Математическое и программное обеспечение интеллектуального модуля оценки состояния объектов в условиях малых выборок тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Вишневская Юлия Александровна

• Вишневская Юлия Александровна
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Вишневская Юлия Александровна

ВВЕДЕНИЕ

ГЛАВА 1 ЗАДАЧИ ОБРАБОТКИ НЕСТРУКТУРИРОВАННЫХ ДАННЫХ ДЛЯ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТОВ В СИСТЕМАХ МОНИТОРИНГА

1.1 Особенности сбора и обработки данных в системах мониторинга состояния объектов

1.2 Существующие методы и подходы к анализу данных для оценки состояния объектов

1.2.1 Задача оценки состояния объектов как задача классификации объектов

1.2.2 Анализ существующих подходов и методов классификации в условиях малых выборок

1.3 Анализ нейросетевых технологий для решения задачи классификации

1.3.1 Ассоциативные нейронные сети

1.3.2 Нейронные сети глубокого обучения

1.3.3 Результаты анализа нейросетевых технологий

1.4 Динамическая модель Г. Хакена как альтернатива нейронным сетям

1.5 Задачи диссертационного исследования

Выводы по главе

ГЛАВА 2 РАЗРАБОТКА МЕТОДА ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТОВ В УСЛОВИЯХ МАЛЫХ ВЫБОРОК

2.1 Особенности модели Г. Хакена для решения задачи классификации

2.2 Построение потенциальных функций и исследование их деформаций при различных параметрах модели Г. Хакена

2.3 Разработка обобщённого алгоритма классификации состояния объектов

Стр.

2.3.1 Математическое описание алгоритма классификации состояния объектов

2.3.2 Исследование обобщённого алгоритма на примере задачи классификации искажённых символов

2.4 Основные положения метода оценки состояния объектов

Выводы по главе

ГЛАВА 3 РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОГО МОДУЛЯ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТОВ

3.1 Создание трехуровневой последовательности процессов оценки состояния объектов

3.2 Разработка структуры и состава программного обеспечения интеллектуального модуля

3.2.1 Формирование требований к интеллектуальному модулю оценки состояния объектов

3.2.2 Выбор архитектуры и подхода к разработке

3.2.3 Разработка структуры интеллектуального модуля

3.2.4 Создание структуры хранения параметров обученного модуля

3.2.5 Передача данных между блоками

3.3 Разработка алгоритмов интеллектуального модуля

3.3.1 Процесс получения параметров настройки категорий

3.3.2 Алгоритм обучения модуля

3.3.3 Процесс получения данных оцениваемого объекта

3.3.4 Процесс обработки и учёта приоритетов

3.3.5 Алгоритм оценки состояния объектов

3.4 Проектирование интерфейса пользователя

Стр.

Выводы по главе

ГЛАВА 4 ПРИМЕНЕНИЕ РАЗРАБОТАННОГО МОДУЛЯ ДЛЯ РЕШЕНИЯ ПРИКЛАДНЫХ ЗАДАЧ

4.1 Особенности настройки интеллектуального модуля

4.1.1 Обучение интеллектуального модуля оценки состояния объектов

4.1.2 Использование обученного модуля оценки состояния объектов

4.2 Размещение программных компонентов интеллектуального модуля в системе мониторинга

4.3 Примеры решения прикладных задач

4.3.1 Оценка степени угрозы состоянию транспортного средства

4.3.2 Оценка принадлежности объектов по изображениям

4.3.3 Оценка поведения пользователей в веб-приложении для обнаружения ботов

4.3.4 Оценка состояния регионов

4.4 Анализ эффективности работы интеллектуального модуля оценки состояния объектов

4.4.1 Сравнение эффективности интеллектуального модуля с существующими нейросетевыми технологиями

4.4.2 Анализ соответствия категориям эффективности разработанного интеллектуального модуля

Выводы по главе

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ Б

Введение диссертации (часть автореферата) на тему «Математическое и программное обеспечение интеллектуального модуля оценки состояния объектов в условиях малых выборок»

ВВЕДЕНИЕ

Актуальность темы исследования. В настоящее время в различных предметных областях, в которых требуется наблюдение и контроль за сложными объектами (социальная, экономическая сферы, здравоохранение, техническая диагностика, энергоснабжение, экология и др.), является востребованным процесс анализа характеристик объекта с целью определения его текущего состояния, выявления аномалий и прогнозирования возможных изменений. Такой процесс называется оценкой состояния объекта (далее - ОСО).

Решением задачи ОСО занимались такие ученые, как Богданова Т.К. [12, 14], Вешнева И.В. [15], Звягинцева А.В. [16, 19], Жукова Л.В. [12, 14], Ланцберг А.В. [13, 18], Рожков С.А. [21] и др. При этом в качестве основных решений задачи выбирались методы ОСО, основанные на статистическом анализе, которые требуют большого количества данных, стабильных закономерностей и заранее строго заложенных правил, что делает их малоприменимыми для динамических и высокоразмерных характеристик объектов.

Альтернативой традиционным методам выступают интеллектуальные подходы, обеспечивающие анализ больших объемов данных, выявления скрытых зависимостей и восстановление данных. В частности, в современных системах мониторинга, обеспечивающих автоматизацию наблюдения и контроля за сложными объектами, чаще используют методы машинного обучения и нейронные сети. Развитию интеллектуальных моделей и алгоритмов, а также проектированию интеллектуальных систем посвящены работы Ажмухамедова И.М. [30], Большакова А.А. [27], Гергет О.М [17, 20], Шиболденкова В.А. [34], Ковалева С.В. [32], Вебера В.И. [36], Рычкова В.А. [41], Смирновой О.В. [33], Уткина Л.В. [37], Черных А.В. [35], Шульги Т.Э. [39, 40], Ясницкого Л.Н. [38] и многих др. Однако применение интеллектуальных методов имеет ряд ограничений: требовательность к данным, долгое время обучения, сложность интерпретации результата, чувствительность к гиперпараметрам и весам.

Одним из решающих факторов, усиливающих ограничения применений нейронных сетей, является проблема малых обучающих выборок, которая возникает в системах, данные для обучения которых собрать сложно или невозможно. Несмотря на это ограничение, в процессе мониторинга требуется решение задачи классификации, заключающейся в определении класса, к которому принадлежит объект. Классы формируются как состояния объекта, определяемые по совокупности его признаков в конкретный момент времени, характеризующих функциональное состояние, уровень работоспособности, отклонение от определенной нормы.

Поскольку рассматриваемая задача ОСО является востребованной для объектов в условиях малых обучающих выборок необходим метод, позволяющий преодолеть ограничения нейронных сетей. Таким методом стало применение динамической модели распознавания сложных образов, которую предложил немецкий физик Герман Хакен в работе «Synergetic Computers and Cognition. A Top-Down Approach to Neural Nets» [90]. Развитием модели Г. Хакена занимались ученые: Basar E. [92], Boebel F.G. [110], Chen Q. [12б], Flohr H. [92], Huang H. [12б], Hutt A. [10б], Marian M.F. [105], Taherzadeh G. [98], Shen Z.H. [99], Wagner W. [110], Wang F.Y. [104], Бояркин М.И . [118, 120], Бутенков С.А. [125], Колесников А.А. [124, 125], Литвинов В.Л. [117], Матвеев С.В. [100, 101], Новиков Е.А. [117], Савельев И.М. [119], Семерий О.С. [125], Юдашкин А.А. [120] и др. Однако большинство работ по применению модели Г. Хакена направлены на решение задачи распознавания изображений, восстановление образов объектов или решение задач в областях физики и химии. Модель Г. Хакена не применялась учеными для решения задачи ОСО в процессе классификации.

Таким образом, оценка состояния объектов в условиях малых обучающих выборок остаётся нерешенной задачей. На основании вышеперечисленного сделано заключение, что разработка математического и программного обеспечения интеллектуального модуля (далее - ИМ) ОСО в условиях малых выборок является актуальной задачей.

Целью исследования является повышение эффективности процесса оценки состояния объектов в условиях малых обучающих выборок. Для её достижения поставлены и решены следующие задачи:

1) создан метод ОСО, позволяющий определить класс состояния объектов в условиях малых выборок;

2) разработаны алгоритмы для автоматизации оценки состояния объектов;

3) создан ИМ ОСО с графическим человеко-машинным интерфейсом, позволяющим настраивать архитектуру под конкретную предметную область.

Научная новизна диссертационной работы состоит в следующем:

1) создан новый метод оценки состояния объектов, использующий трехуровневую последовательность процессов ОСО, отличающийся возможностью классифицировать состояния объектов в условиях малых обучающих выборок (п. 3 паспорта научной специальности);

2) разработан интеллектуальный модуль с возможностью настройки архитектуры под конкретную предметную область, отличающийся возможностями установки приоритетов различным категориям признаков состояний (п.4 паспорта научной специальности);

3) создано оригинальное программное обеспечение, включая человеко-машинный интерфейс, для автоматизации оценки состояния объектов, что позволило ускорить процесс получения ОСО при малом количестве обучающих примеров (п.7 паспорта научной специальности).

Теоретическая значимость диссертации определяется новыми результатами, позволяющими автоматизировать оценку состояния объектов в системах мониторинга в условиях малого количества обучающих примеров. Разработанный метод, основанный на трехуровневой последовательности процессов ОСО, позволяет формировать оценку состояния объектов с учетом варьируемой степени влияния категорий признаков на объект. Разработанный модуль ОСО позволяет формализовать механизм приоритизации признаков и получения ОСО с учётом разделения признаков на категории. Процесс

формализации признаков сложного объекта и программное обеспечение с человеко-машинным интерфейсом позволяют разделить процессы обучения и оценки, повышая скорость получения результата ОСО.

Практическая значимость диссертации заключается в формировании легко интерпретируемой оценки состояния объекта с помощью метода ОСО. Разработанные алгоритмы реализации модуля ОСО позволяют формировать оценки состояний с учётом различных категорий признаков и учитывать их приоритеты. Разработанный интеллектуальный модуль обладает возможностью настраивать архитектуру под конкретную предметную область путем настройки параметров, позволяет однократно обучить модуль под нее и многократно выполнять оценку. Практическая значимость диссертации подтверждено применением разработанного ИМ ОСО для решения прикладных задач в разных предметных областях. Использование разработанного человеко-машинного интерфейса позволило повысить скорость настройки модуля и формирования оценки при интеграции в систему мониторинга, сократить сроки реагирования в условиях возможных чрезвычайных ситуаций.

Методы исследования. В основе диссертационного исследования лежат методы и технологии интеллектуального анализа данных, компьютерного моделирования, математические основы программирования, объектно-ориентированное программирование, технология разработки программных систем.

Положения, выносимые на защиту. Соискателем лично получены следующие основные научные результаты, выносимые на защиту:

1) метод оценки состояния объектов в условиях малых обучающих выборок;

2) алгоритмы настройки и работы интеллектуального модуля;

3) программное обеспечение ИМ ОСО с графическим интерфейсом для автоматизации и повышения эффективности процессов настройки, обучения и оценки состояния объектов в условиях малых выборок.

Степень достоверности результатов диссертационного исследования обеспечивается всесторонним анализом научных работ российских и зарубежных

исследователей; соответствием основных теоретических выводов полученным практическим результатам на основе разработанных метода ОСО и алгоритмов; согласованностью полученных оценок состояния объектов с эмпирическими данными и независимыми аналитическими заключениями, полученными на примерах практических задач; успешным использованием полученных результатов в различных организациях.

Апробация результатов. Основные результаты работы докладывались на Международных научных конференциях «Математические методы в технике и технологиях» (Санкт-Петербург, Нижний Новгород, Казань, 2021-2024), «Digital Transformation: Informatics, Economics, and Education» (Узбекистан, 2023), «International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency» (Липецк, 2023, 2021), Российской конференции «Инжиниринг предприятий и управление знаниями» (Москва, 2022), Международной конференции «Современные проблемы прикладной математики, информатики и механики» (Нальчик, 2022), Всероссийской конференции «Моделирование в инженерном деле» (Москва, 2022).

Полученные результаты исследований использованы в проекте FSFN-2024-0059 «Разработка научно-методического аппарата и технологических решений в области создания высокопроизводительных интеллектуальных систем обработки мультимодальных данных», о чём имеется соответствующий акт использования.

Предложенные решения в виде метода, последовательностей процессов ОСО и алгоритмов использованы при мониторинге состояния критических объектов внутренней инфраструктуры в АО «РТКомм.РУ», при прогнозировании возможных сбоев функционирования промышленных предприятий в ООО «РТСофт-СГ», а также для автоматизации процесса учета въезда транспортных средств на контролируемую территорию для ООО «ИТ Авангард». Материалы диссертации использованы в учебном процессе в МГТУ им. Н.Э. Баумана.

ГЛАВА 1 ЗАДАЧИ ОБРАБОТКИ НЕСТРУКТУРИРОВАННЫХ ДАННЫХ ДЛЯ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТОВ В СИСТЕМАХ

МОНИТОРИНГА

В современном мире во многих сферах деятельности существует потребность в контроле состояния сложных объектов и своевременном реагировании в случае изменения их состояния. Понимание состояния наблюдаемых объектов важно для их стабильной бесперебойной работы. Оценка состояния объектов не только помогает ответственным лицам вовремя реагировать на проблемы и принимать корректирующие решения, но и дает им возможность прогнозировать изменения состояний наблюдаемого объекта и предотвращать возможные аварийные ситуации.

Один из способов своевременного и регулярного получения информации об объекте - это создание системы мониторинга, собирающей метрики, отображающей данные в наглядном понятном пользователю формате и оповещающей лиц, принимающих решения (ЛПР), о сбоях в работе наблюдаемого объекта. На Рисунке 1.1 представлен обобщённый процесс функционирования системы мониторинга.

Рисунок 1.1. Обобщённый процесс функционирования системы мониторинга

Система мониторинга позволяет собирать данные об объектах и отслеживать процесс изменения их состояния в зависимости от воздействий, а также выявлять отклонения и предупреждать о потенциальных рисках [1]. Помимо этого процесс мониторинга включает модули, которые предоставляют дополнительный функционал для преобразования данных из различных источников и выполнения

анализа и ОСО мониторинга, предоставляя данные ЛПР для дальнейшего анализа оценки и принятия решений по воздействию на объекты [2].

1.1 Особенности сбора и обработки данных в системах мониторинга

состояния объектов

Основной целью систем мониторинга является своевременное выявление изменений в состоянии объекта, предсказание возможных отклонений и обеспечение надёжного функционирования системы за счёт оперативного реагирования на выявленные риски [3]. Следовательно, система мониторинга - это совокупность программных и технических средств, предназначенная для наблюдения за состоянием объектов, включающая процессы сбора, агрегирования, обработки, оценки и анализа полученных данных наблюдения.

Процесс мониторинга включает в себя следующие основные этапы [4]: 1) подготовительный этап; 2) этап сбора данных; 3) этап обработки, анализа и оценки состояния объектов и 4) формирование рекомендаций для принятия решений о корректирующих воздействиях на объект.

Для корректной работы третьего этапа требуется предварительный выбор методов обработки, анализа и ОСО, формирование критериев оценки по набору собираемых признаков (метрик) объекта на втором этапе. В соответствии с выбранным методом анализа данных формируется перечень групп признаков, определяющих текущее состояние объектов, который сравнивается с состояниями, которые требуется выявлять в процессе мониторинга и уведомлять об их наступлении ЛПР. Зачастую такие состояния определяются на основе собранных статистических данных об объекте. Однако в реальных условиях может возникнуть ситуация, когда для формирования критериев оценки недостаточно информации. Когда примеры характерных состояний объектов либо отсутствуют, либо представлены в ограниченном количестве, стандартные методы оценки могут работать некорректно, что затрудняет мониторинг и выявление отклонений [5].

Для формирования комплексной оценки состояния объектов, имеющих сложную структуру с большим количеством признаков, необходимо учитывать, что метод ОСО должен уметь обрабатывать разнородные, неструктурированные многоразмерные наборы данных, собираемых системой мониторинга. Для повышения интерпретируемости данных и корректной работы метода ОСО необходимо структурировать и стандартизировать собираемые данные об объектах [6-7].

К особенностям обработки данных в системах мониторинга также стоит отнести частое несовершенство получаемой информации, т.е. получаемые числовые параметры или изображения с визуальных средств предоставления данных могут присылать зашумлённые наборы для обработки. На состояние объекта могут влиять факторы окружающего контекста, которые могут изменить его оценку, поэтому необходимо учитывать их в процессе формирования набора признаков объекта. Для того, чтобы определить подобные данные и обработать, требуется либо участие человека в обработки информации, что замедляет её процесс, либо выбор специальных методов, которые способны восстанавливать зашумлённые и неполные наборы данных и формировать комплексную оценку с учётом влияния окружающих факторов [8].

Для повышения скорости принятия решений о корректирующем воздействии на объект в случае чрезвычайных ситуаций в процессе обработки данных стоит учитывать необходимость оценивать влияние ключевой группы признаков на объект наблюдения. В зависимости от приоритета того или иного показателя система мониторинга сможет сообщать о критичности сбоев или выбросах данных, опуская незначительные изменения в показателях [9].

Таким образом, при формировании блока обработки, анализа и оценки состояния объектов в системе мониторинга нужно учитывать, что алгоритмы анализа данных объектов должны:

1) принимать и обрабатывать большой поток статистических данных о состоянии объектов;

2) работать в режиме реального времени, и как следствие иметь высокую скорость обработки входных данных;

3) гарантировать результат оценки в условиях отсутствия или ограниченного количества примеров для формирования характерных состояний, которые требуется отслеживать;

4) обладать свойством ассоциативной памяти, т.е. памяти, адресуемой по содержанию, а не по местоположению;

5) уметь обрабатывать зашумлённые данные и восстанавливать недостающие части объектов;

6) формировать комплексную оценку с учётом влияния окружающего контекста;

7) ранжировать информацию в зависимости от её значимости для своевременного уведомления лиц, принимающих решения, о возникновении ошибок и отклонений.

Таким образом, алгоритмы обработки данных в системах мониторинга должны корректно выполнять оценку состояния объектов как в условиях большого потока параметров в режиме реального времени, так и в условиях отсутствия большого количества статистической информации о критических состояниях объектов. Проанализируем существующие методы, позволяющие решать задачу оценки состояния объектов, на соответствие сформулированным требованиям.

1.2 Существующие методы и подходы к анализу данных для оценки

состояния объектов

Анализ данных мониторинга может выполняться в разрезе различных аспектов, ОСО позволяет формировать комплексное представление об объектах в системах мониторинга [10, 11].

Существует множество методов анализа данных для ОСО, которые могут быть применены в различных сферах мониторинга. К числу наиболее популярных подходов относятся: статистический анализ, экспертные системы, машинное

обучение, нейронные сети и методы искусственного интеллекта, которые позволяют обрабатывать и интерпретировать как структурированные, так и неструктурированные данные, получаемые от объектов мониторинга.

Для определения метода, удовлетворяющего требованиям к алгоритму анализа данных в системах мониторинга и наиболее подходящего для ОСО, сформулируем понятие задачи оценки состояния объекта.

1.2.1 Задача оценки состояния объектов как задача классификации объектов

Для однозначной трактовки задачи ОСО необходимо дать определения следующим понятиям: объект, состояние и оценка.

Понятие «объекта» в контексте систем мониторинга имеет широкую трактовку. В качестве объекта может пониматься элемент или совокупность элементов, состояние которых нужно контролировать и анализировать. В качестве объектов могут выступать: физические устройства и оборудование, инфраструктурные объекты, процессы и системы, как живые, так и искусственные, поставленные на мониторинг [12-14]. Объект описывается через набор признаков (атрибутов), которые характеризуют его состояние. Важным аспектом является динамичность объекта - способность его параметров изменяться во времени.

Понятие «состояния объекта» определяется как совокупность значений ключевых признаков объекта в конкретный момент времени, которая характеризует его функциональное положение, уровень работоспособности или отклонение от нормы [15-17].

Понятие «оценка состояния объекта» - процесс количественного и качественного анализа значений признаков объекта для определения его текущего или прогнозируемого состояния. Ключевыми аспектами оценки являются: структуризация и анализ собранных данных, сравнение с характерным состоянием текущих значений признаков объекта, диагностика и прогнозирование [18-20]. Оценка может выполняться как человеком на основе отчётов и визуализаций, так и автоматически с помощью интеллектуальных систем [21].

В общем виде задача ОСО в системах мониторинга относится к задаче классификации, где состояния - это классы, к которым необходимо отнести оцениваемый объект [22-24]. Однако при оценке состояния объектов важно учитывать окружающий контекст и приоритетность в части параметров оценки. Для решения задачи классификации используется множество подходов, в том числе, активно применяются интеллектуальные методы. Методы могут комбинироваться между собой, а могут использоваться базовые алгоритмы.

Таким образом, выделены характерные черты задачи ОСО применительно к системам мониторинга сложных объектов: преобразование исходных данных о состоянии объекта к виду, пригодному для обработки и анализа; формирование характерных состояний (эталонных классов) на основе статистических данных или при малом количестве примеров, в соответствии с которыми будет проводится оценка; классификация, т.е. указание принадлежности состояния объекта определенному классу.

Задача ОСО как классификация признаков объектов является классической задачей согласно справочнику по искусственному интеллекту [25]. Под «классической» понимается задача ОСО в постановке: определение текущего состояния объекта и прогнозирование его изменений на основе анализа входных данных и применения интеллектуальных моделей и методов [25].

Таким образом, задача ОСО в системах мониторинга определена как задача классификации. Рассмотрим существующие методы анализа данных, наиболее подходящие для решения задачи классификации.

1.2.2 Анализ существующих подходов и методов классификации в условиях

малых выборок

В процессе анализа методов классификации учитывались особенности и требования, сформулированные к алгоритмам анализа и ОСО в системах мониторинга. Одной из основных проблем в процессе определения критериев оценки для мониторинга, которая может существенно повлиять на эффективность

методов классификации, является ограниченность обучающих наборов данных. Набор данных, при котором для классификации в процессе обучения достаточно одного примера для эталонного класса, называется малой обучающей выборкой.

Традиционные методы, основанные на статистическом анализе, и экспертные системы имеют ряд ограничений, не позволяющий применять их для решения задачи ОСО в системах мониторинга. Статистический анализ требует больших объёмов данных для построения надёжных моделей и выявления закономерностей, что делает его трудно применимым в условиях малых обучающих выборок [26-30]. Экспертные системы позволяют гарантировать решение задачи даже при отсутствии обучающих примеров за счёт привлечения эксперта, однако требуют значительных трудозатрат для обновления знаний [31]. Традиционные подходы не способны эффективно адаптироваться к изменениям и не обеспечивают гибкости, необходимой для анализа состояний объектов в реальном времени. Кроме того, они имеют ограничения в процессе обработки разнородных и неполных данных.

В системах мониторинга наиболее эффективными для анализа данных являются интеллектуальные методы. Эти методы позволяют повысить эффективность решения задачи ОСО на больших объёмах данных и в режиме реального времени, а также являются адаптируемыми к изменениям в системе мониторинга. Однако применительно к интеллектуальным методам малые выборки приводят к риску переобучения, снижению точности и неспособности модели обобщать информацию [32].

Наиболее применимыми для решения задач ОСО в системах мониторинга интеллектуальными технологиями являются: машинное обучение, нейронные сети, технология Data Mining.

Машинное обучение, которое обладает возможностью обучения и выделения скрытых закономерностей в объектах наблюдения [33-35].

Нейронные сети, в основе алгоритмов которых лежит подражание примитивной биологической модели нервной системы человека [30, 34, 36-41]. Искусственные нейронные сети в силу особенностей своей архитектуры и

возможности обучения с формированием скрытых от пользователя логических связей являются «чёрным ящиком» для разработчиков и пользователей. Процессы, происходящие внутри нейронных сетей, мало контролируемы, что затрудняет прогнозирование поведения таких алгоритмов.

Технология Data Mining подразумевает обнаружение определенных закономерностей в необработанных данных с помощью интеллектуального анализа, объединяет процесс сбора и обработки данных, а также включает в себя интеллектуальный анализ [42]. Сбор и обработка данных в Data Mining относятся к прикладной области, где главной целью являются сами данные, а анализ ближе к математике и аналитике, где важно получить новое знание из большого объёма имеющихся данных. Извлечение данных (сбор) является подготовительным этапом для извлечения знаний (анализ) [43]. Таким образом, Data Mining сконцентрирована на едином процессе анализа данных, включающем очистку данных, обучение, интеграцию и визуализацию результатов. По факту технология включает в себя все выше рассмотренные методы сбора, обработки и анализа данных, объединяя их вместе в оптимальный алгоритм работы [44-45].

Для решения проблемы малых обучающих выборок при использовании нейронных сетей применяют различные подходы, которые позволяют искусственно увеличить размер выборки и повысить степень устойчивости модели. К таким подходам относят: 1) методы переноса обучения, предполагающие использование знаний, полученных на одном наборе данных для обучения модели на другом наборе данных с меньшим объёмом информации; 2) методы регуляризации, заключающиеся в добавлении дополнительных ограничений в модель с целью предотвращения переобучения; 3) искусственное обогащение данных - изменение существующих обучающих примеров путём добавления шумов в их наборы признаков; 4) использование генеративных моделей, которые формируют новые синтетические данные для формирования обучающей выборки; а также различные методы создания гибридных моделей [46-49]. Существующие подходы к решению проблемы малых обучающих выборок не всегда эффективны

при крайне малых выборках, поскольку недостаток информации не позволяет моделям корректно обобщать и выявлять классы состояний объектов.

Предлагаемые подходы не учитывают случаи единичных обучающих примеров или их полного отсутствия в процессе мониторинга состояния объекта. Ассоциативные нейронные сети (например, сеть Хопфилда) позволяют преодолеть это ограничение за счёт формирования эталонных классов объекта. Такие нейронные сети являются более устойчивыми при работе с малыми обучающими выборками, поскольку за счёт соотношения оцениваемого состояния объекта с эталонным и распознавания состояний объектов гарантирует получение результата классификации [50].

Список литературы диссертационного исследования кандидат наук Вишневская Юлия Александровна, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Емельянов В.А., Черный С.Г., Емельянова Н.Ю. Архитектура системы поддержки принятия решений в процессе мониторинга технического состояния критического оборудования // Программные продукты и системы. 2023. Т. 36, №2 3. С. 451-458.

2. Ахмедова А.Н. Мониторинг и оценка параметров состояния поверхности хромоникелевых сталей в условиях возникновения питтинговой коррозии: дис. канд. технических наук. Казанский национальный исследовательский технологический университет, 2017. 143 с.

3. Васильев А.В. Понятие и сущность мониторинга с позиции системного подхода // Современные исследования. 2021. № 5 (98). С. 45-52.

4. Астафьев А.Н. Нейросетевая система мониторинга и поддержки принятия решений диагностики вирусного гепатита: дис. канд. технических наук, 2020. 169 с.

5. Шишмаков В.В., Лаптева А.В. Интеллектуальная система мониторинга для решения крупномасштабных научных задач в облачных вычислительных средах // Интеллектуальные управления и системы. 2023. Т. 29, № 1. С. 87-102.

6. Прокимнов Н. Н. Концепция и принципы организации адаптивного мониторинга //Прикладная информатика. 2016. Т. 11, № 3 (63). С. 5-21.

7. Моделирование автоматизированной системы интеллектуального экомониторинга и управления экологической безопасностью городских территориальных агломераций / И.С. Константинов [и др.]. // Региональная научно-техническая конференция по итогам конкурса ориентированных фундаментальных исследований по междисциплинарным темам, проводимого Российским фондом фундаментальных исследований и Правительством Белгородской области. 2015. №2 1. С. 169-184.

8. Принципы построения интеллектуально-экспертной системы мониторинга и прогнозирования / И.К. Андрончев [и др.]. Самара: Наука и образование транспорту. 303 с.

9. Прокимнов Н. Н. Концепция и принципы организации адаптивного мониторинга //Прикладная информатика. 2016. Т. 11, №. 3 (63). С. 5-21.

10. Дроговоз П.А., Леус Н.А. Мировые тенденции развития предиктивной аналитики больших данных в промышленной сфере // Экономика и предпринимательство. 2019. № 4. С. 168-176.

11. Катасёва Д.В. Нейронечеткая модель и программный комплекс формирования баз знаний для оценки состояния объектов // Прикаспийский журнал: управление и высокие технологии. 2022. № 1 (57). С. 65-76.

12. Богданова Т.К., Жукова Л.В. Оценка состояния объекта управления на основе универсального комплексного индикатора с использованием структурированных и неструктурированных данных // Бизнес-информатика. 2021. Т. 15, № 2. С. 21-33.

13. Ланцберг А.В. Математические методы и модели оценки функционального состояния человека и их реализация в программном комплексе: дис. канд. технических наук. Саратовский государственный технический университет, 2010. 152 с.

14. Богданова Т.К., Жукова Л.В. Информационно-логическая модель экспресс-анализа соответствия состояния предприятия, удовлетворяющего нормативам и регламентам, на основе общедоступных данных // Бизнес-информатика. 2022. Т. 16, № 1. С. 42-55.

15. Вешнева И.В., Большаков А.А. Разработка математических моделей для цифровых двойников в социально-экономических структурах на основе статусных функций // Математические методы в технологиях и технике. 2021. № 5. С. 73-76.

16. Швецова А.А., Аверин Г.В., Звягинцева А.В. О комплексном измерении состояний социально-экономических объектов // Современная экономика: проблемы и решения. 2021. Т. 2, № 2 (134). С. 42-54.

17. Гергет О.М., Игнатишина Ф.А. Применение нейросетевых моделей для обработки и анализа медицинских данных // Автоматизация и моделирование в проектировании и управлении. 2022. № 3(17). С. 24-33. DOI: 10.30987/2658-64362022-3-24-33.

18. Ланцберг А. В., Суятинов С. И. Метод оценки состояния человека на основе нейронечеткой модели анализа интервальных данных // Математические методы в технике и технологиях-ММТТ. 2017. Т. 9. С. 98-103.

19. Звягинцева А.В. Теория событийной оценки в системном анализе / А.В. Звягинцева // Донецкие чтения 2021: образование, наука, Донецк, 26-27 октября 2021 года. Донецк: Донецкий национальный университет, 2021. Т. 2. С. 233.

20. Исследование возможностей искусственных нейронных сетей в задаче классификации динамических признаков объектов / О.М. Гергет [и др.]. Томск: Известия Томского политехнического университета. Промышленная кибернетика, 2023. Т. 1, № 1. С. 44-49.

21. Обнаружение и оценка изменения состояния объекта в информационно-управляющих комплексах / С.А. Рожков [и др.]. Херсон: Вестник Херсонского национального технического университета, 2018. 311 с.

22. Федотов Н. Теория признаков распознавания образов на основе стохастической геометрии и функционального анализа. М.: Издательская фирма «Физико-математическая литература», 2022. 305 с.

23. Zhang X. Y., Liu C. L., Suen C. Y. Towards robust pattern recognition: A review // Proceedings of the IEEE. 2020. Т. 108. №. 6. С. 894-922. DOI: 10.1109/JPROC.2020.2989782

24. Якубович В. А. Машины, обучающиеся распознаванию образов // Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия. 2021. Т. 8, №. 4. С. 625-638.

25. Поспелов Д.А. Искусственный интеллект в 3 книгах (книга 2: Модели и методы). М.: Радио и связь, 1990. 304 с.

26. Суетин В.В., Пугачева Д.И., Вайтекунайте П.Ю. Современные методы обработки больших данных // Актуальные проблемы авиации и космонавтики. 2022. С. 227-229.

27. Кулик А.А., Большаков А.А. Методологические подходы к разработке интеллектуальной авиационной системы управления безопасностью полетов // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2021. № 3. С. 41-48.

28. Куанышева Д.Г., Плотникова И.В. Краудсорсинг как метод повышения эффективности современного предприятия // Современная экономика России: достижения, актуальные проблемы и перспективы развития. 2019. С. 67-72.

29. Преображенский Ю.П., Чопоров О.Н. Об использовании метода статистического анализа для анализа характеристик производительности сети // Вестник Воронежского института высоких технологий. 2020. № 2. С. 34-36.

30. Ажмухамедов И. М., Князева О. М. Оценка состояния защищенности данных организации в условиях возможности реализации угроз информационной безопасности // Прикаспийский журнал: управление и высокие технологии. - 2015. - №. 3 (31). - С. 24-39.

31. Интеллектуальные методы анализа данных в биомедицинских исследованиях: сверточные нейронные сети / А.Н. Наркевич [и др.]. -Новосибирск: Экология человека, 2021. 53 с.

32. Деев М.И., Ковалева О.А., Ковалев С.В. Тестирование и анализ нейросетевых моделей для распознавания объектов на изображении в режиме реального времени // Российская наука, инновации, образование (РОСНИО-11-2023). 2023. С. 274-280.

33. Научно-техническая информация о космосе в современных массмедиа: результаты исследования / О.В. Смирнова [и др.]. - Москва: Научно-техническая информация. Серия 1: Организация и методика информационной работы, 2021. 15 с.

34. Шиболденков В.А. Инструментарий нейросетевого разведочного анализа социально-экономических процессов // Аудит и финансовый анализ. 2018. №. 6. С. 213-223.

35. Метод аппаратной реализации сверточной нейронной сети на основе системы остаточных классов / Черных А.В. [и др.]. - Москва: Труды Института системного программирования РАН, 2022. 61 с.

36. Распознавание наземных объектов на радиолокационном изображении с применением сверточной нейронной сети / Вебер В.И. [и др.]. // Ural Radio Engineering Journal. 2022. Т. 6, №. 1. С. 93-101.

37. Мелдо А.А., Уткин Л.В., Трофимова Т.Н. Искусственный интеллект в медицине: современное состояние и основные направления развития интеллектуальной диагностики // Лучевая диагностика и терапия. 2020. Т. 11, № 1. С. 9-17.

38. Ясницкий Л.Н., Степанов В.А. Ошибки искусственного интеллекта и возможности их устранения за счёт применения нейросетевого метода поиска и ликвидации статистических выбросов // Нейрокомпьютеры и их применение. 2022. С. 168-169.

39. Либерман А.И., Шульга Т.Э. Актуальные задачи анализа изображений // Проблемы управления в социально-экономических и технических системах. 2022. С. 41-4б.

40. Шульга Т.Э., Сытник А.А., Сердюкова Н.В. Анализ расчётных моделей электропотребления для промышленных предприятий // Математические методы в технологиях и технике. 2021. № 9. С. 82-86.

41. Рычков В.А., Давыденко В., Чурилов И.П. Применение методов машинного обучения и глубокого обучения при решении задачи защиты информации в сфере облачных технологий // Угрозы и риски финансовой безопасности в контексте цифровой трансформации. 2021. С. 539-545.

42. Wang S., Cao J., Philip S.Y. Deep learning for spatio-temporal Data Mining: A survey // IEEE transactions on knowledge and data engineering. - 2020. - Vol. 34, № 8. - С. 3681-3700. DOI: 10.48550/arXiv.1906.04928.

43. Свиридова Л.Е. Практическое применение Data Mining // Аллея науки. 2019. Т. 2, № 2. С. 917-920.

44. Иванько А.Ф., Иванько М.А., Сизова Ю.А. Нейронные сети: общие технологические характеристики // Научное обозрение. Технические науки. 2019. № 2. С. 17-23.

45. Абрагин А.В. Перспективы развития и применения нейронных сетей // Проблемы современной науки и образования. 2015. № 12 (42). С. 12-15.

46. Донских А.О., Сирота А.А. Обучение глубоких нейронных сетей в условиях малой выборки для классификации биологических объектов по мультиспектральным измерениям // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2019. № 4. С. 109-118.

47. Иванов А.И., Кубасов И.А., Самокутяев А.М. Тестирование больших нейронных сетей на малых выборках// Надёжность и качество сложных систем. 2021. № 1. С. 49-56.

48. Обучение нейронных сетей на новых доменах и малых выборках в задаче определения группы крови / Пищев П. М. [и др.]. Москва: Информационные процессы, 2024. 262 с.

49. Кадиев А.Д., Чибисова А.В. Нейросетевые методы решения задачи кредитного скоринга // Математическое моделирование и численные методы. 2022. № 4 (36). С. 81-92.

50. Копейкин А.Э., Савина К.Н., Дюпин В.Н. Подход по обучению ассоциативной нейронной сети информационной системы // Гармонизация межнациональных отношений в условиях глобального общества. 2022. С. 275-279.

51. Hopfield J. J. Understanding emergent dynamics: Using a collective activity coordinate of a neural network to recognize time-varying patterns // Neural Computation. 2015. Т. 27. № 10. С. 2011-2038. DOI: 10.1162/NECO_a_00768

52. Karpov Y.L., Karpov L.E., Smetanin Y.G. Some Aspects of Associative Memory Construction Based on a Hopfield Network // Programming and Computer Software. 2020. Vol. 46. P. 305-311. DOI: 10.1134/S0361768820050023.

53. Соловьев И.А., Клиньшов В.В. Пороги устойчивости аттракторов сети Хопфилда // Известия высших учебных заведений. Прикладная нелинейная динамика. 2023. Т. 31, № 1. С. 75-85.

54. Нейронная сеть Хопфилда для распознавания закодированных небинарных образов / Д.В. Ширшова [и др.]; регистр. 02.07.2019; опубл. 16.07.2019. Бюлл. (заявка) № 2019618033.

55. Муравник А.Б. Функции Ляпунова в задачах нейросетевого моделирования: сравнительный анализ // Радиолокация, навигация, связь. 2020. С. 49-55.

56. Путин Е.О. Глубокие генеративные конкурентные нейронные сети для малых органических молекулярных структур: дис. канд. технических наук. ФГАОУ ВО «Национальный исследовательский университет ИТМО», 2023. 134 с.

57. Litinskii L. Hopfield model with quasi-diagonal connection matrix. Kiryat-Motzkin. 2025. 14 p. (arXiv preprint arXiv:2502.05985).

58. Hillar C.J., Tran N.M. Robust Exponential Memory in Hopfield Networks // The Journal of Mathematical Neuroscience. 2018. Vol. 8 (1). P. 1-20. DOI: 10.1186/s13408-017-0056-2.

59. Okwu M.O., Chukwu V.U., Oguoma O. Application of artificial neural network model for cost optimization in a single-source, multi-destination system with non-deterministic inputs // Advances in Computational Intelligence: 15th International Work-Conference on Artificial Neural Networks, IWANN, Spain, 12-14 June 2019. -Spain: Springer International Publishing, 2019. Part II. P. 539-554.

60. Нугаев И.И. Ассоциативные нейронные сети // Инновационный потенциал развития науки в современном мире: достижения и инновации. 2022. С. 160-164.

61. Макаренко А.В. Глубокие нейронные сети: зарождение, становление, современное состояние // Проблемы управления. 2020. № 2. С. 3-19.

62. Ямашкин С.А., Ямашкин А.А., Занозин В.В. Формирование репозитория глубоких нейронных сетей в системе цифровой инфраструктуры

пространственных данных // Потенциал интеллектуально одарённой молодежи -развитию науки и образования. 2020. С. 370-375.

63. Kelleher J.D. Deep learning. Massachusetts: MIT press, 2019. 283 p.

64. Evaluation and development of deep neural networks for image superresolution in optical microscopy / C. Qiao [et al.]. London: Nature Methods, 2021. 194 с. DOI: 10.1038/s41592-020-01048-5.

65. Vishnevskaya J., Salyp B. Comparison of the applicability of synergistic models with dense neural networks on the example of mobile device security // International Conference on Digital Transformation: Informatics, Economics, and Education (DTIEE2023), SPIE. 2023. Vol. 12637. P. 81-87.

66. Zinkus M., Tushar M, Green J. Data security on mobile devices: Current state of the art, open problems, and proposed solutions. Baltimore. 2021. 118 p. (arXiv preprint arXiv:2105.12613).

67. On security research towards future mobile network generations / Rupprecht D. [et al.]. // IEEE Communications Surveys & Tutorials. 2018. Т. 20. №. 3. С. 25182542.

68. Peng Z. Multilayer perceptron algebra. Beijing. 2017. 11 p. (arXiv preprint arXiv: 1701.04968).

69. Chang P. Multi-Layer Perceptron Neural Network for Improving Detection Performance of Malicious Phishing URLs Without Affecting Other Attack Types Classification. New York. 2022. 9 p. (arXiv preprint arXiv:2203.00774)

70. Jinhui Y [et al.] Learning Structures for Deep Neural Networks. Beijing. 2021. 12 p. (arXiv preprint arXiv:2105.13905).

71. CNN variants for computer vision: history, architecture, application, challenges and future scope / D. Bhatt [et al.]. Basel: Electronics, 2021. 2470 p. DOI: 10.3390/electronics10202470.

72. Responsive human-computer interaction model based on recognition of facial landmarks using machine learning algorithms / Bisen D. [et al.]. // Multimedia Tools and Applications. 2022. Т. 81. № 13. С.18011-18031. DOI: 10.1007/s11042-022-12775-6.

73. O'Shea K., Nash R. An introduction to convolutional neural networks. Welsh. 2015. 11 p. (arXiv preprint arXiv:1511.08458).

74. Buldakova T.I., Sokolova A.V. Structuring information about the state of the cyber-physical system operator // V International Conference on Information Technologies in Engineering Education (Inforino), IEEE. 2020. P. 1-5. DOI: 10.1109/Inforino48376.2020.9111654.

75. Girshick R. Fast R-CNN // Proceedings of the IEEE international conference on computer vision. 2015. P. 1440-1448. DOI: 10.48550/arXiv.1504.08083.

76. Faster R-CNN: Towards real-time object detection with region proposal networks / S. Ren [et al.]. California: Advances in neural information processing systems, 2015. 9 p. DOI: 10.1109/TPAMI.2016.2577031.

77. Mask R-CNN / K. He [et al.]. Venice: Proceedings of the IEEE international conference on computer vision, 2017. 2961 p. DOI: 10.1109/ICCV.2017.322.

78. Dhruv P., Naskar S. Image classification using convolutional neural network (CNN) and recurrent neural network (RNN): a review // Machine Learning and Information Processing: Proceedings of ICMLIP. 2020. P. 367-381. DOI: 10.1007/978-981-15-1884-3_34.

79. A review of recurrent neural networks: LSTM cells and network architectures / Y. Yu [et al.]. Massachusetts: Neural computation, 2019. 1235 p. DOI: 10.1162/neco_a_01199.

80. Pang Z., Niu F., O'Neill Z. Solar radiation prediction using recurrent neural network and artificial neural network: A case study with comparisons // Renewable Energy. 2020. Vol. 156. P. 279-289.

81. Optimized graph convolution recurrent neural network for traffic prediction / K. Guo [et al.]. Genova: IEEE Transactions on Intelligent Transportation Systems, 2020. 1149 p. DOI: 10.1016/j.renene.2020.04.042.

82. Grossberg S. A path toward explainable AI and autonomous adaptive intelligence: deep learning, adaptive resonance, and models of perception, emotion, and action // Frontiers in neurorobotics. 2020. T. 14. C. 36.

83. Bharati P., Pramanik A. Deep learning techniques—R-CNN to mask R-CNN: a survey // Computational Intelligence in Pattern Recognition: Proceedings of CIPR. 2020. P. 657-668. DOI: 10.1007/978-981-13-9042-5_56.

84. Defrcn: Decoupled faster R-CNN for few-shot object detection / L. Qiao [et al.]. Massachusetts: Proceedings of the IEEE/CVF International Conference on Computer Vision, 2021. 8690 p. DOI: 10.1109/ICCV48922.2021.00856.

85. Automatic detection of coronary metallic stent struts based on YOLOv3 and R-FCN / X. Jiang [et al.]. London: Computational and Mathematical Methods in Medicine, 2020. 10 p. DOI: 10.1155/2020/1793517.

86. Rich feature hierarchies for accurate object detection and semantic segmentation / A.Y. Virasova [et al.]. Brno: Radioengineering, 2021. 126 p. DOI: 10.18127/j 00338486-202109-11.

87. Feature pyramid networks for object detection / T.Y. Lin [et al.]. Honolulu: Proceedings of the IEEE conference on computer vision and pattern recognition, 2017. 2125 p. DOI: 10.1109/CVPR.2017.106.

88. Haken H. Synergetics: basic concepts. New York: Springer, 2020. 30 p.

89. Hutt A., Haken H. Synergetics. New York: Springer, 2020. 469 p.

90. Haken H. Synergetic Computers and Cognition. A Top-Down Approach to Neural Nets. Berlin: Heidelberg, Springer, 2004. 225 p. DOI: 10.1007/978-3-662-101827.

91. Haken H. The brain as a synergetic and physical system // Selforganization in Complex Systems: The Past, Present, and Future of Synergetics: Proceedings of the International Symposium, Hanse Institute of Advanced Studies, Delmenhorst, Germany, November 13-16, 2012. Cham: Springer International Publishing, 2015. P. 147-163.

92. Best method for analysis of brain oscillations in healthy subjects and neuropsychiatrie diseases / Baçar E. [et al.]. //International Journal of Psychophysiology. 2016. Т. 103. P. 22-42.

93. Хакен Г. Принципы работы головного мозга. М: Perse, 2001. 329 с.

94. Исмаилова С.К. Теория изменения И. Пригожина // Интернаука. 2021. №. 20-4. С. 18-19.

95. Бурцева А.Д., Воронов М.П. Теория катастроф: подходы к исследованию и применение // Международный журнал экспериментального образования. 2016. №. 8. С. 43-52.

96. Никитин А.В. Синергетика, логика, информация и энергия // trinitas.ru: Академия Тринитаризма. 2017. URL https://trinitas.ru/rus/doc/0016/001d/2391-nk.pdf (дата обращения: 15.03.2024).

97. Клишина С.А., Мартиросян А.А. Новая химия: в ожидании аттрактора // Новая наука: От идеи к результату. 2016. №. 9-2. С. 164-169.

98. Taherzadeh G., Loo C. K., Chaw L. T. A novel hybrid SP-QPSO algorithm using CVT for high dimensional problems // Advances in Global Optimization. Springer International Publishing, 2015. P. 347-354. DOI: 10.1007/978-3-319-08377-3_34.

99. Shen Z.H. A New Method of Object Recognition Based on Deep Synergetic Neural Network / Z.H. Shen, J.C. Meng, Y.Z. Wei // International Conference on Applied Mechanics, Mechanical and Materials Engineering, Accept. 2016. 6 p. DOI: 10.12783/dtmse/ammme2016/6900

100. Матвеев С.В. Компьютерное распознавание многообразий зейферта // Образование магистров: проблемы и перспективы развития: Тез. докл. V Всерос. конф. Челябинск. 2022. С. 31.

101. Веснин А.Ю., Матвеев С.В., Фоминых Е.А. Новые аспекты теории сложности трёхмерных многообразий / А.Ю. Веснин, С.В. Матвеев, Е.А. Фоминых // Успехи математических наук. 2018. Т. 73, № 4 (442). С. 53-102. DOI: https://doi.org/10.4213/rm9829.

102. End-to-end online writer identification with recurrent neural network / Zhang X. Y. [et al.] // IEEE transactions on human-machine systems. 2016. Т. 47, № 2. С. 285-292. DOI: 10.1109/THMS.2016.2634921.

103. Wagner W.J. Unsupervised learning of vocal tract sensory-motor synergies: дис. канд. технических наук. University of Illinois at Urbana-Champaign, 2017. 134 р.

104. Advances in vision-based lane detection: Algorithms, integration, assessment, and perspectives on ACP-based parallel vision / Wang F.Y. [et al.] //

IEEE/CAA Journal of Automatica Sinica. 2018. T. 5. №. 3. C. 645-661/ DOI: 10.1109/JAS.2018.7511063.

105. Marian M.F. Synergistic artificial neural network scheme for monitoring and diagnosis of multivariate process variation in mean shifts: master's thesis. Universiti Tun Hussein Malaysia, 2014. 74 p.

106. Haken. H., Hutt A. Synergetics: An Introduction. New York: Encyclopedia of Complexity and Systems Science Series, Springer, 2020, 469 p. DOI: 10.1007/978-1-0716-0421-2_534.

107. Tan F. Uncovering the driving mechanism of regional synergistic development based on Haken model: case of the Bohai Rim region / F. Tan, Q. Kong // Environment, Development and Sustainability. 2020. Vol. 22. P. 3291-3308. DOI: 10.1007/s10668-019-00346-z.

108. Wang Z. Modern Synergetic Neural Network for Synthetic Aperture Radar Target Recognition / Z. Wang, H. Li, L. Ma // Sensors. 2023. Vol. 23, №. 5. P. 2820. DOI: 10.3390/s23052820.

109. Modelling of particle flow code geotechnical material parameter relationships based on orthogonal design and back propagation neural network / Wang F. [et al.]. // Computational Particle Mechanics. 2025. T. 12. № 1. P. 371-398. DOI: 10.1007/s40571 -024-00806-y.

110. Wagner T. Testing synergetic algorithms with industrial classification problems / T. Wagner, F.G. Boebel // Neural Networks. - 1994. - Vol. 7, № 8, - P. 13131321. DOI: 10.1016/0893-6080(94)90012-4.

111. Synergetics: A Short Reminder / Haken H. [et al.]. // Synergetic Cities: Information, Steady State and Phase Transition: Implications to Urban Scaling, Smart Cities and Planning. 2021. P. 17-30. DOI: 10.1007/978-3-030-63457-5_3.

112. Srinivasan L., Nalini C. An improved framework for authorship identification in online messages // Cluster Computing. 2019. T. 22. P. 12101-12110. DOI: 10.1007/s10586-017-1563-3.

113. Haken H., Portugali J. Synergetic Cities: Information, Steady State and Phase Transition, 2021. 274 p.

114. Portugali J. Self-Organization and the City // Synergetics. 2020. P. 357-404. DOI: 10.1007/978-1 -0716-0421 -2_471

115. Haken H., Portugali J. Information and self-organization //Entropy. 2016. Т. 19. № 1. P. 18. DOI: 10.3390/e19010018.

116. Tsuda I., Yamaguti Y., Watanabe H. Self-organization with constraints - a mathematical model for functional differentiation // Entropy. 2016. Т. 18. № 3. P. 74. DOI: 10.3390/e18030074.

117. Литвинов В.Л. Об использовании нейронных сетей для решения задачи распознавания образов / В.Л. Литвинов, Е.А. Новиков // Актуальные проблемы инфотелекоммуникаций в науке и образовании. 2021. С. 295-299.

118. Возможности кластеризации сложной графической информации в соответствии с топологическими свойствами фазового пространства динамической системы распознавания образов / М.И. Бояркин [и др.]. Самара: Вестник Самарского государственного технического университета. Серия Физико-математические науки, 2007. 202 с.

119. Савельев И.М. Построение синергетической модели нейронной сети для классификации объектов / И.М. Савельев // Известия Южного федерального университета. Технические науки. 2003. Т. 32, № 3. С. 69-70.

120. Бояркин М.И. Управление параметрами модели распознавания изображений на основе нейронной сети Хакена / М.И. Бояркин, А.А. Юдашкин // Математическое моделирование и краевые задачи. 2005. Т. 2. С. 56-60.

121. Research on the synergistic effects of urbanization and ecological environment in the Chengdu-Chongqing urban agglomeration based on the Haken model / W. Wu [et al.]. London: Scientific Reports, 2024. 117 p. DOI: 10.1038/s41598-023-50607-1.

122. Kelso S. The Haken-Kelso-Bunz (HKB) model: from matter to movement to mind / S. Kelso S // Biological Cybernetics. 2021. Vol. 115, № 4. P. 305-322.

123. Vesnin A.Y., Matveev S.V., Fominykh E.A. New aspects of complexity theory for 3-manifolds // Russian Mathematical Surveys. 2018. Т. 73. №. 4. P. 615.

124. Колесников А.А. Метод синергетического управления самоорганизующимися нелинейными колебательными системами // Известия Южного федерального университета. Технические науки. 2015. №. 5 (166). С. 231242.

125. Синергетический наблюдатель переменных состояния в задачах реконструкции систем с хаотической динамикой / Колесников А.А. [и др.]. //Всероссийская научная конференция по проблемам управления в технических системах. ФГАОУ ВО Санкт-Петербургский государственный электротехнический университет ЛЭТИ им. ВИ Ульянова (Ленина), 2017. № 1. С. 58.

126. Huang H. Coevolution principle and model for synergetic mining technology / H. Huang, Q. Chen // Chinese Journal of Engineering. 2024. Vol. 46, № 6. P. 10541064.

127. Булдакова Т.И. Формирование потенциальных функций при распознавании образов в системах мониторинга / Т.И. Булдакова // Инжиниринг предприятий и управление знаниями. 2023. С. 82.

128. Dzhalolov A.S. Socio-Economic Decision Support Module by Unstructured Data / A.S. Dzhalolov, T.I. Buldakova, A. Proletarsky // Proceedings of the IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering, St. Petersburg and Moscow, 27-30 January 2020. St. Petersburg and Moscow: EIConRus, 2020. P. 1931-1934. DOI: 10.1109/EIConRus49466.2020.9039086.

129. Суятинов С.И. Синергетическая модель ситуационной осведомленности человека-оператора в эргатических системах управления подвижными объектами / С.И. Суятинов, Т.И. Булдакова, Ю.А. Вишневская // Мехатроника, автоматизация, управление. 2022. № 6. С. 302-306.

130. Suyatinov, S.I. Synergistic Model of Situational Awareness of the Human Operator / S.I. Suyatinov, T.I. Buldakova, Y.A. Vishnevskaya // Society 5.0: Human-Centered Society Challenges and Solutions. Studies in Systems, Decision and Control, Springer. 2022. Vol. 416. P. 331-340. DOI: 10.1007/978-3-030-95112-2_27.

131. Vishnevskaya, J. Comparison of Applicability of Synergetic Models with Convolutional Neural Networks as an Example of Pattern Recognition / J. Vishnevskaya,

B. Salyp // 2023 5th International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA). IEEE, 2023. P. 196-200. DOI: 10.1109/SUMMA60232.2023.10349663.

132. Вишневская, Ю.А. Сравнительный анализ интеллектуальных подходов к решению задачи идентификации ситуаций / Т.И. Булдакова, С.И. Суятинов, Ю.А. Вишневская // Вестник Московского государственного технического университета им. Н.Э. Баумана. Серия «Приборостроение». 2024. №. 2 (147). С. 84-101.

133. Вишневская, Ю.А. Применение модели Хакена для оценки социально-экономического состояния региона / Ю.А. Вишневская, А.Ш. Джалолов // Математические методы в технологиях и технике. 2024. № 8. С. 105-109.

151

ПРИЛОЖЕНИЕ А

Акты внедрения

общество с ограниченной ответственностью «ит авангард»

ОГРН 1175749006135, ИНН 5752076767, КПП 575301001 _Российская Федерация, 302002, г. Орел, ул. Покровская, д. 20, пом. 50

внедрения результатов исследования, полученных в диссертационной работе Вишневской Юлии Александровны, в практическую деятельность ООО «ИТ Авангард»

Комиссия в составе:

Председатель комиссии - генеральный директор Уваров Дмитрий Александрович,

члены комиссии - руководитель отдела разработки Бадаев Дмитрий Андреевич и аналитик Береговая Елена Юрьевна,

составили настоящий акт о том, что результаты исследования, полученные Вишневской Ю.А. при выполнении диссертационной работы на тему «Математическое и программное обеспечение интеллектуального модуля оценки состояния объектов в условиях малых выборок», применялись для автоматизации процесса учета въезда транспортных средств на контролируемую территорию для распознавания номеров транспортных средств.

Разработанный в диссертации метод оценки состояния объектов позволил повысить точность распознавания номеров в сложных погодных условиях на 15% и повысить эффективность контроля транспортных потоков.

«20» марта 2025 года

«УТВЕРЖДАЮ» ьный директор «ИТ Авангард»

Д.А. Уваров

АКТ

Председатель комиссии

Члены комиссии

7

/Д.А. Бадаев/

/Е.Ю. Береговая /

«УТВЕРЖДАЮ» енеральКйй директор

^Орр-бРТСофт-СГ» ./< Пуйде И.А.

2025 года

АКТ

внедрения результатов исследования, полученных в диссертационной работе Вишневской Юлии Александровны, в практическую деятельность ООО «РТСофт-СГ»

Комиссия в составе: д.т.н. Куцевич H.A., Ханыгин А.Н., к.т.н. Непша Ф.С.

Председатель комиссии - д.т.н. Куцевич H.A.

члены комиссии - Ханыгин А Н., к.т.н. Непша Ф.С.,

составили настоящий акт о том, что результаты исследования, полученные Вишневской Ю.А. при выполнении диссертационной работы, связанной с созданием интеллектуального модуля оценки состояния объектов в условиях малых выборок, применялись в прогнозировании возможных сбоев функционирования промышленных предприятий, а именно:

- алгоритмы настройки и обучения модели оценки состояния объектов,

- модель и алгоритмы оценки состояния объектов.

Применение указанных выше результатов повышает обоснованность формируемых прогнозов возможных сбоев функционирования промышленных предприятий и повышает эффективность принимаемых управленческих решений по обеспечению стабильной работы предприятий.

Председатель комиссии Директор Департамента Информационно-управляющих систем промышленных предприятий

д.т.н.

Куцевич H.A.

Члены комиссии: Начальник отдела Управления Микрогрид

к.т.н

Непша Ф.С.

Технический директор Департамента

Информационно-управляющих систем промышленных предприятий

Ханыгин А.Н.

\J

УТВЕРЖДАЮ ^далп^ Директор департамента ^^*£^£*°и$Цюрмационных технологии

14 / - ЛО «РТКоммРУ»

Г#/РТКомм.РУЦЙр^ Сурганов Д. В.

H RTComm.RU 1VI «20» марта 2025 года

i \ НИМ 77IIA1 H.QU / *Я

внедрения результатов исследования, полученных в диссертационной работе Вишневской Юлии Александровны, в практическую деятельность АО «РТКомм.РУ»

Комиссия в составе:

Председатель комиссии - директор департамента информационных технологий. Сурганов Д.В.

члены комиссии - начальник отдела поддержки инфраструктуры Чистяков И.В., ведущий специалист группы эксплуатации и развитияиЬПХ и систем виртуализации отдела поддержки инфраструктуры Романчиков C.B..

составили настоящий акт о том, что результаты исследования, полученные Вишневской Ю.А. при выполнении диссертационной работы, связанной с созданием интеллектуального модуля оценки состояния объектов в условиях малых выборок, применялись в процессах мониторинга состояния критических объектов внутренней инфраструктуры компании, а именно:

- методика формирования наборов категорий п значимых признаков объектов мониторинга;

- процедура определения наиболее значимой категории объекта;

- алгоритм оценки состояния объектов внутренней инфраструктуры компании в условиях малых выборок.

Применение указанных выше результатов позволяют ускорить процесс определения узкого места в состоянии объектов мониторинга и сократить время оценки причины сбоя в работе объектов внутренней инфраструктуры на 40%.

Члены комиссии:

Председатель комиссии

Сурганов Д.В.

Романчиков C.B.

УТВЕРЖДАЮ Первый проректор -проректор по^ебной работе

АКТ

об использовании результатов диссертационного исследования Вишневской Юлии Александровны в учебном процессе кафедры «Компьютерные системы и сети» МГГУ им. Н.Э. Баумана

Результаты диссертационного исследования Вишневской Ю.А. на соискание ученой степени кандидата технических наук по специальности 2.3.5 «Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей», связанные с разработкой моделей оценки состояния объектов и алгоритмов распознавания образов, внедрены в учебный процесс кафедры ИУ6 «Компьютерные системы и сети» в дисциплинах «Поддержка принятия решений в системах мониторинга» и «Дистанционный мониторинг сложных систем и процессов» для магистров по направлению подготовки 09.04.01 «Информатика и вычислительная техника».

А.В. Пролетарский

Г.С. Иванова

В.В. Гуренко

УТВЕРЖДАЮ

АКТ

об использовании результатов диссертационного исследования Вишневской Юлии Александровны в научно-исследовательской деятельности НУК «Информатика и системы управления» МГТУ им. Н.Э. Баумана

Результаты диссертационного исследования Вишневской Ю.А. на соискание ученой степени кандидата технических наук по специальности 2.3.5 «Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей» на тему «Математическое и программное обеспечение интеллектуального модуля оценки состояния объектов в условиях малых выборок» использованы в проекте Р8РЫ-2024-0059 «Разработка научно-методического аппарата и технологических решений в области создания высокопроизводительных интеллектуальных систем обработки мультимодальных данных».

Использование результатов позволяет повысить эффективность оценки состояния объектов по мультимодальным данным в условиях малых выборок.

Руководитель НУК «Информатика и системы управления»

А.В. Пролетарский

156

ПРИЛОЖЕНИЕ Б

Свидетельства о регистрации программ для ЭВМ