ISSN 1991-2927
 

АПУ № 1 (59) 2020

Ключевое слово: "нейронные сети"

/table>

УДК 528.88

Дементьев Виталий Евгеньевич, кандидат технических наук, окончил радиотехнический факультет Ульяновского государственного технического университета, заведующий кафедрой «Телекоммуникации» УлГТУ. Имеет монографии, статьи и патенты в областях статистической обработки многомерных сигналов и защиты информации. [e-mail: dve@ulntc.ru]В.Е. Дементьев,

Кондратьев Дмитрий Сергеевич, аспирант кафедры «Телекоммуникации» УлГТУ, окончил радиотехнический факультет УлГТУ. Имеет работы в области искусственного интеллекта и обработки изображений. [e-mail: kondratev.dmitriy@gmail.com]Д.С. Кондратьев,

Стрельцова Анастасия Сергеевна, аспирант кафедры «Телекоммуникации» УлГТУ, окончила факультет математики, информатики и авиационных технологий Ульяновского государственного университета. Инженер-программист 2 категории ФНПЦ АО «НПО «Марс». Имеет научные труды в области тематического картографирования многозональных спутниковых изображений, а также в области защиты информации при помощи стеганографических методов. [e-mail: nastya94strel@mail.ru]А.С. Стрельцова

Траекторная обработка на основе комбинации байесовских нейронных сетей и процедур нелинейной фильтрации58_6.pdf

В работе ставится задача по разработке программно-алгоритмических решений, позволяющих производить автоматическое обнаружение и сопровождение объектов на видеопоследовательностях, получаемых с беспилотных летательных аппаратов. Для этого исследуются наиболее производительные нейросетевые алгоритмы, ориентированные на сегментацию изображений и выделение на них объектов разного рода. Делается вывод о важных преимуществах байесовских нейросетевых процедур, позволяющих выполнять объединение результатов их работы с другими алгоритмами. Определяются количественные характеристики эффективности таких комбинаций. Особое внимание уделяется вопросам построения оценки возможного расположения объекта на последующих кадрах с учетом особенностей его движения. Для повышения качества траекторного слежения за объектами предлагается объединять результаты работы байесовских нейросетевых алгоритмов и процедур нелинейной калмановской фильтрации, ориентированных на сопровождение объектов, которые перемещаются в том числе с переменным ускорением. Рассматриваются вопросы программной реализации предложенной комбинации алгоритмов. Выполняется сравнительный анализ полученного алгоритма траекторного слежения с известными решениями, которые реализованы в общедоступных библиотеках OpenCV. Результаты такого сравнения позволяют сделать вывод о существенных преимуществах предлагаемого алгоритма, что дает возможность рекомендовать его в реальных системах обработки видеоданных.

Сегментация изображений, нейронные сети, нелинейный фильтр, обнаружение объектов, траекторное слежение.

2019_ 4

Рубрика: Информационные системы

Тематика: Информационные системы.

УДК 004.4, 681.3

Дударин Павел Владимирович, окончил Ульяновский государственный университет, аспирант кафедры «Информационные системы» Ульяновского государственного технического университета. Имеет научные работы в области обработки данных с использованием нейронных сетей. [e-mail:p.dudarin@ulstu.ru]П.В. Дударин,

Тронин Вадим Георгиевич, кандидат технических наук, окончил УлГТУ, доцент кафедры «Информационные системы» УлГТУ. Имеет научные работы в области экономики, финансов и информационных технологий. [e-mail: v.tronin@ulstu.ru]В.Г. Тронин,

Святов Кирилл Валерьевич, кандидат технических наук, окончил УлГТУ, декан факультета информационных систем и технологий УлГТУ. Имеет научные работы в области автоматизации процессов управления. [e-mail: k.svyatov@ulstu.ru]К.В. Святов,

Белов Владимир Александрович, окончил бакалавриат «Программная инженерия» УлГТУ, магистрант кафедры «Информационные системы» УлГТУ. Имеет статью по мониторингу работы компьютера. [e-mail: v.belov@ulstu.ru]В.А. Белов,

Шакуров Роман Азатович, окончил бакалавриат «Программная инженерия» УлГТУ, магистрант кафедры «Информационные системы» УлГТУ. Имеет статьи по мониторингу работы компьютера и разработке системы определения победителя киберсоревнований. [e-mail: r.shakurov@ulstu.ru]Р.А. Шакуров

Подход к оценке трудоемкости задач в процессе разработки программного обеспечения на основе нейронных сетей57_8.pdf

Процесс разработки программного обеспечения (ПО) активно изучается экспертами из различных областей науки с различных точек зрения. Тем не менее степень успешности проектов в области разработки ПО меняется незначительно и остается на уровне 50% соответствия первоначальным требованиям (бюджет, время и функциональность) для проектов среднего размера. Годовые финансовые потери в этой области в связи с этим исчисляются сотнями миллиардов долларов. Ввиду высокой сложности процесса разработки ПО, оценки трудоемкости возникающих задач содержат большие погрешности. При этом даже повсеместный переход к гибким и итеративным методикам разработки не решают указанную проблему. В данной работе показывается, что экспертная ретроспективная оценка трудоемкости решения задачи в процессе разработки ПО может быть аппроксимирована функцией, реализованной в виде нейронной сети, от определенного набора метрик сложности программного кода. Также описан процесс сбора необходимых метрик и обучения нейронной сети, позволяющий автоматизировать получение оценок трудоемкости задач, выполненных в ходе спринта в парадигме гибкой разработки ПО. Проведенные эксперименты на реальном функционирующем проекте по разработке ПО демонстрируют работоспособность и эффективность предлагаемого подхода.

Процесс разработки программного обеспечения, нейронные сети, обогащение данных, метрика Холстеда, цикломатическая метрика.

2019_ 3

Рубрика: Искусственный интеллект

Тематика: Искусственный интеллект.



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 004.852

Седых Ирина Александровна, Липецкий государственный технический университет, кандидат физико-математических наук, окончила факультет автоматизации и информатики Липецкого государственного технического университета. Доцент кафедры высшей математики ЛГТУ. Имеет монографии, статьи, свидетельства о регистрации программ для ЭВМ в области окрестностного моделирования динамических систем. [e-mail: sedykh-irina@yandex.ru]И.А. Седых,

Демахин Дмитрий Сергеевич, Липецкий государственный технический университет, окончил физико-технологический факультет ЛГТУ. Магистрант ЛГТУ. Имеет статьи, свидетельства о регистрации программ для ЭВМ в области окрестностного моделирования динамических систем. [e-mail: dima-demahin@mail.ru]Д.С. Демахин

Гибкое управление светофорной системой перекрестка на основе нейронных сетей000_13.pdf

В статье описан традиционный алгоритм управления транспортными потоками на перекрестке с фиксированными порядком и продолжительностью включения светофоров. В качестве альтернативы предложен вариант управления светофорной группой транспортного перекрестка на основе использования нейронной сети. разработан и реализован в виде программы на языке C++ соответствующий алгоритм. описаны основные характеристики построенной нейронной сети управления светофорами перекрестка: архитектура, назначение нейронов входного и выходного слоев, количество нейронов промежуточного слоя, используемая функция активации нейронов, способ обучения. реализованный в программе алгоритм на основе нейронной сети позволяет осуществлять гибкое управление транспортными потоками на перекрестке, где очередность движения полос не является фиксированной. При этом предусмотрена и возможность варьирования времени работы зеленого сигнала в заданных пределах с целью увеличения пропускной способности перекрестка в более загруженных направлениях. Предусмотрены ограничения, не позволяющие блокировать отдельные потоки на слишком продолжительное время, в том числе долго запрещать движение пешеходов по переходам.

Светофорные системы, математическое моделирование, нейронные сети, управление транспортными потоками на перекрестке.

2017_ 1

Рубрика: Искусственный интеллект

Тематика: Искусственный интеллект.


УДК 004.8

Шишкин Вадим Викторинович, УлГТУ, кандидат технических наук, доцент, окончил радиотехнический факультет Ульяновского политехнического института. Профессор кафедры «Измерительно-вычислительные комплексы» Ульяновского государственного технического университета, декан факультета информационных систем и технологий УлГТУ. Имеет статьи в области интеллектуального анализа данных. [e-mail: shvv@ulstu.ru]В.В. Шишкин,

Стенюшкин Денис Игоревич, УлГТУ, окончил факультет информационных систем и технологий УлГТУ. Аспирант кафедры «Измерительно-вычислительные комплексы» УлГТУ. Имеет статьи в области интеллектуального анализа данных. [e-mail: denisstenyushkin@yandex.ru]Д.И. Стенюшкин,

Брон Михаил Генрихович, ScanMaster Systems, Ltd. (Израиль), окончил радиотехнический факультет УлГТУ, заместитель директора по НИОКР компании ScanMaster Systems, Ltd. (Израиль). Имеет работы в области ультразвукового контроля в промышленности. [e-mail: misha@scanmaster-irt.com]М.Г. Брон

Математические модели и методы для расшифровки ультразвуковых дефектограмм железнодорожных рельсов в реальном времени38_8.pdf

В статье представлена система моделей и методов, предназначенных для расшифровки ультразвуковых дефектограмм железнодорожных рельсов в реальном времени в процессе сканирования. Система включает модели и методы для предварительной обработки ультразвуковых данных, включая выборку данных, приведение в диапазон и комбинирование данных отдельных каналов, а также для поиска и классификации дефектов. Предварительная обработка данных основана на выборке ультразвуковых данных с помощью очереди сигналов и их алгебраических преобразованиях для приведения к виду, пригодному для дальнейшей обработки. Поиск и классификация дефектов основаны на применении параллельно функционирующих специализированных классификаторов, представляющих собой искусственные нейронные сети архитектуры Simplified Fuzzy ARTMAP, модифицированные для работы с элементами входных векторов в широком диапазоне значений. Для разрешения возникающих конфликтов предложен метод, основанный на дереве решений. Предложенные модели и методы могут быть эффективно реализованы с применением современных подходов к организации параллельных вычислений. Испытания показали точность распознавания дефектов не ниже 85%.

Расшифровка дефектограмм, выявление дефектов рельсов, нейронные сети.

2014_ 4

Рубрика: Информационные системы

Тематика: Информационные системы, Математическое моделирование.


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