Книга посвящена вопросам общей теории связи. В доступной форме излагаются вопросы применения системы функций Уолша в технике связи. В частности, рассматриваются разложение сигналов по функциям Уолша, построение фильтров и многоканальных систем связи на основе функций Уолша, излучение волн Уолша. Большая часть книги оригинальна и малоизвестна.
Книга представляет большой интерес для научных работников, аспирантов и инженеров, которые по роду своей деятельности связаны с проектированием и построением систем связи.
В книге изложены основы теории передачи дискретных сообщений. Рассмотрены принципы передачи информации на уровне основных операций в главных составных частях системы: передающем устройстве, линии и приёмном устройстве. Описаны инженерные принципы образования реальных систем и сетей передачи, приводятся примеры построения сетей с использованием отечественной промышленной аппаратуры.
Книга предназначена для лиц, специализирующихся в области проектирования систем передачи и приёма информации.
В работе предложена гибридная генеративно-состязательная модель Roof-DeGAN для восстановления повреждённых и скрытых участков изображений крыш на аэрофотоснимках. Архитектура сочетает Vision Transformer с плотными связями в генераторе и многоуровневый дискриминатор с межмасштабным вниманием. Модель объединяет преимущества GAN, элементов диффузионного моделирования и трансформерных механизмов. Эксперименты на данных ППК «Роскадастр» показали превосходство над современными методами: PSNR = 33,7 дБ, SSIM = 0,971, LPIPS = 0,048, FID = 17,8 при времени инференса 0,15 с на изображение. Разработанный подход обладает высокой практической ценностью для задач кадастрового учёта и обновления картографических материалов.
Лабораторный практикум является частью учебно-методического комплекса по учебной дисциплине ОПЦ.04. «Основы алгоритмизации и программирования» специальности 09.02.06. Сетевое и системное администрирование. В пособии содержится теоретический материал по изучаемым разделам, варианты заданий для лабораторных работ, перечень дополнительных задач, предназначенный для аудиторного и самостоятельного решения. Издание предназначено для студентов, обучающихся по информационным специальностям программ СПО
В статье исследуется применение свёрточно-рекуррентных нейронных сетей (CRNN) для распознавания изображений кадастровых координат объектов на отсканированных документах ППК «Роскадастр». Комбинированная архитектура CRNN, объединяющая свёрточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), позволяет использовать преимущества каждой из них для обработки изображений и распознавания содержащихся в них непрерывных цифровых последовательностей. При проведении экспериментальных исследований были формированы изображения, состоящие из заданного количества цифр, построена и исследована CRNN модель. Формирование изображений цифровых последовательностей заключалось в предобработке и конкатенации изображений образующих их цифр из собственного набора данных. Анализ значений функции потерь и метрик Accuracy, Character Error Rate (CER) и Word Error Rate (WER) показал, что использование предложенной CRNN модели позволяет достичь высокой точности распознавания кадастровых координат на их отсканированных изображениях.
Массовое появление незаконных и незарегистрированных в Едином Государственном Реестре Недвижимости (ЕГРН) объектов недвижимости осложняет кадастровый учёт для многих субъектов территориального и административного уровня. Традиционные методы выявления объектов подобных типов, основанные на ручном анализе геопространственных данных, трудоёмки и требуют значительного времени. Для повышения эффективности этого процесса предлагается автоматизировать обнаружение объектов на аэрофотоснимках путём решения задачи инстанс-сегментации с использованием модели глубокого обучения Mask R-CNN. В статье описана подготовка набора данных для этой модели, исследованы основные метрики качества и проанализированы полученные результаты. Показана эффективность модели Mask R-CNN при обнаружении объектов недвижимости, не имеющих регистрации в ЕГРН.
В условиях стремительного развития цифровой экономики использование больших данных (Big Data) становится ключевым инструментом повышения эффективности и устойчивости бизнес-процессов.
Целью настоящего исследования является выявление механизмов и эффектов применения Big Data для оптимизации операционных и управленческих функций в компаниях различных отраслей. На основе анализа эмпирических данных, кейсов цифровой трансформации, а также вторичных источников - в том числе аналитики McKinsey, IDC и отчетов ведущих ИТ-компаний - продемонстрировано, как применение методов интеллектуального анализа данных, машинного обучения и визуализации позволяет сократить транзакционные издержки, ускорить принятие решений и повысить точность бизнес-прогнозирования. Результаты исследования подтверждают наличие устойчивой положительной корреляции между уровнем зрелости Big Data-практик и показателями операционной эффективности. Представлены рекомендации для предприятий и государств по формированию цифровых стратегий с учётом потенциала больших данных. Отдельное внимание уделено барьерам внедрения - технологическим, организационным и этическим.
Цифровая трансформация радикально изменяет традиционные подходы к управлению человеческими ресурсами, формируя новые модели взаимодействия между организацией и сотрудниками.
Цель настоящего исследования - выявить направления и особенности трансформации HR-практик в условиях активного внедрения цифровых технологий в управление. В работе проанализированы изменения в стратегиях подбора, развития, мотивации и удержания персонала, рассмотрены ключевые цифровые инструменты (HRIS, AI-рекрутинг, People Analytics), а также обозначены риски и барьеры, с которыми сталкиваются организации в процессе цифровизации HR-функции.
Результаты исследования опираются на смешанный метод: анкетирование HR-специалистов, кейс-анализ организаций из различных отраслей, контент-анализ корпоративных документов. Представлены выводы о том, что успешная адаптация HR-управления к цифровой реальности требует не только технологической модернизации, но и развития цифровой культуры, гибких организационных структур и новых компетенций как у сотрудников, так и у управленцев.
Данная статья посвящена исследованию методов и инструментов визуализации больших данных в рамках автоматизированных информационных систем (АИС).
Цель работы - выявить наиболее эффективные подходы к визуализации, позволяющие извлекать ценную информацию из больших массивов данных и принимать обоснованные управленческие решения. В статье рассмотрены различные методы визуализации, такие как диаграммы, графики, карты, деревья решений и другие. В результате исследования были определены ключевые критерии выбора методов визуализации в зависимости от типа данных и целей анализа, а также разработаны рекомендации по интеграции инструментов визуализации в АИС. Практическая значимость работы заключается в возможности применения полученных результатов для повышения эффективности анализа больших данных и улучшения качества принимаемых решений в различных областях бизнеса и науки.
Искусственный интеллект может радикально изменить подход к некоторым методам диагностики состояния здоровья. Температурные характеристики, наблюдаемые на поверхности кожи, могут указывать на наличие и анатомическое распределение заболеваний, травм и инфекций. Раннее обнаружение заболеваний по изменению температуры поверхности кожи предпринималось на протяжении нескольких последних лет. Однако необходимость оценки большого количества данных не позволяла этому методу термографии занять место в практике врачей. Искусственный интеллект сделает возможным быстрый анализ термограмм и раннее диагностирование заболеваний.