного до десяти. Скрытые нейроны обладают функциями активации в виде гиперболического тангенса. Единственный нейрон выходного слоя имеет линейную функцию активации. Определены алгоритмы формирования набора учебных данных, настройки и тестирования нейронной сети, формирующие технологию создания нейросетевой системы прогноза долготы места судна по глубинам и реализованные на языке программирования Python. Для работы с нейронными сетями используется библиотека TensorFlow. В качестве источника данных о глубинах выбирается официальная электронная навигационная карта. На основе извлеченного из нее слоя глубин формируется регулярная сетка, значения в узлах которой определяются линейной интерполяцией. Процедура формирования набора учебных и тестовых данных предполагает псевдослучайные изменения уровня моря, которые могут быть вызваны как реальными колебаниями, так и погрешностями измерений. На тестовой выборке сеть показывает приемлемую для навигации точность, причем результаты зависят от количества скрытых слоев. Лучшая точность в виде наибольшего значения модуля ошибки прогноза долготы достигается для сети с наибольшим количеством скрытых слоев. Отмечается также необходимость тестирования разработанной нейросетевой системы на основе моделирования движения судна.

В рамках этой статьи рассмотрены основные принципы, на которых строится работа систем машинного перевода, а также представлен сравнительный анализ перевода текстов разных стилей, чтобы проследить, как системы машинного перевода справляются с определением контекстуального значения слова, использованного в принципиально разных контекстах. Для проведения этого исследования выбраны четыре системы машинного перевода - Google Translate, Яндекс. Переводчик, DeepL и PROMT. В начале статьи перечислены основные подходы к машинному переводу, после чего представлено краткое описание принципов работы, выбранных нами систем машинного перевода. Далее приведены примеры употребления многозначных слов в разных контекстах, а также варианты их перевода на русский язык вышеупомянутыми системами машинного перевода, после чего проведен сравнительный анализ полученных переводов. В случае неправильно распознанных значений в программу-переводчик добавлялся расширенный контекст (абзац вместо предложения), так как предполагалось, что это может улучшить распознавание контекста, и как следствие, количество случаев корректного перевода значений выбранных нами слов. Гипотезой исследования было, что расширение контекста в случае нераспознанного значения должно помочь системе его распознать. Методом сплошной выборки мы отобрали сорок предложений, в которых двадцать одних и тех же слов использованы в разных контекстах и обладают разным значением. Выбирая примеры предложений для анализа, мы не придерживались конкретных тематик. Главным принципом для отбора слов послужило наличие у них многозначности. В заключении статьи представлен вывод и изложены основные аспекты настоящего исследования. Мы считаем, что описанный в этой работе эксперимент послужит хорошим подспорьем для дальнейших исследований в этой области, в частности для понимания того, каким образом осуществляется учет контекста и как возможно улучшить работу систем машинного перевода.

Нейросимволический искусственный интеллект ориентирован на интеграцию символьных и нейросетевых знаний. Поскольку символьные знания могут быть легко адаптированы к новым проблемным областям без необходимости обучения на больших объемах данных, нейросимволический искусственный интеллект является перспективным направлением исследований, в частности, для решения задач, для которых недоступны большие наборы данных, необходимые для обучения классических нейросетевых моделей. К таким задачам в том числе относятся задачи из области поддержки принятия решений при моделировании предприятий. Исследования, ориентированные на применение методов машинного обучения при решении задач из данной области, появились сравнительно недавно, и в настоящее время надежных наборов обучающих данных для них еще нет. В статье проанализированы варианты применения различных подходов к интеграции символьных знаний и нейросетевых моделей на примере задачи классификации моделей предприятий. Модели предприятий представлены в виде графов с типизированными вершинами, а в качестве признаков используются типы вершин модели и их количество (топология графов не рассматривается). Проведены эксперименты с использованием классической нейронной сети, нейронной сети, дополненной семантической функцией потерь, и нейронной сети, дополненной предобработкой данных на основе логических правил (при этом структура самой нейронной сети и параметры ее обучения не меняются). Результаты показывают, что применение семантической функции потерь незначительно ухудшает качество нейросетевой модели, в то время как использование предобработки данных существенно его улучшает. Приведенные экспериментальные данные наглядно демонстрируют перспективность исследований в области нейросимволического искусственного интеллекта при решении задач, не имеющих больших наборов обучающих данных, достаточных для использования классических нейросетевых моделей.

Трудно переоценить значение искусства в жизни человека. Это уникальная сфера жизнедеятельности, где в создаваемых произведениях автор отражает свое эмоциональное восприятие мира. Развитие компьютерных технологий преобразило сферу искусства, наделив творческих личностей необыкновенными возможностями. Создание генеративного искусственного интеллекта ознаменовало начало сотрудничества человека и нейронной сети. Однако так ли безоблачно будущее искусства, которое создают теперь не только творческие личности, но и машины? Как следует определять результат такого сотрудничества, кто является обладателем и каких именно прав на него? Можно ли относить этот результат к произведению искусства? В статье рассмотрены юридические проблемы, возникшие вследствие применения генеративного ИИ, а также этические проблемы, от решения которых зависит будущее людей творческого труда.

Рассматривается применение нейронных систем для анализа градостроительных технологий золотоордынского города Укека на основе строительных материалов - кирпича и керамических водопроводных труб. Показаны основные подходы, алгоритмы и методы обработки данных, включая методы геоинформационных систем (ГИС), алгоритмы кластеризации и оптимизации, а также различные типы нейронных сетей (свёрточные, рекуррентные и глубокие). Исследование базировалось на анализе исторических и археологических материалов Увекского городища. Выявлены сложные паттерны и ассоциации между археологическими, историческими и геологическими данными разных лет. Программные средства включали свёрточные нейронные сети для анализа изображений, рекуррентные для анализа временных последовательностей и глубокие нейронные сети для сложных задач классификации, моделирования и верификации. В результате анализа выявлены ключевые аспекты строительства и инфраструктуры Укека, такие как локализация мест добычи сырья, количество строительных площадок, объём произведённого кирпича, водопроводных линий и территориальное разграничение городской территории на основе цифровой модели рельефа (ЦМР). Рассмотрена хронология оползней и их влияние на развитие города. Результаты исследований подтверждает эффективность смешанных и разноуровневых нейронных сетей для анализа археологических данных, связанных с особенностями средневековых технологий, процессом концентрации производительных сил и средств производства.

Статья посвящена исследованию проблематики построения системы знаний, способной стать основой функционирования креативного искусственного интеллекта, способного решать творческие задачи. Ключевым вопросом, от ответа на который зависит возможность построения такой системы, является определение рациональности творческого процесса, т. е. возможности его формализации в рамках детерминированной методологии. Если это возможно, то возможно и построение системы знаний, могущей стать основой креативного искусственного интеллекта. Теоретической основой указанного построения может служить общая теория систем, но не в том виде, в котором она существует в настоящее время. Успешное развитие общей теории систем, позволяющее осмыслить феномен творчества, требует расширения и систематизации существующих знаний о проявлении изоморфизма в мироздании: создания репрезентативных коллекций паттернов, примитивов, а также вторичных законов, надежно подтвержденных эмпирически, но в полной мере не детерминированных. В качестве объекта исследования в статье выбраны когнитивные системы, включающие в себя все автономные познающие системы (как живые, так и неживые; как интеллектуальные, так и неинтеллектуальные), наделенные самосознанием. Определяющим механизмом систематизации знаний для креативного искусственного интеллекта является механизм мультисистемной интеграции знаний, в основе которого лежит интеграция знаний из разных предметных областей, с разных уровней организации мироздания для их обобщения и использования вне областей их выявления для решения творческих задач. В результате в сознании формируется ассоциативная база данных. Важным инструментом низкоуровневого обобщения данных и знаний в целом, являющегося одним из источников формирования системного целостного знания, служат нейронные схемы, отражающие элементарные отношения между элементами одной системы, а также (по итогам сопоставления) типовые отношения элементов в разных системах. Фиксация нейронных схем является результатом эмпирического определения в процессе обучения коэффициентов связи между элементами нейронной сети.

Целью работы является обеспечение непрерывного мониторинга, прогнозирования и достоверности показателей состояния производства и факторов его роста на предприятиях водного транспорта, по данным статистики, на основе опыта моделирования и параметрической оценки производственных функций с применением нейтронных сетей и интеллектуальных систем. В связи с этим появляется возможность формирования значений целевых индикаторов и показателей развития внутреннего водного транспорта по контрольным периодам на краткосрочном и стратегическом уровнях. Предлагается алгоритм численной оценки параметров моделей производственных функций потребления, построенных с помощью регрессионных нейросетей по данным статистики социально-экономического развития региона. Отмечается, что существенным отличием данного способа оценки является использование нейросетевых технологий, способствующих значительному расширению технических возможностей моделирования и повышению точности вычислений путем получения рекуррентных оценок вектора искомых коэффициентов модели. Показано, что для рассматриваемого класса задач «пригонки» траекторий функции потребления к статистическим данным можно применять нейронные модели обобщенно-регрессионных сетей, обладающие простыми режимами обучения и высокой точностью моделирования. При этом применение нейросетевых технологий обеспечивает максимальное приближение модели производственной функции заданной структуры к нейронной модели при заданном начальном приближении с последующим ее использованием для оценки весовых коэффициентов. Применение алгоритма продемонстрировано на примере оценок параметров аппроксимированной с помощью нейросети функции потребления по соответствующим данным временных рядов. Получены численные оценки с применением операторных функций из арсенала Neural Networks Toolbox среды MATLAB. Предложенный алгоритм может быть применен для численного анализа производственных моделей потребления со сложными логико-вероятностными связями при оценивании целевых индикаторов и показателей развития внутреннего водного транспорта.

Предложен метод определения места судна по глубинам на основе нейронной сети, которая принимает на вход последовательность глубин, измеренных при помощи эхолота, а прогнозирует широту и долготу судна на момент измерения последней глубины. Нейронная сеть имеет архитектуру сети прямого распространения с несколькими скрытыми слоями и полными связями, удовлетворяющую условиям универсальной аппроксимации в соответствии с теоремой Стоуна - Вейерштрасса. Для обучения используется алгоритм Adamax при условии контроля наибольшего значения модуля невязки на каждой итерации. Моделирование выполнялось с использованием языка программирования Python и библиотеки Tensorflow. Модельная поверхность рельефа дна была представлена в виде многочлена второго порядка. Образцы получены на основе виртуальных измерений глубин в узлах координатной сетки с пространственным разрешением не хуже, чем один кабельтов. После сбора образцов выполнялось обучение нейронной сети, в ходе которого не использовалась контрольная выборка. В обучении участвовало несколько нейронных сетей, отличающихся количеством скрытых слоев, а также количеством нейронов в них. После обучения было проведено тестирование, которое предполагало движение судна вдоль меридианов, в точности не совпадающих с используемыми для формирования обучающей выборки. При этом наряду с вариантом средних по долготе меридианов рассмотрен вариант выбора меридианов с использованием датчика случайных чисел равномерного распределения. В результате тестирования все рассмотренные сети показали примерно одинаковую приемлемую навигационную точность, близкую к точности, полученной на обучающей выборке.

Предложен метод определения широты места судна по глубине на основе нейронной сети, которая принимает на вход последовательность глубин, измеренных при помощи однолучевого эхолота и прогнозирует широту на момент измерения последней глубины. Сеть имеет два слоя. Первый слой содержит нейроны с функциями активации в виде гиперболического тангенса, второй состоит из одного нейрона, обладающего тождественной функцией активации. Набор учебных данных состоит из обучающей и контрольной выборок. Обучающая выборка формируется на основе слоя глубин, содержащегося в электронной навигационной карте. Контрольная выборка формируется путем псевдослучайных вариаций входных образцов из обучающей выборки. Каждая такая вариация соответствует постоянному изменению уровня моря вследствие ошибок измерений и/или колебаний ветрового и/или приливоотливного характера. Обучается сеть методом Adamax. Критерием эффективности обучения служит наибольшее значение модуля ошибки прогноза широты, определенное для образцов из контрольной выборки. После обучения сеть проходит тестирование на образцах, полученных аналогичным образом, как для контрольной выборки. Моделирование выполнено с использованием языка программирования Python. Для обучения и реализации работы нейронной сети используется библиотека TensorFlow. Моделирование выполнено для нескольких вариантов архитектуры сети, каждый из которых отличается количеством нейронов в скрытом слое. В результате было зафиксировано, что нейронные сети имеют тенденцию к обучению их прогнозированию широты места судна по последовательности глубин, что позволяет рассматривать их в качестве перспективного инструмента для решения задач батиметрической навигации.

В работе выполнен анализ классического метода градиентного спуска и предложен способ динамического изменения шага обучения на основе вычисляемых параметров τ и p. Основной акцент сделан на алгоритме, который позволяет вычислять оптимальные значения параметров τ и p для минимизации времени обучения. Эксперименты демонстрируют, как изменения этих параметров влияют на скорость обучения для различных топологий нейронных сетей и функций активации. Результаты моделирования показывают, что правильный выбор τ и p может значительно сократить временные затраты при обучении нейронных сетей с фиксированной структурой. Использование этих параметров позволяет улучшить процесс обучения, предотвращая застревание в локальных минимумах и обеспечивая баланс между скоростью обучения и точностью результата. Исследования продемонстрировали эффективность адаптивного подхода при различных топологиях нейронных сетей и функциях активации. Представленные графики и численные расчёты показывают зависимость средней скорости обучения от выбранных параметров.

В статье разрабатывается комплексный подход к прогнозированию транспортной загруженности с использованием синтетических данных, имитирующих динамику городского трафика. Гибридная методология позволяет объединить анализ временных рядов и глубокое обучение, что актуально для моделирования нелинейных зависимостей и закономерностей в транспортных данных.

Цель. Целью работы является разработка и тестирование прогностической модели, способной точно предсказывать уровни транспортной загруженности с учётом сезонных и погодных факторов.

Материалы и методы. Для выявления паттернов в данных применено аддитивное разложение временного ряда, спектральный анализ на основе быстрого преобразования Фурье и оценка автокорреляционных зависимостей. Прогностическая модель реализована в виде двухэтапного подхода: классический алгоритм ARIMA используется для базового прогнозирования, а архитектура LSTM с двумя рекуррентными слоями и регуляризацией – для обучения на последовательностях длиной 24 часа. Дополнительно для сопоставления и подтверждения результатов применён ансамблевый метод Random Forest, настроенный с гиперпараметрами: 200 деревьев, максимальная глубина – 12, минимальное количество объектов в листе – 2.

Результаты. Результаты демонстрируют превосходство LSTM-модели над ARIMA и Random Forest по точности предсказаний, что подтверждается визуальным сопоставлением прогнозов с тестовыми данными и метрикой среднеквадратичной ошибки. Выявлены ключевые факторы, влияющие на загруженность: суточные циклы интенсивности трафика, рост нагрузки при осадках (до 30% при снеге и 20% при дожде), а также температурно-зависимая модуляция транспортного потока.

Рассмотрены наиболее распространенные виды дефектов стальных канатов, возникающих при эксплуатации пассажирских канатных дорог, а также причины их возникновения. Проведен анализ геометрических параметров и структуры стального каната с имеющимся дефектом «волнистость», построена компьютерная 3D-модель с использованием видеоаналитики. Рассмотрен оптический метод обнаружения поверхностных дефектов стальных канатов на базе машинного зрения и искусственного интеллекта для дистанционного непрерывного мониторинге его технического состояния.