Научный архив: статьи

Рассматривается проблема машиночитаемости текста в век цифровых технологий. Оптическое распознавание символов (OCR) печатного и рукописного текста является одним из вариантов решения актуальной проблемы. Основные задачи данного метода - анализ существующих систем и алгоритмов распознавания, разработка собственного кода и его тестирование на различных шрифтах и почерках. Проблема OCR особенно актуальна в контексте распознавания рукописного текста, что подчеркивает необходимость создания эффективных решений с использованием современных технологий. В статье исследуется реализация одной из функций компьютерного зрения по обработке печатного и рукописного текста. Кроме того, рассматривается возможность улучшить распознавание за счет деления изображений на черно-белые и выделения дополнительных частей символов. Существует ряд систем, распознающих печатный текст с низкой вероятностью ошибки, но проблема распознавания рукописного текста на разных языках мира будет всегда актуальна. Не все существующие системы распознавания рукописного текста могут быть применены для печатного, особенно с использованием нейронных сетей. Такие системы чаще всего работают на основе признаковых или шаблонных методов.

Мы впервые применяем объяснимый искусственный интеллект (ИИ) для выявления влияния различных показателей экологической и социальной ответственностей и корпоративного управления (ESG) компаний-эмитентов на риск снижения цен акций (далее - downside риск, или РСЦА) на российском рынке. Методология основана на двухэтапном подходе, включающем построение нейронных сетей с плотными слоями и определение значений векторов Шепли (из теории игр) для интерпретации эмпирических результатов. Данный методологический подход ранее не применялся для анализа детерминант РСЦА. Особенностью нашего исследования является фокус на влиянии широкого спектра экологических факторов под контролем финансовых показателей компаний и макроэкономических показателей. Мы выявляем изменение рейтинга факторов по важности влияния на РСЦА во время кризиса, вызванного пандемией COVID-19. Мы получили ряд новых результатов. До кризиса наиболее значимым фактором был рост ВВП. Экологическая ответственность и интегральный показатель ESG занимали второе и третье место по силе влияния соответственно. Однако соблюдение некоторых практик ESG, связанных с охраной окружающей среды, увеличивало РСЦА. Во время кризиса рейтинг факторов РСЦА по силе влияния изменился и долговая нагрузка переместилась на первое место. Роль социальной ответственности и корпоративного управления в РСЦА выросла.

Предложен новый метод реконструкции для восстановления потерянных областей на картах глубины для повышения точности автономной навигации сельскохозяйственных РТК. (Цель исследованая) Разработка метода, который устраняет потери данных на картах глубины, улучшая тем самым работу системы одновременной локализации и картографирования (SLAM). (Материалы и методы) Оригинальный метод реконструкции карт глубины включает: вычисление анизотропного градиента; поиск аналогичных блоков на основании нового критерия; объединение найденных блоков с помощью нейросетевой архитектуры, состоящей из кодировщика, слоя слияния и декодера. Метод протестирован на наборе данных Rosario, в том числе со сложными сценариями сельского хозяйства. (Результаты и обсуждение) Реконструкция карт глубины показала значительное улучшение качества: средняя ошибка (RMSE) пикового отношения сигнала к шуму (PSNR) и индекса структурного сходства (SSIM) уменьшилась на 20−30% по сравнению с существующими методами. Показано, что предлагаемый метод сохраняет структуру и текстуру восстановленных областей, обеспечивая точную реконструкцию крупных зон с отсутствующими пикселями. Чтобы сравнить производительность SLAM, была выбрана S-MSCKF. Количественные результаты абсолютной ошибки траектории (ATE) и среднее значение RMSE оценены с помощью SLAM до и после восстановления карт глубины. Абсолютная ошибка траектории (ATE) снизилась с 0,62 до 0,25 метра, а RMSE – с 0,85 до 0,39 метра. (Выводы) Предлагаемый метод значительно повышает точность работы сис­тем SLAM, особенно в условиях сложных сельских ландшафтов, изменчивого освещения и длительных перемещений. Отмечен потенциал для широкого внедрения метода в системах автономного управления сельскохозяйственной техникой при увеличении надежности и безопасности эксплуатации роботов.

В условиях современного мира надежность электроснабжения становится критически важной для функционирования как бытовых, так и промышленных систем. Отключения электроэнергии могут привести к значительным экономическим потерям и нарушению работы жизненно важных инфраструктур. Внедрение резервных источников питания может значительно повысить устойчивость к отключениям. Однако для эффективного управления этими источниками необходимо разработать интеллектуальные системы, способные предсказывать и автоматизировать включение резервных источников питания в ответ на изменения в потреблении или отказ основного источника. В данной статье исследование посвящено разработке и применению нейронной сети для автоматизации процесса включения резервных источников питания на трансформаторной подстанции. Актуальность работы обусловливает повышение требований к надежности электроснабжения, особенно в условиях эксплуатации, требующих особого внимания. В традиционной системе управления резервом сформированные на фиксированных пороговых значениях и релейной логике ограничивают адаптивность работы к изменяемым режимам работы электросети и не обеспечивают прогнозирования аварийных ситуаций. А нейронная сеть, в свою очередь, обучается c данных электросети (напряжение, ток, частота, активная и реактивная мощность и другие) и способна прогнозировать необходимость переключения на резервные источники питания на основе анализа динамики этих параметров, что в результате позволяет значительно повысить надежность электроснабжения и снизить риск возникновения аварийных ситуаций. Поэтому в представленной работе предложен подход, основанный на использовании простого Feedforward нейронной сети (многослойного персептрона (MLP)), реализованного с применением библиотек Keras и TensorFlow на языке Python.

Сложность и ответственность решений, принимаемых при управлении потенциально опасными и рискованными операциями, а также операциями с высокой стоимостью ошибок, часто не позволяют полностью автоматизировать управление высокоразмерными технологическими процессами. В статье представлены проблематика методологии управления, основные положения и этапы методологии прецедентной адаптации контура управления многомерных технологических процессов к изменяющимся условиям их протекания. Приведено описание процедуры нейросетевой адаптации и принципов выбора типа и топологии нейросети, подстраивающей контур управления технологическими установками. Приведены условия оптимальности использования многослойных архитектур нейронных сетей и формулы расчета числа их межнейронных связей и слоев.

Стремительное развитие искусственного интеллекта привело к появлению дискуссий о наличии у функционирующих на его основе систем когнитивных способностей, присущих человеку. Все чаще анализируются вопросы применения искусственных нейронных сетей при решении интеллектуальных задач, в том числе задач судебной экспертизы. Вместе с тем в случае применения нейросетевых технологий, способных имитировать интеллектуальную деятельность человека, важно определить пределы их использования при проведении экспертного исследования и формулировании выводов. Отдельного рассмотрения требуют вопросы компетенции судебного эксперта, а также проблемы комплексности экспертного исследования при использовании нейронных сетей.

Целью настоящего исследования является определение особенностей и пределов использования искусственных нейронных сетей при решении интеллектуальных задач в целом и при производстве экспертного исследования в частности.

Методологическую основу исследования составили диалектический метод познания, общенаучные методы (анализ и синтез, дедукция и индукция, логический метод) и частнонаучные методы исследования (формально-логический, системно-структурный).

Современные искусственные нейронные сети являются лишь моделью человеческого мозга, причем условной моделью, а не полноценным аналогом мозга. Их использование обоснованно в ситуациях, предполагающих выполнение рутинных операций по четко определенным правилам. При производстве экспертного исследования пределами использования нейронных сетей является конкретная подзадача, решаемая на отдельной стадии исследования, при сохранении определяющей роли эксперта в формулировании вывода. Применение методов исследования, основанных на нейронных сетях, должно войти в компетенцию эксперта конкретной экспертной специальности после получения им соответствующих знаний и практических навыков. Отмечена необходимость включения в теорию судебной экспертологии теоретических основ использования искусственных нейронных сетей, которыми эксперт сможет руководствоваться при производстве экспертизы. В заключении обосновано, что использование нейронной сети в составе экспертной методики не относится к формам комплексного исследования, а представляет собой комплексное использование методов в пределах одной экспертной специальности.

Эффективность государственного управления водными ресурсами в значительной степени определяют полнота и актуальность информации о водных объектах бассейнов рек. В статье представлена методология сегментации водоемов в бассейнах рек по данным дистанционного зондирования Земли из космоса с применением нейронных сетей и определения с помощью полученных результатов площадей водоемов и объемов потерь на дополнительное испарение с их поверхности в бассейне р. Урал. Методы. Сегментация водоемов на космоснимках с применением сверточных и трансформерных нейросетевых моделей. Результаты. Приведены основные результаты обучения и сравнения эффективности сверточной и трансформерной нейронных сетей, сегментирующих водные объекты. С помощью наиболее эффективной нейронной сети осуществлена сегментация данных дистанционного зондирования Земли для российской части трансграничного бассейна р. Урал. Проведен анализ количества водоемов и их суммарной площади, идентифицированных с помощью трансформерной нейронной сети, а также объемов потерь на дополнительное испарение с их поверхности. Сформирована база данных сведений о водоемах в разрезе бассейновых округов, бассейнов рек, водохозяйственных участков, административно-территориальных единиц, а также сведений о местоположении водоемов и их площадях, слоях осадков и испарения с водной поверхности.

В статье представлен комплексный анализ учёта успеваемости обучающихся для решения задач эффективного и оперативного управления образовательным процессом в политехническом университете. Авторами проанализирована и классифицирована информация, которая потенциально может оказывать влияние на успеваемость студентов и их удовлетворённость образовательной организацией. Акцент сделан на применении прогнозных моделей, позволяющих осуществлять адаптацию содержания учебных дисциплин и контрольных мероприятий под текущий контингент обучающихся. В качестве основного средства оценивания рассматривается тестирование. В исследовании использованы обезличенные данные, собранные о студентах первого курса политехнического вуза (2023/24 учеб. год) уровней подготовки бакалавриат и специалитет (n=1549) по таким группам факторов, как демографические, социокультурные, академические и экономические. Использованы методы математической статистики, а именно: определение вида распределения данных при помощи теста Шапиро - Уилка, установление наличия мультиколлинеарности при построении множественной регрессии критерием Пирсона, установление корреляционных зависимостей методом ранговой корреляции Спирмена. Методы машинного обучения, применённые для прогнозирования оценки на промежуточной аттестации по дисциплинам базового цикла (математика и физика), реализованы на языке программирования Python (v. 3.8) с использованием свободно распространяемой библиотеки Keras. Основные результаты: представлена классификация факторов, влияющих на успеваемость и удовлетворённость обучающихся; при помощи методов математической статистики установлена значимость каждого фактора для прогнозирования успеваемости; разработана и представлена модель управления образовательным процессом на основе Agile Learning Design, позволяющая адаптировать конкретную дисциплину под текущий контингент обучающихся.

В данной статье представлен подход к разработке и реализации нейронной сети на языке Python, направленной на автоматическое распознавание одежды на основе изображений из датасета, состоящего из шести категорий. Технология может быть использована для создания базы данных, где описание станет ключом к нахождению определенного вида одежды.

Основная цель исследования заключалась в создании модели машинного обучения, способной классифицировать текстильные изделия. В рамках работы был использован датасет, включающий изображения одежды, разделенные на категории верхней одежды: жакеты, рубашки, рубашки поло, майки, футболки и худи. Несмотря на тщательную предобработку данных, предполагающую изменение размера изображений и нормализацию цветовых значений, точность распознавания категорий одежды составила всего 16 %. Это стало следствием недостаточной размерности датасета и схожести двух категорий, что значительно затрудняло процесс их различения. Код нейронной сети включает в себя несколько ключевых компонентов: предобученная сеть VGG16, два полносвязных слоя (Dense), слои Flatten и Dropout. Архитектура сети была настроена в соответствии с лучшими практиками, однако ограничения исходных данных оказали негативное влияние на итоговые результаты.

Результаты эксперимента подчеркивают необходимость использования более обширных и разнообразных наборов данных для повышения точности классификации. В статье обсуждаются возможные пути улучшения модели, включая методы обогащения данных, которые могут помочь повысить точность модели.

Заключение статьи акцентирует внимание на вызовах в области применения глубинного обучения для распознавания объектов и их классификации, а также подчеркивает важность адекватного выбора и подготовки данных для успешной работы нейронных сетей в реальных задачах.

Показана возможность использования глубоких нейронных сетей для оценки ожидаемой средней районной урожайности озимой пшеницы для территории Северо-Кавказского УГМС. Обучение нейронной сети выполнялось на наборе данных, включающих спутниковые индексы, метеорологические данные, а также временные ряды средней районной урожайности за период с 2012 по 2023 год. Проведен экспериментальный поиск оптимальных гиперпараметров нейронной сети, который позволил достичь баланса между точностью и обобщенностью модели. Проведен сравнительный анализ точности расчётов ожидаемой урожайности, полученных на основе нейронной сети, статистических регрессионных моделей и алгоритмов машинного обучения (дерево решений, случайный лес, линейная регрессия). Результаты анализа показали, что максимальная сходимость между фактической и рассчитанной урожайностями озимой пшеницы достигается с использованием нейронной сети. Полученные результаты демонстрируют перспективность нейросетевого подхода для оценки ожидаемой урожайности озимой пшеницы на основе комплексирования наземных и спутниковых данных.

Анализируя научно-популярные фильмы, автор обращает внимание на проблему явного сокращения разнообразия художественных средств в современном научном кино, использующем в основном приемы документалистики (наблюдение, интервьюирование, репортажную съемку), редко прибегающем к постановочным методам и сложным визуальным решениям. Автор исследует возможность сочетания в научном кино игровых и неигровых элементов, а также применения метода «постдок». Актуальность темы обусловлена ее недостаточной изученностью. «Постдок» - термин, появившийся не так давно. В научной литературе пока не существует его единого определения. «Постдок» рассматривается как явление, возникшее в эпоху постправды и связанное, прежде всего, с нашим восприятием документального материала, а также как художественный метод: сочетание игрового и неигрового материала в документальном или научном фильме. Объектом исследования являются созданные в экспериментальной Лаборатории научного кино короткометражные картины, снятые режиссерами в разных жанрах и объединенные в киноальманах. Предметом исследования - режиссерские методы, в том числе сочетание документальности и постановочности в данных фильмах. С помощью анкетирования автор анализирует зрительские предпочтения, возникающие в ходе просмотра киноальманаха. В результате формулируются следующие выводы: 1) метод «постдок» в научном кино позволяет расширить палитру выразительных средств и придать фильмам жанровую окраску, при этом не лишая их научной достоверности; 2) при просмотре зрители обращают внимание на визуальную сторону научно-популярных картин, отдавая предпочтение тем из них, которые созданы в узнаваемых форматах и жанрах.

Введение. Предстательная железа – одна из самых частых локализаций у мужчин среди всех онкологических заболеваний. Гистологическая классификация рака предстательной железы основана на шкале Глисона и часто ограничена субъективным решением и практическим опытом врача-патологоанатома. Программы, основанные на искусственном интеллекте, способны преодолеть данный недостаток и имеют потенциал исследования и использования в клинической практике. Цель исследования – разработать интеллектуальную автоматизированную систему на основе глубокого обучения с целью морфологической диагностики рака предстательной железы с дифференциацией по шкале Глисона.

Материалы и методы. Материалом исследования послужили биоптаты предстательной железы 200 пациентов с подозрением на рак. 882 готовых гистологических препарата оцифровывались на автоматическом сканере с последующим созданием полнослайдовых изображений. Полученные тяжеловесные фотографии формата TIFF конвертировались в приемлемый для работы в аннотаторе формат JPEG. Аннотирование проводилось с помощью веб-инструмента MakeSense. AI. По результатам работы последнего подготавливались наборы данных для обучения моделей первичной и вторичной классификации, а также сегментации.

Результаты. Мера производительности вторичного классификатора, определяющего, присутствуют ли на микрофотографии комплексы рака, без указания их локализации и конкретной степени дифференцировки, составила 0,965. Аналогичный показатель работы сегментатора, выделяющего контуры железистых структур и уточняющего степень их дифференцировки по шкале Глисона, составил в среднем 0,798.

Заключение. Качественная работа сегментатора требует большего объема данных и дальнейшего обучения нейросети, однако результаты подтверждают, что алгоритм искусственного интеллекта имеет высокий потенциал для улучшения качества морфологической диагностики.