Научный архив: статьи

В статье рассмотрены вопросы разработки модели нейронной сети для колоризации черно-белых изображений. Описаны основные вопросы, возникающие при проектировании модели нейронной сети для решения данной задачи. Обоснован выбор перехода на работу с цветовым пространством LAB из RGB. Описана архитектура GAN. Описана архитектура U-Net. Построены модели генератора и дискриминатора. Описан использованный при разработке нейронной сети инструментарий.

В данной статье рассматривается применение нейронных сетей LSTM для прогнозирования потребления электроэнергии. Для обучения и тестирования модели использовались данные о потреблении электроэнергии за несколько лет. Для повышения качества прогнозирования были проведены эксперименты с различными параметрами нейронной сети, такими как число нейронов и глубина истории данных. Результаты показали, что нейронная сеть LSTM обеспечивает высокую точность прогнозирования объемов потребления электроэнергии на основе статистических данных. Эти результаты могут быть полезными для энергетических компаний и государственных органов, занимающихся прогнозированием и планированием энергетических потребностей.

В статье представлен разработанный алгоритм генерации музыки, основанный на методах глубокого машинного обучения. Алгоритм использует наборы данных из разных жанров музыки для обучения модели и генерации новых музыкальных композиций. В статье приведены основные этапы разработки алгоритма, включая сбор и предобработку данных, выбор и настройку архитектуры модели, определение функций потерь и активации, выбор оптимизатора. Приводятся результаты экспериментов, демонстрирующие эффективность разработанного алгоритма в генерации музыки. Эта статья представляет интерес для исследователей в области машинного обучения и компьютерной музыки, а также для музыкантов и композиторов, ищущих новые идеи для создания музыки

В настоящем исследовании рассматриваются вопросы разработки и апробации интеллектуальных систем управления (ИСУ), нацеленных на повышение производительности различных технологических процессов. Актуальность данной темы обусловлена стремительным развитием информационных технологий и возрастающей потребностью в оптимизации производственных циклов для достижения максимальной эффективности и конкурентоспособности предприятий. Цель работы заключается в исследовании потенциала применения ИСУ для усовершенствования технологических процессов и разработке практических рекомендаций по их внедрению. Материалы и методы исследования включают в себя анализ существующих подходов к проектированию ИСУ, моделирование различных сценариев их функционирования, а также проведение экспериментов на реальных производственных объектах. В частности, были изучены такие методы, как нейронные сети, нечеткая логика, генетические алгоритмы и машинное обучение. Для апробации разработанных ИСУ были выбраны три предприятия различных отраслей промышленности: металлургический завод, нефтеперерабатывающий комплекс и фармацевтическая компания. Результаты исследования показали, что внедрение ИСУ позволяет значительно повысить производительность технологических процессов. Так, на металлургическом заводе удалось сократить время плавки стали на 12%, а расход энергоресурсов – на 8%. На нефтеперерабатывающем комплексе оптимизация работы установки каталитического крекинга привела к увеличению выхода светлых нефтепродуктов на 5,6%. В фармацевтической компании применение ИСУ для управления процессом синтеза активных веществ позволило на 20% снизить количество бракованной продукции и на 15% сократить время производственного цикла. Полученные результаты демонстрируют высокую эффективность использования интеллектуальных систем управления для оптимизации технологических процессов и открывают широкие перспективы для их дальнейшего применения в различных отраслях промышленности.

Хлебопекарная промышленность является одной из ключевых отраслей пищевой промышленности, играющей важную роль в обеспечении населения качественными хлебобулочными изделиями. Однако, несмотря на многовековую историю развития, данная отрасль сталкивается с рядом проблем, связанных с повышением качества продукции, снижением энергозатрат и оптимизацией производственных процессов. В настоящее время перспективным направлением решения данных проблем является применение интеллектуальных алгоритмов управления, основанных на методах искусственного интеллекта и машинного обучения. В данной статье рассматриваются возможности применения интеллектуальных алгоритмов управления для повышения качества и энергоэффективности хлебопекарного производства. Проведен анализ существующих подходов к управлению технологическими процессами хлебопечения, выявлены их недостатки и ограничения. Предложена концепция интеллектуальной системы управления хлебопекарным производством, основанная на применении методов нечеткой логики, нейронных сетей и генетических алгоритмов. Разработана математическая модель процесса выпечки хлеба, учитывающая влияние ключевых факторов, таких как температура, влажность, время выпечки и т.д. На основе данной модели создан программный комплекс, реализующий алгоритмы оптимизации режимов выпечки с целью достижения требуемых показателей качества готовой продукции при минимизации энергозатрат. Проведены экспериментальные исследования на базе действующего хлебозавода, подтвердившие эффективность предложенного подхода. Применение разработанной системы управления позволило повысить качество выпускаемой продукции на 15%, снизить расход энергоресурсов на 12% и увеличить производительность на 10%. Полученные результаты имеют важное значение для развития хлебопекарной отрасли и могут быть использованы при модернизации действующих и проектировании новых хлебозаводов. Дальнейшие исследования будут направлены на расширение функциональных возможностей разработанной системы, в частности, на реализацию адаптивных алгоритмов управления, учитывающих изменение характеристик сырья и условий внешней среды в реальном времени.

Эта работа посвящена применению ансамблевых и нейросетевых методов машинного обучения, в частности методов CatBoost и LightGBM и сверточных нейронных сетей, для прогнозирования ВВП. В исследовании используется база винтажных данных, что позволяет выявить влияние пересмотров статистической информации на точность моделей. Полученные нами результаты показывают, что комбинации нейросетевых методов сохраняют прогнозное преимущество по сравнению с эталонными моделями – авторегрессией первого порядка, динамической факторной моделью и байесовской векторной авторегрессией – на панели стран, в том числе в периоды, включающие пандемический кризис, на предварительных и пересмотренных данных. Согласно эконометрическому тесту на доверительное множество моделей, к числу наиболее точных методов прогнозирования ВВП относятся сверточные и рекуррентные нейронные сети. Пересмотры статистических данных приводят к росту среднеквадратической ошибки эталонных моделей, ансамблевых и нейросетевых методов машинного обучения.

В статье рассматривается влияние информационных технологий в области нейронных сетей, позволяющих облегчать выполнение задач с большим количеством переменных и факторов, на медицинскую сферу. Задачами, которые можно доверить автоматизированной системе, может быть диагностика, лечение и прогнозирование заболеваний. Анализируются принципы построения нейронных сетей, их использование в обработке медицинских данных, достижения в этой области, а также перспективы для преобразования и улучшения практики здравоохранения.

В статье подводятся итоги эксперимента по формированию доверия к процедуре семейной медиации - мирному разрешению семейных споров через внедрение технологии первой информационно-разъяснительной встречи. Проведен анализ статистики брачно-семейных отношений, количества разводов в России, Москве, странах мира за 5 лет, в том числе во время пандемии COVID-19, статистики исполнительных производств по семейным отношениям и порядку общения за несколько лет, а также социологических исследований 2022-2023 гг. Приведены результаты экспериментальной супервизии с использованием технологий двух нейронных сетей. Проанализированы особенности семейной медиации как наиболее эффективного внесудебного способа разрешения семейных споров. Показано, что достижению результата, мирного урегулирования семейных споров, способствовала экспериментальная разработка и реализация Центром медиации и социально-правовой помощи, совместно с управлениями социальной защиты населения города Москвы, новой для России процедуры - первой информационно-разъяснительной встречи. Приведены первые результаты: эффективность 98 %, почти все семейные пары по итогам встречи дали согласие на медиацию, и первые медиации успешно проведены. Выявлены одни из главных причин малой распространенности досудебного урегулирования семейных конфликтов - нормативная необязательность процедуры семейной медиации для семейных пар с несовершеннолетними детьми при подаче заявления на развод, неинформированность семейных пар о преимуществах и выгодах обращения к семейной медиации. Приведены аргументы, доказывающие, что первая информационно-разъяснительная встреча является успешной стратегией построения доверия и первым шагом к медиации и сохранению семьи, семейной идентичности, духовных ценностей для последующей передачи их следующему поколению в непрерывной цепи социокультурной идентичности

Современные технологические требования и развивающаяся городская инфраструктура ставят задачу разработки методов распознавания и классификации пожароопасных ситуаций. Быстрое и эффективное распознавание начальных признаков возгорания становится жизненно важным аспектом обеспечения безопасности людей, а также материальных ценностей. В связи с этим разрабатываются, реализуются, тестируются и внедряются системы, способные автоматически распознавать и классифицировать пожароопасные ситуации. Классификации пожароопасных ситуаций позволяет определить степень опасности обнаруженных отклонений, что способствуют к принятию более эффективных решений по предотвращению последствий пожаров и их признаков таких как, однократное кратковременное повышение температуры и уровня задымленности которое может указывать на выход из строя электрических компонентов, расположенных возле датчиков. Алгоритм классификации пожароопасных ситуаций разработан для комплекса взаимосвязанных датчиков, который в свою очередь, за счет своей структуры, позволяет обнаруживать даже малейший признака пожара. В рамках данного исследования приводится алгоритм классификации пожароопасных ситуаций на основе нейросетевых технологий. Приведено описание существующих классов пожароопасных ситуаций, а также критерии, по которым размечались данные по указанным классам. Проведено моделирование алгоритма на обучающей и тестовой выборках с приведением используемых параметров точности, формулой их расчетов, результатами классификации пожароопасных ситуаций. Проведено исследование влияния шага отсчета в выборке базы данных на параметры точности и время обучения нейронной сети. Разработанный алгоритм реализован на языке программирования Python в IDE PyCharm. Датасет для обучения и тестирования получены из реальных источников, содержащих информацию об обнаруженных пожароопасных ситуациях в метрополитенах, в которых установлен комплекс взаимосвязанных датчиков. Результаты моделирования алгоритма показали, что предложенный алгоритм обладает высокой точностью для предиктивной классификации пожароопасных ситуаций на реальных объектах.

Комплексирование нескольких моделей в одну систему технического зрения позволит решать более сложные и комплексные задачи. В частности, для мобильной робототехники и беспилотных летательных аппаратов (БЛА) является актуальной проблемой отсутствие наборов данных для различных условий. В работе в качестве решения данной проблемы предлагается комплексирование нескольких моделей: сегментации, сопровождения и классификации. Это позволит значительно повысить качество решения сложных задач без дополнительного обучения. Модель сегментации позволяет выделять произвольные объекты из кадров, поэтому ее можно использовать в недетерминированных и динамических средах. Модель классификации позволяет определить необходимые для навигации объекты, которые затем сопровождаются с помощью третей модели. В работе подробно описан алгоритм комплексирования моделей. Ключевым элементом в алгоритме является коррекция предсказаний моделей, позволяющая достаточно надежно сегментировать и сопровождать различные объекты. Процедура коррекции предсказаний моделей решает следующие задачи: добавление новых объектов для сопровождения, валидация сегментированных масок объектов и уточнение сопровождаемых масок. Универсальность данного решения подтверждается работой в сложных условиях, на которых не обучали модели, например, подводная съемка или изображения с БЛА. Проведено экспериментальное исследование каждой из моделей в условиях открытой местности и в помещении. Наборы данных включали сцены актуальные для мобильной робототехники. В частности, в сценах присутствовали движущиеся объекты (человек, автомобиль) и возможные преграды на пути робота. Для большинства классов метрики качества сегментации превышали 80%. Основные ошибки связаны с размерами объектов. Проведенные эксперименты наглядно демонстрируют универсальность данного решения без дополнительного обучения моделей. Дополнительно проведено исследование быстродействия на персональном компьютере с различными входными параметрами и разрешением. Увеличение количества моделей значительно повышает вычислительную нагрузку и не достигает реального времени. Поэтому одним из направления дальнейших исследований является повышение быстродействия системы.

Работа посвящена проблеме безопасности систем распознавания изображений, основанных на использовании нейронных сетей. Подобные системы применяются в различных областях и крайне важно обеспечить их безопасность от атак, направленных на методы искусственного интеллекта. Рассмотрены сверточная нейронная сеть ResNet18, проверочное множество ImageNet для распознавания объектов на изображении и отнесения его к классу и состязательные атаки, которые направлены на изменение изображения, обрабатываемые данной нейронной сетью. Сверточные нейронные сети детектируют и сегментируют объекты, которые находятся на изображениях. Атака совершалась на этапе детектирования для того, чтобы не распознавалось присутствие объектов на изображении, а также на этапе сегментации, измененное изображение относило распознанный объект к другому классу. Реализована серия экспериментов, которая показала, как состязательная атака изменяет разные изображения. Для этого взяты изображения с животными и на них совершена состязательная атака, анализ результатов позволил определить количество итераций, необходимых для совершения успешной атаки. Также проведено сравнение исходных изображений с их модифицированными в ходе атаки версиями.

В работе рассмотрены методы определения авторства естественных и искусственно-сгенерированных текстов, важных в контексте кибербезопасности и защиты интеллектуальной собственности с целью предотвращения дезинформации и мошенничества. Использование методов определения автора текста обосновано выводами об эффективности рассмотренных в прошлых исследованиях fastText и метода опорных векторов (SVM). Алгоритм отбора признаков выбран на основе сравнения пяти различных методов - генетического алгоритма, прямого и обратного последовательных методов, регуляризационного отбора и метода Шепли. Рассмотренные алгоритмы отбора включают эвристические методы, элементы теории игр и итерационные алгоритмы. Наиболее эффективным методом признан алгоритм, основанный на регуляризации, в то время как методы, основанные на полном переборе, признаны неэффективными для любого множества авторов. Точность отбора на основе регуляризации и SVM в среднем составила 77 %, что превосходит другие методы от 3 до 10 % при идентичном количестве признаков. При тех же задачах средняя точность fastText - 84 %. Было проведено исследование, направленное на устойчивость разработанного подхода к генеративным образцам. SVM оказался более устойчив к запутыванию модели. Максимальная потеря точности для fastText составила 16 %, а для SVM - 12 %.