Периодическое затопление и просушивание почвы рисовых полей создает условия для неустойчивости гумусового состояния в силу потерь органических соединений без насыщения органическим азотом. Это во многом обусловлено сокращением посевов многолетних трав, недостаточным внесением органических удобрений, а также интенсификацией производства риса, что способствует усилению процессов минерализации органического вещества почвы. Исследования проводили в период с 2017 по 2022 гг. на перегнойно-глеевой почве, освоенной под рисовые оросительные системы в восьмипольных рисовых севооборотах с посевом многолетних трав (люцерны) и без них. В севообороте без травяного звена содержание гумуса в пахотном горизонт почвы (0-20 см) снизилось на 0,73%, а в горизонте 20-40 см на 0,18 %. На участке с многолетними травами в рисовом севообороте, за аналогичный период, снижение гумуса в пахотном слое было меньше и составляло 0,51 %. Наибольшее значение плотности почвы в пахотном горизонте было получено на участке с севооборотом без многолетних трав, которое составило 1,24 г/см3. В 2022 г. на этом участке плотность почвы пахотного горизонта повысилась на 0,13 г/см3 и составила 1,37 г/см3. Пористость почвы в пахотном горизонте (0-20 см) была наибольшей на участке с многолетними травами и составила 58,4 %, в 2022 г. она снизилась на 1,7 %. Аналогичная закономерность наблюдалась и в горизонте почвы 20-40 см, снижение составило 1,3 %. Наименьшие значения пористости в пахотном горизонте почвы были получены на участке без многолетних трав (53,2 %), что на 5,2 % ниже чем на участке с многолетними травами. Представленные результаты исследований свидетельствуют о существенном влиянии многолетних трав, возделываемых в рисовом севообороте, на плодородие почвы рисовых полей.
С целью определения влияния доз и способов внесения торфонавозного компоста (ТНК 1:1) на плодородие почвы, продуктивность кормового севооборота и качество продукции проводили многолетний полевой опыт на дерново-подзолистой легкосуглинистой почве, в пахотном слое (20…22 см) которой содержалось гумуса 1,69…1,72 %, доступных форм фосфора - 135 и калия - 138 мг/кг, pH 5,8…5,9. Изучали варианты заделки доз ТНК - 60,70,100 и 140 т/га обычным плугом ПН-4-35 в слой почвы 2022 см, ярусным ПЯ-3-35 на 25-27 см и дисковой бороной БДТ-3 на 15-17 см. Установлено, что запашка органического удобрения в нижний слой почвы двухъярусным плугом увеличивает коэффициент гумификации с 1,25 до 1,65, 2,4 раза увеличивает количество дождевых червей в нижнем слое почвы, на 18,4 % повышает целлюлозлитическую активность и продуцирование СО? улучшает агрофизические свойств почвы. Замедление минерализации органического вещества в нижнем горизонте 20…30 см при дефиците кислорода обеспечивает расширенное воспроизводство плодородия почвы, устраняет необходимость частого внесения органического удобрения, увеличивает урожайность возделываемых культур и качество продукции. При глубокой ярусной обработке почвы и внесении 100 т/га ТНК средняя урожайность горохоовсяной смеси составила 5,27 т/га, тогда как без внесения удобрения при обычной вспашке - 4,56, по обычной вспашке и внесении 100 т/га ТНК - 4,98, по дискованию и внесении 100 т/га ТНК - 5,05 т/га, викоовсяной смеси 4,43, 3,93, 4,12, 4,06 и рапса ярового - 2,59, 2,43, 2,55 и 2,51 соответственно. Максимальный выход кормовых единиц и сборы переваримого протеина получены при ярусной обработке почвы и внесении 140 и 100 т/га ТНК - 36,9 и 36,2 тыс/га кормовых единиц и 4536 и 4333 к/га переваримого протеина.
В статье рассматриваются результаты работы наиболее распространенных алгоритмов стеганографии. Численным моделированием показана возможность противостоять атакам стегоанализа на различных этапах, связанных с объемом встраивания информации. Показано, что наиболее приемлемым можно считать адаптивные алгоритмы стеганографии.
Предлагается формальное определение компьютерной модели сложной системы, как рода структуры в смысле Н. Бурбаки - род структуры «модель». Класс математических объектов, определяемый этим родом структуры, обладает следующими двумя свойствами: комплекс, созданный объединением математических объектов рода структуры «модель» по определенным правилам, сам является математическим объектом этого рода структуры. Организация вычислительного процесса для всех математических объектов рода структуры «модель» однотипна и поэтому может быть реализована единой универсальной программой, притом ориентированной на параллельные вычисления. Наличие этих двух свойств позволяет построить сквозную технологию разработки, описания, синтеза и программной реализации моделей сложных систем - Модельно-ориентированное (МО) программирование.
Machine learning (ML) environments offer a variety of methods and tools that help to solve problems in different areas, including software engineering (SE). Currently, a large number of researchers are interested in the possibilities of using various machine learning techniques in software engineering. This paper provides an overview of machine learning techniques used in each stage of the software development life cycle (SDLC). The contribution of this review is significant. Firstly, by analyzing sources from bibliographic and abstract databases, it was found that the topic of integrating machine learning techniques into software engineering is relevant. Secondly, the article poses questions and reviews the methodology of this research. In addition, machine learning methods are systematized according to their application at each stage of software development. Despite the vast amount of research work on the use of machine learning techniques in software engineering, further research is required to achieve comprehensive comparisons and synergies of the approaches used, meaningful evaluations based on detailed practical implementations that could be adopted by the industry. Thus, future efforts should be directed towards reproducible research rather than isolated new ideas. Otherwise, most of these applications will remain poorly realized in practice.
В статье описывается разработанный программный сервис, предназначенный для автоматизации процесса предварительной обработки и фильтрации данных сигнала ЭЭГ с синхронизированной видеозаписью для анализа континуальных процессов мозга. Представление сигнала осуществляется в форме матрицы топографических карт распределения мощности сигнала по эпохам заданной длительности в заданных частотных диапазонах, позволяющей пользователю производить сравнительный анализ нескольких записей ЭЭГ во времени. Сервис предоставляет возможность детального анализа выбранного фрагмента записи, включающую оценку динамики изменения параметров фрагмента записи во времени. Сервис позволяет выполнять такой анализ с использованием синхронизированной видеозаписи участника с видеотрекингом его физиологических параметров, таких как частота дыхания, кровяное давление, пульс, насыщение крови кислородом, движения головы, открытость/закрытость рта и глаз. Данная аналитика обеспечивает гибкую систему фильтрации и предварительной обработки данных ЭЭГ. Апробация сервиса по обработке и анализу данных ЭЭГ выполнена на примере автоматизации метода распознавания медитативного состояния человека, характеризующегося направлением внимания в ощущения тела и абстрагированием от внешних стимулов.
Рассматриваются алгоритмические принципы внедрения нелинейных функций эффективности в когнитивную модель слабоформализованной системы. С точки зрения прозрачности теоретического взгляда в качестве такой нелинейной функции использовалась функция типа ReLU. Сложная система представляется в виде ориентированного графа, вершин и ребрамов, которым соответствуют настройки настроек. В определении нелинейная процедура расчета значений элементов системы (внутренних вершин) на графе в зависимости от внешних факторов (входных вершин) и, соответственно, расчета коэффициентов работы во всем мире. Показано, что в отличие от линейного случая, наблюдавшегося ранее, в нелинейном случае коэффициенты имеют лучшее развитие от результатов вершин - элементов системы. В связи с двумя простыми моделями, описывающими основные тенденции мировой энергетики и воздействия некоторых вирусных инфекций на производственный процесс, показаны проявления более богатого набора наблюдаемых ситуаций по сравнению с линейным развитием событий.
В статье рассмотрена актуальная проблема уязвимости технологий искусственного интеллекта на основе нейронных сетей в задаче распознавания образов. Показано, что применение нейронных сетей порождает множество уязвимостей. Приведены конкретные примеры таких уязвимостей: некорректная классификация изображений, содержащих вредоносный шум или заплатки, отказ распознающих систем при наличии на изображении особых узоров, в том числе нанесенных на объекты реального мира, отравление обучающей выборки и др. На основе проведенного анализа показана необходимость улучшения безопасности технологий искусственного интеллекта и даны предложения, способствующие этому улучшению
Предложены определения гибких и жестких документов, используемые в технологиях ввода в компьютер деловых документов. Рассмотрены особенности создания, оцифровки и анализа жестких форм и жестких документов. Описаны границы применимости модели привязки изображений жестких документов, искаженных при оцифровке. Рассмотрена модель для привязки гибких документов, основанная на распознанных словах и графических примитивах, связанных набором отношений порядка. Классификация основана на различных способах подготовки деловых документов для печати. Описаны особенности привязки полей и распознавания для нескольких типов документов, таких как условно-жесткие документы, гибкие документы, продуцированные одной формой, гибкие документы, продуцированные малым и большим числом форм. Рассмотрен случай распознавания условно-жестких документов с применением технологий ввода гибких документов. Проведенные эксперименты показывают, что для некоторых полей пометок в условиях сильного зашумления и значительных искажений доля ошибок уменьшается в два раза.
Представлены результаты изучения влияния листовой подкормки вегетирующих растений кукурузы в фазе 5-6 листьев органоминеральными удобрениями Batr Bor, 0,5 л/га, и Био Полимик, 1 л/га, на увеличение пыльцевой продуктивности и урожайности семян отцовской формы гибридов, среднеспелого двойного Краснодарский 385 MB (Коралл MB), ФАО 380 и среднепозднего двойного Краснодарский 415 MB (Анатолий MB), ФАО 400 в условиях Приазово-Предкавказской степной зоны обыкновенных черноземов на черноземах обыкновенных слабогумусных сверхмощных. Погодные условия за годы исследований различались по годам и оказали влияние на формирование урожайности растений кукурузы. Гидротермический коэффициент в 2018 году составил 0,5; в 2019 году 0,8; в 2020 году 0,8 при среднемноголетнем значении показателя 1,0. В зависимости от продолжительности вегетационного периода гибрида кукурузы изменялась масса метелки и пыльцы. У отцовских форм среднеспелого ЗКоралл MB и среднепозднего Анатолий MB сырая масса метелки и пыльцы составили 23,6 и 2,05 г/раст; 26,2 и 2,13 г/раст соответственно. Формирование большей массы метелок и пыльцы за счет оптимизации условий выращивания с помощью органоминеральных удобрений обеспечило увеличение урожая. Прибавки урожая, в среднем за три года, составили при внесении Batr Bor, 0,5 л/га 0,79 и 1,03 т/га у отцовских форм Коралл MB и Анатолий MB, соответственно. Подкормка препаратом Био Полимик, 1,0 л/га обеспечила более высокий уровень урожайности. Прибавки составили 0,6 и 1,22 т/га, соответственно.