ISSN 1991-2927
 

АПУ № 1 (59) 2020

Ключевое слово: "машинное обучение"

/table>

УДК 681.518:622.276

Курганов Дмитрий Владимирович, кандидат физико-математических наук, окончил Самарский муниципальный университет, доцент кафедры «Разработка и эксплуатация нефтяных и газовых месторождений» Самарского государственного технического университета. Имеет статьи, патенты в области моделирования процессов разработки нефтяных и газовых месторождений. [e-mail: Dmitri. Kourganov@inbox.ru]Д.В. Курганов

Оценка эффективности обработок призабойных зон нефтяных скважин c применением методов машинного обучения59_6.pdf

Машинное обучение в настоящее время находит свое применение в самых разных областях науки и техники. Существенным условием для его использования является наличие цифрового фактического материала. За многолетнюю историю эксплуатации нефтяных месторождений накоплена существенная база данных, связанная с разработкой и применяемыми методами стимулирования скважин. В работе рассматривается один из методов машинного обучения для анализа прогнозирования геолого-технических мероприятий (ГТМ) на добывающих нефтяных скважинах. В частности, на примере базы данных с проведенными солянои глинокислотными обработками на месторождениях Урало-Поволжского региона и специальных моделях деревьев принятия решений рассчитываются вероятности успешного проведения ГТМ и даются рекомендации по выбору совокупности факторов, позволяющих оптимизировать их проведение. Проницаемость, расчлененность, пластовая температура, текущая обводненность скважин, свойства флюидов – параметры, влияющие на эффективность проведения того или иного ГТМ в скважине. Зачастую их влияние на будущий эффект сложно предугадать, особенно при наличии других факторов. Существующие аналитические модели в полной мере не могут описать все многообразие факторов, участвующих в процессах, проходящих в призабойной зоне скважины, особенно принимая во внимание нелинейные течения, физико-химические взаимодействия пластовых жидкостей и закачиваемых растворов. Описанная же в работе методика позволяет оперировать любым количеством значимых факторов и любой их комбинацией, а также выявлять самые значимые из них, включая описанные параметры, но не ограничиваясь ими. Применение моделей деревьев принятия решений в данном случае является интуитивно понятным способом, позволяющим алгоритмически четко отбирать селективные признаки на каждом уровне. В работе также подробно описывается алгоритм расчета селективного признака. Методы деревьев решений легко могут быть распространены и для решения других задач, стоящих перед нефтедобывающей отраслью, где накоплен большой фактический материал.

Cолянокислотные обработки, глинокислотные обработки, обработки призабойных зон, дебит, нефть, скважина, вероятность, машинное обучение, дерево решений, моделирование.

2020_ 1

Рубрика: Информационные системы

Тематика: Информационные системы.

/table>

УДК 65.015

Наумов Владимир Николаевич, доктор военных наук, профессор, заслуженный деятель науки РФ, окончил факультет электронной вычислительной техники Высшего военно-морского училища радиоэлектроники им. А.С. Попова. Заведующий кафедрой бизнес-информатики Северо-Западного института управления – филиала Российской Академии народного хозяйства и государственной службы при Президенте Российской Федерации, г. Санкт-Петербург. Имеет статьи, монографии, учебники в области системного анализа информационных систем, анализа данных и машинного обучения. [e-mail: naumov122@list.ru]В.Н. Наумов,

Наумов Павел Владимирович, окончил Санкт-Петербургский государственный политехнический университет Петра Великого. Главный специалист разработки организационно-распорядительной документации Центра технологии судостроения и судоремонта. Имеет статьи в области менеджмента рисков. [e-mail: naumov@sstc.spb.ru]П.В. Наумов

Прогнозирование рисков проектирования информационных систем58_3.pdf

В статье рассмотрена задача прогнозирования рисков проектирования информационных систем на основе использования методов машинного обучения. Проанализированный ансамбль методов классификации позволил оценить качество решения задачи с помощью комплекса показателей и выбрать лучший по их значениям. Для ее решения применены язык R, статистическая платформа SPSS, а также система Orange Canvas. Машинное обучение основано на использовании синтетической обучающей выборки, которая включает категорийные факторы возможных рисков проектирования. Выборка сформирована и проверена с помощью методов кластерного анализа и метода главных компонент.

Прогнозирование, проектирование информационных систем, риски, машинное обучение, кластерный анализ, метод главных компонент, методы классификации, показатели качества классификации.

2019_ 4

Рубрика: Информационные системы

Тематика: Информационные системы.

УДК 681.518.5

Жуков Дмитрий Анатольевич, окончил факультет информационных систем и технологий Ульяновского государственного технического университета, специалист по базе данных Ульяновского филиала конструкторского бюро ПАО «Туполев», аспирант кафедры «Прикладная математика и информатика» УлГТУ. Имеет научные труды в области статистических методов и машинного обучения. [e-mail: zh.dimka17@mail.ru]Д.А. Жуков

Анализ критериев качества классификации при диагностике функционирования технического объекта57_13.pdf

При прогнозировании исправности технического объекта по известным показателям его функционирования в процессе предшествующей эксплуатации решается задача бинарной классификации состояний объекта. Эта задача может быть решена методами машинного обучения, при этом наиболее объективной характеристикой качества диагностики является F-мера, что объясняется несбалансированностью классов: как правило, в выборке прецедентов, полученных по результатам эксплуатации объекта, количество данных об исправных состояниях значительно больше, чем о неисправных. Значения этой меры являются случайной величиной, поскольку оцениваются по контрольной выборке, формируемой случайным образом. Исследование показало, что распределение этой характеристики как для базовых, так и для агрегированных классификаторов близко к нормальному. На конкретном примере показано, что среднее значение F-меры при агрегировании превышает аналогичное значение, полученное с помощью базовых классификаторов.

Техническая диагностика, исправность, показатели функционирования, машинное обучение, агрегированный подход, критерии качества классификации.

2019_ 3

Рубрика: Математическое моделирование

Тематика: Математическое моделирование.



УДК 519.248:681.518.5

Клячкин Владимир Николаевич, Ульяновский государственный технический университет, доктор технических наук, профессор, окончил механический факультет Ульяновского политехнического института. Профессор кафедры «Прикладная математика и информатика» Ульяновского государственного технического университета. Имеет научные труды в области надежности и статистических методов. [e-mail: v_kl@mail.ru]В.Н. Клячкин,

Жуков Дмитрий Анатольевич, Ульяновский государственный технический университет, окончил факультет информационных систем и технологий УлГТУ, специалист по базе данных Ульяновского филиала конструкторского бюро ПАО «Туполев», аспирант кафедры «Прикладная математика и информатика» УлГТУ. Имеет научные труды в области статистических методов и машинного обучения. [e-mail: zh.dimka17@mail.ru]Д.А. Жуков

Алгоритм диагностики функционирования технического объекта с использованием агрегированных классификаторов56_4.pdf

Рассматривается задача прогнозирования исправности технического объекта по известным показателям его функционирования. Исходными данными являются известные результаты оценки состояния объекта по информации о предшествующей эксплуатации: при заданных значениях контролируемых показателей техническая система исправна или неисправна. Такая задача может быть решена методами машинного обучения, она сводится к бинарной классификации состояний объекта. Проведенное исследование показало, что качество диагностики может быть повышено за счет выбора метода бинарной классификации, включая агрегированный подход, а также путем выбора объема контрольной выборки и способа отбора значимых показателей функционирования объекта. В рассмотренном примере (на котором отрабатывался предлагаемый алгоритм) значение F-меры, как наиболее объективной характеристики качества диагностики при несбалансированных классах, повысилось на 6% (с 0,86 до 0,91) по сравнению с методом опорных векторов и на 2% – по сравнению с лучшим для рассматриваемого примера из базовых методов – бэггингом деревьев решений, для которого значение F-меры составило 0,89. В некоторых ситуациях эти 2% могут быть весьма существенны с точки зрения обеспечения надежности при эксплуатации объекта.

Техническая диагностика, исправность, показатели функционирования, машинное обучение, агрегированный подход, контрольная выборка, кросс-валидация.

2019_ 2

Рубрика: Информационные системы

Тематика: Информационные системы.



УДК 519.6

Кожевников Валерий Владимирович, Научно-исследовательский технологический институт Ульяновского государственного университета, кандидат технических наук, окончил Пушкинское высшее командное училище радиоэлектроники, старший научный сотрудник Научно-исследовательского технологического института Ульяновского государственного университета. Имеет публикации в области теории проектирования микроэлектронных систем. [e-mail: vvk28061955@mail.ru]В.В. Кожевников

Метод математического моделирования когнитивных цифровых автоматов56_12.pdf

Предлагается подход к решению проблемы математического моделирования когнитивных цифровых автоматов (КЦА). На первый план выдвигается задача формализации понятия когнитивности математической модели КЦА. Когнитивность математической модели, соответственно, определяется возможностью обучения и генерации решений, не предусмотренных в процессе обучения. Особенность КЦА заключается в том, что в качестве структурной схемы автомата служит описание структуры нейронной сети (НС), а в качестве модели нейрона используется логическая функция «НЕ-И-ИЛИ». В случае образования обратных связей с выхода на входы нейронов модель нейрона представляет собой двоичный триггер с логической функцией «НЕ-И-ИЛИ» на входе. В качестве инструмента построения математической модели КЦА предлагается использовать математический аппарат сетей Петри (СП): маркированные графы, ингибиторные СП и СП с программируемой логикой. Математическая модель строится на базе представления КЦА в виде уравнения состояний СП из класса уравнений Мурата (матричных уравнений) или системы линейных алгебраических уравнений. Задача формализации понятия когнитивности (познания) решается в результате синтеза логики (обучения) исходной структурной схемы КЦА или формирования формулы (сетевого алгоритма) КЦА. При этом возможность формирования формулы (сетевого алгоритма) КЦА зависит от критической массы (качества) обучающих наборов и алгоритмов обучения. Отсюда особое значение приобретает задача генерации минимального множества обучающих наборов для заданной или экспериментально определяемой функции КЦА. Прогнозирование, или генерация решений, в свою очередь, выполняется на основе полученной в процессе обучения математической модели КЦА.

Интеллектуальная система управления, когнитивный цифровой автомат, искусственный интеллект, нейронные сети, машинное обучение, познание, сети Петри, уравнение состояний, математическое моделирование, синтез, генерация, анализ, логика.

2019_ 2

Рубрика: Математическое моделирование

Тематика: Математическое моделирование, Искусственный интеллект.



УДК 004.852

Михеев Александр Вячеславович, Ульяновский областной центр новых информационных технологий при УлГТУ, окончил Ульяновский государственный технический университет. Программист Ульяновского областного центра новых информационных технологий при УлГТУ. Область научных интересов - машинное обучение. [e-mail: a.miheev@simcase.ru]А.В. Михеев,

Святов Кирилл Валерьевич, Ульяновский государственный технический университет, кандидат технических наук, окончил УлГТУ. Декан факультета информационных систем и технологий УлГТУ. Имеет 40 статей, 3 монографии, учебное пособие, 4 свидетельства о регистрации программы для ЭВМ. Область научных интересов - машинное обучение и робототехника. [e-mail: k.svyatov@ulstu.ru]К.В. Святов,

Канин Даниил Павлович, Ульяновский государственный технический университет, студент факультета информационных систем и технологий УлГТУ, кафедра «Вычислительная техника». Победитель соревнований по робототехнике. Область научных интересов - машинное обучение. [e-mail: dan-kan@mail.ru]Д.П. Канин,

Сухов Сергей Владимирович, Ульяновский филиал Института радиотехники и электроники им. В.А. Котельникова РАН, кандидат физико-математических наук, окончил филиал Московского государственного университета им. М.В. Ломоносова в г. Ульяновске. Старший научный сотрудник Ульяновского филиала Института радиотехники и электроники им. В.А. Котельникова РАН. Имеет монографию, 70 статей, 2 патента на изобретения. Область научных интересов: оптика, вычислительная нейробиология, машинное обучение. [e-mail: ssukhov@knights.ucf.edu]С.В. Сухов,

Тронин Вадим Георгиевич, Ульяновский государственный технический университет, кандидат технических наук, окончил УлГТУ. Доцент кафедры «Информационные системы» УлГТУ. Имеет более 50 публикаций, учебное пособие. Область научных интересов: управление проектами, наукометрия, теория решения изобретательских задач. [e-mail: v.tronin@ulstu.ru]В.Г. Тронин

Сегментация сцен в задачах навигации автономного автомобиля с использованием нейросетевых моделей с вниманием55_5.pdf

В статье рассматривается процесс проектирования программного модуля для распознавания дорожных знаков. Данный модуль предназначен для использования в автоматизированной системе управления беспилотным автомобилем и разрабатывается в Ульяновском государственном техническом университете.Одной из главных задач, решаемых при создании систем технического зрения, в том числе для беспилотного транспорта, является создание размеченной выборки, достаточной для обучения нейросетевых моделей. При этом в задаче семантической сегментации сцены подготовка большой выборки может потребовать значительных трудозатрат на «ручную» разметку. В статье рассмотрена модель сверточной сети с мягким механизмом внимания. Данная сеть обучена задаче классификации с возможностью извлечения из внутреннего состояния маски внимания, которую можно использовать для семантической сегментации изображения. Подобный подход позволяет существенно снизить затраты на разметку данных.

Искусственный интеллект, нейронные сети, машинное обучение, компьютерное зрение, сети с вниманием.

2019_ 1

Рубрика: Информационные системы

Тематика: Информационные системы.



УДК 004.852

Михеев Александр Вячеславович, Ульяновский государственный технический университет, окончил Ульяновский государственный технический университет. Программист Ульяновского областного центра новых информационных технологий при УлГТУ. Область научных интересов - машинное обучение. [e-mail: a.miheev@simcase.ru]А.В. Михеев,

Святов Кирилл Валерьевич, Ульяновский государственный технический университет, кандидат технических наук, окончил УлГТУ. Декан факультета информационных систем и технологий УлГТУ. Опубликовано 40 статей, 3 монографии, 1 учебное пособие, получено 4 свидетельства о регистрации программы для ЭВМ. Область научных интересов - машинное обучение и робототехника. [e-mail: k.svyatov@ulstu.ru]К.В. Святов,

Сухов Сергей Владимирович, Ульяновский филиал Института радиотехники и электроники им. В.А. Котельникова РАН, кандидат физико-математических наук, окончил филиал Московского государственного университета им. М.В. Ломоносова в г. Ульяновске. Старший научный сотрудник Ульяновского филиала Института радиотехники и электроники им. В.А. Котельникова РАН. Опубликованы 1 монография, 70 статей, получено 2 патента на изобретения. Область научных интересов - оптика, вычислительная нейробиология, машинное обучение. [e-mail: ssukhov@knights.ucf.edu]С.В. Сухов,

Канин Даниил Павлович, Ульяновский государственный технический университет, студент факультета информационных систем и технологий УлГТУ, победитель соревнований по робототехнике. Область научных интересов - машинное обучение. [e-mail: dan-kan@mail.ru]Д.П. Канин,

Акимов Яков Андреевич, Ульяновский государственный технический университет, студент факультета информационных систем и технологий УлГТУ, победитель соревнований по робототехнике. Область научных интересов - машинное обучение. [e-mail: yasha.akimov.73@gmail.com]Я.А. Акимов,

Волков Павел Михайлович, Ульяновский государственный технический университет, студент факультета информационных систем и технологий УлГТУ, победитель соревнований по робототехнике. Область научных интересов - машинное обучение. [e-mail: p.vollkkoff@yandex.ru]П.М. Волков

Изменение освещения сцен при помощи каскада нейронных сетей54_7.pdf

В статье рассматривается процесс моделирования искусственного освещения поверхностей с учетом теней на выпуклых и вогнутых поверхностях с использованием методов машинного обучения и методов работы с трехмерными объектами.Несмотря на многообразие приложений для обработки фотографий (LightRoom, Photoshop, Snapchat, Instagram и многие другие), есть проблема, связанная с корректным моделированием освещения на поверхностях, обусловленная свойствами самого формата данных фотографии. Во-первых, фотография двумерная и содержит лишь косвенную информацию о трехмерных объектах, изображенных на ней. Во-вторых, фотография фиксирует определенное состояние объектов с определенным набором свойств, которых недостаточно для моделирования теней и освещения в других состояниях. Недостающую информацию трудно воссоздать классическими алгоритмами или эвристиками из-за большого количества параметров объектов для распознавания на фотографии и их возможных комбинаций. Однако методы машинного обучения способны аппроксимировать очень сложные функциональные связи на основе обучающих выборок. В данной статье описывается решение задачи моделирования искусственного освещения и теней на фотографии с использованием нескольких нейронных сетей, обученных на синтетических данных.

Искусственный интеллект, нейронные сети, машинное обучение, компьютерное зрение.

2018_ 4

Рубрика: Искусственный интеллект

Тематика: Искусственный интеллект.


УДК 004.852

Святов Кирилл Валерьевич, Ульяновский государственный технический университет, кандидат технических наук, окончил Ульяновский государственный технический университет. Декан факультета информационных систем и технологий УлГТУ. Имеет статьи, монографии, учебное пособие и свидетельства о регистрации программы для ЭВМ. Область научных интересов - машинное обучение и робототехника. [e-mail: k.svyatov@ulstu.ru]К.В. Святов,

Михеев Александр Вячеславович, Ульяновский областной центр новых информационных технологий при УлГТУ, окончил УлГТУ, программист Ульяновского областного центра новых информационных технологий при УлГТУ. Область научных интересов - машинное обучение. [e-mail: a.miheev@simcase.ru]А.В. Михеев,

Шлямов Максим Андреевич, Ульяновский государственный технический университет, студент факультета информационных систем и технологий УлГТУ. Область научных интересов - машинное обучение. [e-mail: m.shlyamov@simcase.ru]М.А. Шлямов

Программный комплекс визуального мониторинга грузоперевозок53_7.pdf

В статье рассматривается процесс проектирования и реализации программного комплекса для контроля полноты загрузки грузового транспорта при проезде контрольных пунктов с использованием алгоритмов технического зрения и методов машинного обучения. Контроль полноты загрузки используется в рамках государственного надзора за эксплуатацией российских дорог, а также контроля объема перевозимого груза в частных компаниях при исполнении заказов в рамках услуг по грузоперевозке. В статье рассматривается задача контроля объема перевозимого груза в грузовых автомобилях с открытым бортом, при этом в качестве груза рассматривается сыпучий нерудный материал (песок, щебень, уголь). В настоящее время задача весового контроля автомобильных грузоперевозок решается в большинстве случаев с использованием весов. Также известны решения с использованием ультразвуковых датчиков расстояния, которые генерируют сигнал, соответствующий форме автомобиля при проезде под несколькими такими датчиками. Однако данные решения достаточно дороги в установке, не учитывают разницу в сигналах в случае использования разных типов или моделей автомобилей на одном маршруте перевозки. Кроме того, масса не всегда отражает полноту загрузки кузова, т. к. некоторые материалы при малом объеме весят гораздо больше полезного груза. А при разных погодных условиях (при повышенной влажности, например) масса определенных грузов может существенно изменяться в пределах 15%. При этом эффективность перевозок оценивается из расчета минимально возможного количества проездов для вывоза груза заданного объема. Решить задачу контроля объема перевозимого сыпучего груза представляется возможным с использованием системы технического зрения. Описанию разработки такой системы и посвящена данная статья.

Автоматизированное проектирование, искусственный интеллект, нейронные сети, машинное обучение, компьютерное зрение.

2018_ 3

Рубрика: Информационные системы

Тематика: Информационные системы, Искусственный интеллект.


УДК 519.248:681.518.5

Жуков Дмитрий Анатольевич, Ульяновский государственный технический университет , окончил факультет информационных систем и технологий Ульяновского государственного технического университета, аспирант кафедры «Прикладная математика и информатика» УлГТУ. Имеет научные труды в области статистических методов и машинного обучения. [e-mail: zh.dimka17@mail.ru]Д.А. Жуков,

Клячкин Владимир Николаевич, Ульяновский государственный технический университет , доктор технических наук, профессор, окончил механический факультет Ульяновского политехнического института. Профессор кафедры «Прикладная математика и информатика» УлГТУ. Имеет научные труды в области надежности и статистических методов. [e-mail: v_kl@mail.ru]В.Н. Клячкин

Влияние объема контрольной выборки на качество диагностики состояния технического объекта52_11.pdf

Рассматривается задача прогнозирования исправности технического объекта по известным показателям его функционирования. Исходными данными являются известные результаты оценки состояния объекта по информации о предшествующей эксплуатации: при заданных значениях контролируемых показателей техническая система исправна или неисправна. Такая задача может быть решена методами машинного обучения, она сводится к бинарной классификации состояний объекта. Качество диагностики может существенно зависеть от множества факторов: метода обучения, правильного выделения факторов, характеризующих работу объекта, объема выборки и других. В работе проводится исследование влияния объема контрольной выборки на качество диагностики, оцениваемое по количеству неверно спрогнозированных состояний методом кросс-валидации. Испытания проводились в пакете Matlab, использовано десять различных методов машинного обучения: логистическая регрессия, метод опорных векторов, бэггинг деревьев решений и другие. Показано, что при правильном выборе доли контрольной выборки можно повысить качество диагностики на 5-7%.

Техническая диагностика, исправность, показатели функционирования, машинное обучение, контрольная выборка, кросс-валидация.

2018_ 2

Рубрика: Математическое моделирование

Тематика: Математическое моделирование.


УДК 519.23

Алексеева Венера Арифзяновна, Ульяновский государственный технический университет, кандидат технических наук, окончила экономико-математический факультет Ульяновского государственного технического университета. Доцент кафедры «Прикладная математика и информатика» Ульяновского государственного технического университета. Имеет научные труды в области статистических методов. [e-mail: v.a.alekseeva@bk.ru]В.А. Алексеева

Использование методов машинного обучения в задачах бинарной классификации000_7.pdf

В статье рассматривается задача бинарной классификации объектов, для решения которой предлагается использование методов машинного обучения. Машинное обучение - подраздел искусственного интеллекта, математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей, дискретного анализа. Целью машинного обучения является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности, таких как обнаружение объектов, распознавание речи, образов, медицинская диагностика, диагностика технических объектов и т.д. В статье для бинарной классификации объектов предлагается использовать следующие методы: деревья решений, нейронные сети, дискриминантный анализ, байесовский классификатор, метод опорных векторов, логистическая регрессия, бэггинг деревьев решений, метод эмпирической функции (МЭФ) и нечеткий логический вывод на базе модели Сугэно. Эффективность классификации оценивается с помощью ряда характеристик: среднеквадратической ошибки, ROC-кривой, показателя AUC и т.д. Для повышения точности прогнозирования классов объектов предлагается провести сравнительный анализ эффективности рассматриваемых методов при различных порогах отсечения. Также предлагается использование комбинации моделей, так называемого агрегированного классификатора.

Бинарная классификация, машинное обучение, агрегированный классификатор, порог отсечения.

2015_ 3

Рубрика: Математическое моделирование

Тематика: Математическое моделирование, Автоматизированные системы управления , Архитектура корабельных систем , Искусственный интеллект.


© ФНПЦ АО "НПО "Марс", 2009-2018 Работает на Joomla!