ВЕСТНИК ВОРОНЕЖСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА. СЕРИЯ: СИСТЕМНЫЙ АНАЛИЗ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

В соответствии с современными подходами к разработке декларативных баз знаний, формируемых экспертами без поддержки инженеров знаний, экспертам приходится самим производить трудоёмкую аналитическую работу с понятиями различных уровней общности, выявлять различные типы отношений между понятиями, осуществлять действия по «отлаживанию» разрабатываемой базы знаний. В этой связи актуальны исследования, направленные на создание моделей, методов и технологий, способствующих разработке дополнительных (по отношению к существующим редакторам онтологий и баз знаний) наборов инструментальных средств поддержки экспертов. Одним из таких методов является создание логической модели онтологии предметной области. Модели онтологий в форме необогащенных систем логических соотношений позволяют задать структуру онтологии каждого уровня и базы знаний, ставить задачи в терминах онтологии интеллектуальной системе и разрабатывать методы их решения. Модель метаонтологии (модель онтологии уровня выше второго) позволяет также автоматизировать создание промежуточных понятий редактором, что возможно не для всех предметных областей. Для семейства предметных областей, объекты которых представляют собой системы сложной структуры (строгое определение семейства дано и подразумевает, что подсистемами таких систем могут быть элементарные системы, иерархически устроенные системы или процессы) это оказывается возможным. Цель статьи - предъявить модель метаонтологии для семейства предметных областей, объекты которых являются системами сложной структуры, в форме необогащенной трёхуровневой системы логических соотношений с параметрами и конструкторами и показать ее применимость для разработки базы знаний предметной области данного семейства. В качестве иллюстративного примера выбрана предметная область определения реакционных способностей химических соединений. Модель представлена на языке прикладной логики, для которого были разработаны специализированные расширения «Макросы» и «Комплексные числа», термы которых представлены. Модели онтологии уровней ниже третьего получаются в результате описанной операции применения обогащения. Различные типы метапонятий модели метаонтологии могут быть использованы при создании наборов дополнительных инструментальных средств поддержки экспертов в виде генераторов промежуточных понятий онтологии для предметных областей данного семейства.

В данной обзорной статье представлен анализ основных направлений исследований по теме классификация объектов на изображении методами компьютерного зрения. Методы компьютерного зрения позволяют автоматизировать процесс выделения семантического смысла из изображений. Под классификацией объектов на изображении понимается локализация объектов, интересующих исследователя, и соотнесение их с определенным классом. Актуальность данной темы закреплена в государственной программе: национальная стратегия развития искусственного интеллекта на период до 2030 года. Так же в статье приведена статистика публикационной активности научных авторов по теме «компьютерное зрение», которая показывает актуальность данного направления. Работа имеет следующую структуру: во введении статьи приведены различные статистики, отражающие актуальность темы. Далее приведен обзор научных исследований посвященных решению прикладных аспектов задачи классификации объектов на изображении в различных областях человеческой деятельности. Основной упор сделан на следующие прикладные области: медицина, промышленность, безопасность, транспорт и военное дело. Далее приведен анализ методов, которые используются для решения задачи классификации объектов на изображении. Автор выделяет две группы методов: классические и нейросетевые методы. Под классическими алгоритмами и методами понимается подход к решению задачи классификации объектов на изображении, в котором не используются искусственные нейронные сети. Выводы. Тема исследования на сегодня является актуальной, что подтверждено статистикой и государственными программами. Для классических методов выявлены следующие недостатки: для каждой новой прикладной задачи требуется построение алгоритма ее решения, трудоемкость выделения значимых признаков и неустойчивость при работе с определенными видами данных. Для нейросетевых методов основным недостатком является зависимость конечной модели от качества набора данных, на котором она обучается.

Статья продолжает серию работ, посвященных тематике интеллектуального анализа данных с применением методов вывода на табличных ограничениях. Ранее были представлены авторские методы кластеризации, выявления паттернов требуемого вида, поиска ассоциативных правил. Разработанные методы относятся к методам объяснимого (интерпретируемого) искусственного интеллекта. Недостатки большинства существующих методов интеллектуального анализа данных связаны, в первую очередь, с трудностями гибкого учета и анализа знаний экспертов предметной области, пользовательских ограничений. Обычно для учета каждого типа подобных ограничений требуется довольно трудоемкая модификация базовых методов обучения. В статье развивается подход на основе парадигмы программирования в ограничениях, который свободен от упомянутых недостатков и позволяет гибко организовывать учет и анализ дополнительных условий задачи интеллектуального анализа данных без принципиального изменения схемы её решения. Оригинальность авторского подхода состоит в том, что для представления обучающей выборки предложено использовать особый тип табличных ограничений - сжатые таблицы D-типа, а сами задачи интеллектуального анализа данных предложено решать как задачи удовлетворения табличных ограничений с применением оригинального способа ветвления дерева поиска и авторских правил редукции сжатых таблиц. В представленной работе на примере решения задач бинарной классификации впервые рассматриваются возможности применения авторского подхода для моделирования рассуждений типа ДСМ. В статье рассматривается случай, когда свойства объектов являются атомарными, не имеют внутренней структуры. Задачу генерации ДСМ-гипотез предлагается сводить к поиску частых замкнутых паттернов, причем каждый из паттернов не должен входить как фрагмент во множество контрпримеров. В рамках предлагаемого в статье подхода добавление в задачу дополнительных типов ограничений не только не снижает производительность методов их решения, но и способствует более глубокой редукции пространства поиска за счет применения специализированных методов логического вывода для каждого из типов ограничений.

В статье представлены результаты разработки нейроиммунного метода сжатия данных, предназначенного для дальнейшей апробации в системе анализа инцидентов информационной безопасности. Осуществлён анализ классических методов и методов машинного обучения, применяемых для компрессии данных с потерями и без. Рассмотрены варианты архитектур нейронных сетей для обеспечения компрессии векторов. Предложен метод комбинирования гибридной искусственной иммунной системы со свёрточной нейронной сетью архитектуры Bottleneck-type путём применения разработанных в рамках предыдущих исследований интеллектуальных методов оптимизации и классификации, в том числе включающих в себя модифицированный генетический алгоритм дуэлей. Проведена оценка эффективности полученного гибридного подхода компрессии с классической свёрточной нейронной сетью и многослойной нейронной сетью прямого распространения Bottleneck-type. В качестве критериев эффективности были выбраны степень сжатия, точность декомпрессии данных. Для проведения сравнительного анализа рассмотренных методов был разработан программный комплекс, реализующий модуль сбора и хранения данных в системе анализа инцидентов информационной безопасности, предназначенный для дальнейшего применения при подготовке данных в задаче анализа и корреляции событий информационной безопасности. В результате исследования в качестве наиболее эффективного подхода компрессии данных был предложен разработанный нейроиммунный метод сжатия, показавший при сравнительном анализе с составляющими его алгоритмами лучшую точность декомпрессии при аналогичных степенях сжатия. Предложенный метод может быть адаптирован для использования в системах сжатия и хранения не только текста, но и видеоинформации, позволяет повысить качество распознавания системой анализа инцидентов при классификации образов событий безопасности.