Статья посвящена актуальной проблеме представления и классификации длинных текстовых документов с использованием трансформеров. Методы представления текста, основанные на трансформерах, не могут эффективно обрабатывать длинные последовательности из-за их процесса самовнимания, который масштабируется квадратично с длиной последовательности. Это ограничение приводит к высокой вычислительной сложности и невозможности применения таких моделей для обработки длинных документов. Для устранения этого недостатка, в статье разработан алгоритм на основе трансформера SBERT, который позволяет построить векторное представление длинных текстовых документов. Ключевая идея алгоритма заключается в применении двух различных процедур к созданию векторного представления: первая основана на сегментации текста и усреднении векторов сегментов, а вторая - на конкатенации векторов сегментов. Такая комбинация процедур позволяет сохранить важную информацию из длинных документов. Для проверки эффективности алгоритма был проведен вычислительный эксперимент на группе классификаторов, построенных на основе предложенного алгоритма, и группе известных методов векторизации текста, таких как TF-IDF, LSA и BoWC. Результаты вычислительного эксперимента показали, что классификаторы на основе трансформеров в целом достигают лучших результатов по точности классификации по сравнению с классическими методами. Однако, это преимущество достигается за счет более высокой вычислительной сложности и, соответственно, более длительного времени обучения и применения таких моделей. С другой стороны, классические методы векторизации текста, такие как TF-IDF, LSA и BoWC, продемонстрировали более высокую скорость работы, что делает их более предпочтительными в случаях, когда предварительное кодирование не допускается и требуется работа в режиме реального времени. Предложенный алгоритм обработки и представления длинных документов доказал свою высокую эффективность и привел к увеличению точности классификации набора данных BBC на 0,5% по критерию F1.
Статья посвящена решению научной проблемы создания верхнеуровневого описания модели онтологии знаний для интеллектуальных систем обработки и анализа текстов на естественном языке, построенной на основе оригинальной компонентной архитектуры, обеспечивающей необходимый уровень детализации спецификаций анализируемой текстовой информации. Актуальность данной задачи обусловлена необходимостью развития теоретических основ построения информационных моделей семантических зависимостей внутри текстов на естественном языке. Автором даны определения основным терминам исследуемой предметной области. Представлена формализованная постановка решаемой задачи. Проблема «информационного взрыва», причиной возникновения которой стал экспоненциальный рост объемов цифровой информации, привела к ситуации, когда до 95% информационного потока содержит неструктурированные данные. В подобных условиях, крайне актуальной становится задача создания эффективных интеллектуальных систем поиска и приобретения знаний, в том числе, интеллектуальных систем обработки и анализа текстов на естественном языке. Научным направлением решения этой частной задачи является Text Mining (TM) - раскопка знаний в текстовой информации. В качестве примера прикладной задачи использования приобретенных знаний, в данном исследовании, рассматривается значимая проблема информационной поддержки процессов предупреждения и/или ликвидации последствий чрезвычайных ситуаций. В данной задаче исходными данными являются потоки текстовых сообщений (новостной информации, отчетов о техническом состоянии техногенных объектов, информации о природных явлениях и т.п.), поступающих в центры принятия решений, а на выходе формируются прогностические оценки и/или конкретные инструкции относительно оценки ситуации и предпринимаемых действий определенными специалистами. Одной из причин, сдерживающих развитие интеллектуальных систем обработки и анализа текста для решения задач поиска, приобретения и использования знаний, является недостаточно высокий уровень эффективности моделей и алгоритмов, обеспечивающих комплексное решение описанных выше задач искусственного интеллекта с учетом особенностей семантики и контекста.
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.
Рассматриваются задача создания модели распознавания объектов на изображениях и возможные способы ее решения на примере работы с российскими дорожными знаками по ГОСТ Р 52290-2004. Проведен анализ способов построения прогностических моделей распознавания изображений, существующих решений в открытом доступе. В качестве базовой модели используется сверточная нейронная сеть. Разработана модель распознавания дорожных знаков на базе трансферной сети YOLOv7 в результате дообучения на наборе данных из российской базы изображений автодорожных знаков RTSD. Проанализированы и описаны метрики оценки качества работы созданной модели. Созданная модель отвечает требованиям качества в отношении объективных метрик, позволяет строить прогнозы с учетом специфических ситуаций в различных погодных условиях и в разное время суток для 146 различных предопределенных классов. Характеристикой класса является номер знака по ГОСТ Р 52290-2004. Модель обладает точностью предсказаний, равной 0,847 при полноте предсказаний в 0,811. Усредненная точность предсказаний модели - 0,884 при тестировании на 493 изображениях из тестовой выборки. Тестовая выборка не пересекается с обучающей, составляющей 1 842 изображения. Разработанная модель опубликована в открытом доступе как для использования в научных целях, так и для дальнейшего дообучения. Это дает возможность исследователям в данной области ознакомиться с практическим примером реализации модели, дополнить или улучшить его при необходимости. Описанный в работе метод позволит исследователям в различных предметных областях найти решение, позволяющее преодолеть ресурсные ограничения при создании высокопроизводительной и качественной прогностической модели распознавания.
Рассматривается проблема глобального планирования маршрута мобильного робота между двумя заданными точками на известной территории со статическими препятствиями. Для решения проблемы построения маршрута на территории с большим количеством препятствий сложной формы предлагается комплексный подход на основе методов теории графов, который включает в себя применение диаграммы Вороного, графа видимости и алгоритма Дейкстры. На первом этапе исследуемая территория представляется в виде многоугольного объекта, пространство вне объекта рассматривается в качестве препятствий. Далее для обеспечения безопасного расстояния от препятствий строится внутренний буфер многоугольного объекта с помощью разности Минковского. Затем производится уплотнение вершин многоугольника, по полученным вершинам строятся полигоны Вороного. Из полигонов Вороного рассчитывается срединная ось многоугольника, к которой затем применяется алгоритм Дейкстры для расчета кратчайшего пути. Полученный путь используется для построения графа видимости, к полученному графу повторно применяется алгоритм Дейкстры. Предложенный подход позволяет построить маршрут, оптимальный с точки зрения длины и расстояния до препятствий, при этом значительно снижает вычислительную сложность построения графа видимости. Подход был реализован в свободно распространяемой геоинформационной системе QGIS для планирования маршрута мобильного робота в водной среде. Результаты эксперимента показали, что диаграмма Вороного сократила количество вершин, необходимых для построения графа видимости, в 8,3 раза, при этом граф видимости улучшил путь, полученный из диаграммы Вороного, на 8 %. Предлагаемый подход может использоваться для глобального планирования маршрутов мобильных роботов в различных средах.
Нефтехимические заводы оснащены множеством приборов и большим количеством датчиков, которые собирают данные измерений для управления и мониторинга процесса. В то же время исследователи начали использовать большие объемы данных для построения прогнозных моделей, которые назвали виртуальными датчиками. Предложен анализ применения виртуальных датчиков в рамках процесса гидроочистки дизельных фракций. Представлена разработанная авторами классификация виртуальных датчиков, которая помогает определить и выбрать инструменты для мониторинга, что способствует повышению точности, гибкости и эффективности контрольных механизмов производства. Детально изложена процедура разработки виртуальных датчиков, подчеркивается их потенциал как стратегического актива, способного усилить технологическую продуктивность и улучшить конкурентоспособность предприятий. Также освещается разработка структурной схемы системы управления для процесса гидроочистки дизельных фракций, демонстрирующей интеграцию и применение виртуальных датчиков для совершенствования указанного процесса.
Рассматриваются проблемы, связанные с функционированием сложных систем управления в условиях неопределенности входных воздействий, а также существующие подходы к их решению, основанные на использовании методов нечеткого управления, адаптивного управления и интеллектуальных алгоритмов. Для повышения эффективности функционирования объекта осуществляется синтез интеллектуальной системы с нечеткой стабилизацией управления в условиях неопределенности входных воздействий. Применение нечеткого управления позволяет учитывать неопределенность входных воздействий и стабилизировать управление на основе продукционной модели представления знаний, что делает систему более гибкой и устойчивой к изменениям. Динамический выбор оптимального метода дефаззификации с целью нечеткой стабилизации управления обеспечивает результативное функционирование каждой конкретной системы. Рассматривается пример реализации интеллектуальной системы с нечеткой стабилизацией управления силой электрического тока для гальванического процесса при неопределенности следующих входных воздействий: длительности, площади детали, температуры и кислотности электролита. Для подтверждения эффективности разработанной интеллектуальной системы проводится вычислительный эксперимент на примере управления гальваническим процессом нанесения никелевого покрытия в электролите Уоттса с использованием нечеткого вывода по алгоритму Мамдани при треугольной норме и конорме Заде. Полученные результаты показывают, что применение интеллектуальной системы с нечеткой стабилизацией управления приводит к более точному результату (в плане толщины покрытия) по сравнению с самостоятельным использованием наиболее распространенных методов дефаззификации (центр тяжести; медиана; наименьший, центр и наибольший из максимумов).
Актуальность исследования обусловлена тем, что управление квадрокоптером с помощью жестов рук более естественно и интуитивно, чем использование традиционных пультов управления. Это позволяет пользователям с легкостью освоить управление и сосредоточиться на выполнении задачи, а не на технических аспектах управления. В свою очередь, разработка системы распознавания жестов требует совершенствования алгоритмов обработки изображений на основе машинного обучения. Данная статья направлена на исследование возможности реализации управления движением квадрокоптера с использованием жестов рук, в сочетании с современными нейросетевыми технологиями. Основным подходом в исследовании данной проблемы является применение сверточных и искусственных нейронных сетей для обработки изображений и выполнения задач компьютерного зрения. В работе также рассматриваются методы оптимизации гиперпараметров с помощью инструмента Optuna, использования TensorFlow Lite для реализации моделей машинного обучения на устройствах с ограниченными ресурсами и применение библиотеки MediaPipe для анализа жестов. Такие технологии, как Dropout и L2-регуляризация, используются для повышения эффективности моделей. Материалы статьи представляют практическую ценность для исследователей в области искусственного интеллекта и робототехники, разработчиков программного обеспечения и компаний, занимающихся разработкой беспилотных летательных аппаратов.
В статье рассматривается подход к анализу и оптимизации эффективности сетевых организационных систем в условиях активизации процессов автоматизации и цифровизации. Выделен класс организационных систем с автоматизированными устройствами обслуживания, результатом деятельности которых является выполнение услуг. Включение в сетевую структуру сервисных автоматов определяет особенность решения задач анализа и оптимизации. Анализ базируется на имитационном моделировании исследуемого класса систем как систем массового обслуживания с варьируемой топологией каналов обслуживания. Поэтому оптимизируемыми переменными определены альтернативные переменные, характеризующие компоненты топологии, которые связаны с дублированием как компонентов, так и автоматизированных устройств в целом. К этим переменным добавлены переменные, влияющие на лояльность клиентов за счет предоставления скидок в определенные временные периоды. Оптимизационная модель представляет собой объединение формализованных описаний зависимостей от оптимизируемых переменных экстремального и граничных требований. В качестве экстремального требования определена необходимость максимизации дохода, а граничных - временные характеристики, связанные с временем простоя автоматизируемых устройств и временем простоя обслуживания. Алгоритмизация принятых решений по варианту топологии сетевой системы и механизму повышения лояльности клиента основана на объединении трех составляющих итерационного процесса поиска: анализа исследуемой организационной системы с использованием имитационной модели; имитацией направленного перебора при случайных значениях альтернативных переменных; окончательного выбора на множестве перспективных вариантов путем экспертного оценивания. Предложена структурная схема алгоритма, базирующегося на интеграции перечисленных составляющих.
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.