Научный архив: статьи

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.

Пассажирские канатные дороги занимают важное место в инфраструктуре горноклиматических зон, лыжных спортивно-туристических комплексов, а также при использовании этого вида транспорта в качестве канатного метро в крупных городах и агломерациях. В статье рассмотрены принципы обеспечения безопасности при эксплуатации пассажирских канатных дорог, основанные на оценке риска. Сформулированы процедуры оценки риска посредством сопоставления выявленных опасностей критериям приемлемого риска. Рассмотрены основные опасные факторы, влияющие на безопасность эксплуатации пассажирских канатных дорог такие как «расположение на значительной высоте подвижного состава, закрепленного на стальном канате», «движущийся на большой скорости с использованием стальных канатов подвижной состав с пассажирами» и «неквалифицированные действия персонала», для минимизации воздействия которых предложены технические, технологические и организационные мероприятия по обеспечению безопасности при эксплуатации пассажирских канатных дорог на базе использования цифровых информационных технологий.

Выполнен сравнительный анализ приложений для контроля активности пользователя. Исследование показало, что функциональных возможностей существующих приложений недостаточно, чтобы оперативно определить какой деятельностью занимается пользователь, что говорит о необходимости дополнительного автоматизированного анализа данных. В статье представлено решение анализа данных активности пользователя, а именно: описаны параметры, собираемые с запущенных приложений пользователя; описана архитектура нейронной сети, использующаяся непосредственно для анализа этих данных. Представленные результаты работы показывают, что обученная с учителем нейронная сеть автоматически определяет, какой деятельностью занимается пользователь Разработанное программное обеспечение в удобной и наглядной форме отображает информацию активности пользователя в виде различных диаграмм.

Проблема определения размеров, занимаемых радиолокационным изображением (РЛИ) пространственно-распределенной цели (ПРЦ) на двумерной растровой картинке наблюдаемого участка земной (водной) поверхности, формируемой космическим радиолокатором с синтезированной апертурой, актуальна в самых различных задачах космического мониторинга. В данной работе названная проблема решается применительно к определению размеров РЛИ надводных кораблей на фоне отражений от морской поверхности. В качестве моделей РЛИ используются как феноменологические, так и реальные, основанные на базе SSDD. Принятие решения о размерах НК производится как классическими (параметрическими и непараметрическими) алгоритмами, так и алгоритмами, основанными на машинном обучении с использованием искусственных нейронных сетей. Приведены результаты сравнительного анализа названных алгоритмов.

Статья посвящена проблеме определения ракурса надводного корабля по его радиолокационному изображению, полученному в радиолокаторах с синтезированной апертурой. К основным методам решения названной задачи относятся классический байесов метод многоальтернативной проверки гипотез и его модификации и/или метод классификации надводных кораблей, расположенных под различными ракурсами, с помощью искусственных нейронных сетей (ИНС). В работе показано, что для достижения высокой эффективности распознания ракурсов при использовании ИНС необходимо обладать значительными вычислительными ресурсами, а также иметь доступ к большой, репрезентативной и масштабной обучающей выборке. При наличии достаточных вычислительных и временных ресурсов ИНС демонстрирует высокие результаты в разнообразных условиях наблюдения, однако стоит отметить, что для их эффективного обучения требуется значительное количество процессорного времени, составляющее несколько часов. В то же время классические методы способны проводить вычисления за доли секунды, даже на сравнительно маломощных устройствах. Также стоит учесть, что с увеличением числа распознаваемых классов ИНС могут потреблять до десятков гигабайт оперативной памяти, что ограничивает доступность этого метода в задаче распознавания ракурсов пространственно-распределенных целей.

Данная работа посвящена применению методов аппроксимации для моделирования беспроводных радиоканалов связи. Показана актуальность и перспективность применения беспилотных летательных аппаратов в составе летающих самоорганизующихся сетей для передачи высокоскоростной информации в условиях «умных городов». Отмечена также и проблема использования данных сетей, связанная с технической сложностью обеспечения приемлемой надежности и качества беспроводной связи, связанная с многолучевостью распространения сигналов и рядом других факторов. Показано, что в данном аспекте особую актуальность представляет развитие методов математического моделирования для анализа сигналов на входах радиоприемников БПЛА для оценки их амплитудно-фазовых преобразований каналом связи. Установлено, что связь между сигналами на передающей и приемной стороне произвольного беспроводного радиоканала связи в предположении о его линейности может однозначно определяться комплексной передаточной функцией в частотной области, которая на практике является весьма сложной и плохо поддается аналитическому описанию. В связи с этим предложен подход к ее аппроксимации эквивалентной моделью, описываемой дробно-рациональными функциями комплексного переменного, физически реализуемыми смешанными соединениями различных линейных инерционных и безынерционных звеньев, а для моделирования динамических характеристик - методика численно-аналитического моделирования на основе спектрального метода и кусочно-линейной аппроксимации. Показаны результаты применения предложенных решений.

Статья посвящена построению алгоритма коллаборативной фильтрации, расширяя производительность матричной факторизации нелинейной функцией, а также глубокой нейронной сетью.

В статье анализируются современные разработки в области искусственного интеллекта на основе созданной компанией OpenAI программы ChatGPT. Идея создания ИИ была высказана в 1950 году А. Тьюрингом же был предложен тест, прохождение которого могло бы утверждать, что ИИ создан. Определение понятия ИИ сталкиваются с трудностями. С точки зрения автора, интеллектуальными можно назвать те виды деятельности, которые позволяют Homo sapiens выделиться из окружающего птичьего мира, переставая опираться лишь на силу и быстроту движений. Распознание образов, самообучение и целенаправленность деятельности не являются характеристическими признаками интеллекта. Основным видом деятельности, которая специфична для человека и которая, будучи добавленной к распознаванию образов, самообучению и целенаправленной деятельности, делает их интеллектуальными, является понятийное мышление, умение отстаивать его именно на языке и использовать в рассуждениях. Исторически существовали две основные конкурирующие конференции к ИИ — логической и нейросетевой. Одним из серьезных изъянов нейросетевого совета является необъяснение способности рассуждений, которые приводят к тому или иному заключению, что затрудняет проверку их правильности. На конкретных примерах показано, что ChtGPT не научились корректно моделировать простейшие понятийные рассуждения. Причина этого кроется в фундаментальных ограничениях конституций в его основе большой языковой модели, которые невозможно исправить внешним обучением. Еще одним недостатком ChatGPT является его устойчивость к нейрохакингу — принуждению в ходе диалога принять нужные решения для пользователя. Это серьезная угроза для широкого применения нейронных сетей в области принятия управленческих решений. Статья написана на основе исследований, проведенных летом 2023 года.

Статья описывает результаты исследования по разработке и реализации игровой модели с динамическим построением контента на основе нейронной сети YOLO.

Исследование посвящено способам обработки, анализа и распознавания объектов животного мира на фотоснимках фотоловушек и направлено на повышение скорости обработки фотоснимков и повышение достоверности распознавания объектов.

Статья посвящена исследованию различимости отдельных групп школьников по цифровым следам, оставляемым в профиле социальной сети «ВКонтакте». Классификация на отдельные группы основана на нейронной сети многослойного персептрона (MLP).