ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2016 г.)
2-летний импакт-фактор РИНЦ: 0,493
2-летний импакт-фактор РИНЦ без самоцитирования: 0,389
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,732
5-летний импакт-фактор РИНЦ: 0,364
5-летний импакт-фактор РИНЦ без самоцитирования: 0,303
Суммарное число цитирований журнала в РИНЦ: 5022
Пятилетний индекс Херфиндаля по цитирующим журналам: 355
Индекс Херфиндаля по организациям авторов: 499
Десятилетний индекс Хирша: 11
Место в общем рейтинге SCIENCE INDEX за 2016 год: 304
Место в рейтинге SCIENCE INDEX за 2016 год по тематике "Автоматика. Вычислительная техника": 11

Больше данных по публикационной активности нашего журнале за 2008-2016 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2017

Статьи из выпуска № 1 за 2017 год.

Упорядочить результаты по:
Дате публикации | Заголовку статьи | Авторам |

1. Программный агент определения психологического состояния обучаемого в системах дистанционного обучения [2017-03-13]
Авторы: Е.Л. ХРЯНИН, Швецов А.Н.
Просмотров: 1496
Рассматривается проблема применения программных агентов для оценки психологического состояния студентов в системе дистанционного обучения. Гипотеза исследования: чем лучше психологически материал подходит обучаемому, тем быстрее и качественнее он будет усвоен. Требуется разработать автоматический алгоритм подбора материала. Описывается разработанная система дистанционного обучения, создаваемая более 5 лет и апробированная в одном из государственных вузов. Кратко описана реализация системы дистанционного обучения: схема взаимодействия агентов, основные таблицы БД, реализация серверной и пользовательской частей. Описываются метод и алгоритм определения перцептивной модальности обучаемого в ходе психологического тестирования. Использованы статистические методы для предсказания вероятности входа в систему обучаемым (на основе данных статистики). Предложены весовые коэффициенты частоты использования системы дистанционного обучения обучаемыми для принятия решений агентом определения психологического состояния. Создан алгоритм автоматического решения о необходимости тестирования. Проведено исследование на основе трех групп с участием более 90 человек: контрольная группа, группа с рекомендацией в выборе материала и группа, для которой агент сам выбирает материал. Выведены формулы расчета перцептивной модальности для нескольких последовательных измерений. Приведен пример уточнения расчета при получении противоречивых данных. Эксперимент показал положительные результаты при работе в рекомендательном режиме. С контрольным тестом справились более 61 % обучаемых, а усложненную задачу решили более половины группы (около 42 % и 12 % в контрольной группе соответственно). Сделан вывод о целесообразности применения агента определения психологического состояния в системах дистанционного обучения.

2. Статистический анализ результатов испытаний изделий авиационной техники в условиях случайного цензурирования [2017-03-13]
Авторы: Агамиров Л.В., Агамиров В.Л., Вестяк В.А.
Просмотров: 1350
В работе рассматривается методика точечного и интервального оценивания параметров распределений, применяемых при статистическом анализе усталостных испытаний элементов авиационных конструкций на базе метода наименьших квадратов, учитывающая наличие цензурированных наблюдений. Актуальность работы определяется тем, что при решении задачи оценивания параметров распределений характеристик усталостных свойств для статистического анализа результатов усталостных испытаний изделий авиационной техники необходимо учитывать образцы, для которых произошла остановка испытаний до достижения ими критического состояния. Решение данной задачи с использованием известных методов (метода максимального правдоподобия) затруднено из-за немонотонности целевых функций, наличия ряда локальных экстремумов и т.д. Первая часть статьи посвящена методике оценивания параметров распределения наблюдаемой случайной величины для полной выборки, преобразованной из многократно цензурированной (неполной) выборки путем бутстреп-моделирования, основанного на порядковых статистиках. Преобразование исходной случайно цензурированной выборки в квазиполную осуществляется для того, чтобы можно было использовать метод наименьших квадратов для оценки параметров распределения, поскольку этот метод применим только для полных выборок. Во второй части статьи говорится о построении доверительных границ для квантиля распределения наблюдаемой случайной величины. В авиационной технике это применимо для оценки гарантированного ресурса, нормируемого по нижней доверительной границе квантиля долговечности. Авторами разработана методика приведения в общем случае многократно цензурированной неполной выборки к эквивалентной квазиполной выборке, для которой можно использовать метод наименьших квадратов, а следовательно, получить наиболее устойчивые и эффективные оценки с минимальной дисперсией. Таким образом, решена задача точечного и интервального оценивания параметров распределений характеристик усталостных свойств элементов авиационных конструкций с учетом наличия многократно цензурированных наблюдений.

3. Методы автоматической классификации текстов [2017-03-13]
Автор: Батура Т.В.
Просмотров: 3156
Классификация текстов является одной из основных задач компьютерной лингвистики, поскольку к ней сводится ряд других задач: определение тематической принадлежности текстов, автора текста, эмоциональной окраски высказываний и др. Для обеспечения информационной и общественной безопасности большое значение имеет анализ в телекоммуникационных сетях контента, содержащего противоправную информацию (в том числе данные, связанные с терроризмом, наркоторговлей, подготовкой протестных движений или массовых беспорядков). Данная статья представляет собой обзор методов классификации текстов, целями которого являются сравнение современных методов решения задачи классификации текстов, обнаружение тенденций развития данного направления, а также выбор наилучших алгоритмов для применения в исследовательских и коммерческих задачах. Широко известный современный подход к классификации основывается на методах машинного обучения. В данной статье описываются наиболее распространенные алгоритмы построения классификаторов, проводимые с ними эксперименты и результаты этих экспериментов. Обзор подготовлен на основе выполненных за 2011–2016 гг. научных работ, находящихся в открытом доступе в сети Интернет и опубликованных в авторитетных журналах или в трудах международных конференций, высоко оцениваемых научным сообществом. В статье произведены анализ и сравнение качества работы различных методов классификации по таким характеристикам, как точность, полнота, время работы алгоритма, возможность работы алгоритма в инкрементном режиме, количество предварительной информации, необходимой для классификации, независимость от языка.

4. Многопроцессорная обработка в задаче пространственной реконструкции по множеству видов [2017-03-13]
Авторы: Бобков В.А., Кудряшов А.П., Мельман С.В.
Просмотров: 1227
Предлагается схема многопроцессорной обработки больших объемов пространственных данных на базе гибридного вычислительного кластера применительно к воксельному методу построения и визуализации 3D-модели сцены подводной обстановки. Рассматривается вычислительная схема воксельного метода, которая состоит из нескольких этапов обработки данных, включая загрузку исходных карт глубин многих видов, построение воксельного представления скалярного поля и построение изоповерхности по воксельному пространству. Вычислительная схема анализируется с точки зрения выявления наиболее вычислительно трудоемких этапов работы и целесообразности организации многопроцессорной обработки. Также рассматривается архитектура используемого гибридного вычислительного кластера, объединяющая три уровня многопроцессорной обработки: вычислительные узлы кластера, многоядерность и графические процессоры видеоплаты. Используются два типа параллельных архитектур: MPI (параллелизм в рамках кластера) и CUDA (параллелизм на графическом ускорителе). Предложенное решение по распределению вычислительной нагрузки основывается на учете характера вычислений на каждом этапе и особенностях используемых параллельных архитектур. Приводится обоснование реализуемой схемы многопроцессорной обработки с качественными и количественными оценками. Реализованная схема обработки данных обеспечивает максимальное ускорение процесса счета применительно к решению задачи 3D-реконструкции сцены на базе рассмотренного вычислительного кластера. Приведены результаты вычислительных экспериментов с реальными данными, полученными со сканера RangeVisionPremium5 Mpix. Анализ результатов тестирования подтвердил возможность принципиального повышения вычислительной производительности в рассматриваемой задаче за счет организации распределенно-параллельной обработки данных. Аналогичная схема может применяться и в других задачах, связанных с обработкой больших объемов пространственных данных.

5. Интеллектуальная поддержка принятия решений при диспетчировании технологических процессов в многономенклатурном машиностроении [2017-03-13]
Авторы: Бурдо Г.Б., Семенов Н.А.
Просмотров: 1551
В последние пятнадцать лет структура машиностроительного и приборостроительного производств претерпела серьезные изменения, обусловленные требованиями заказчиков продукции получать наукоемкие изделия в определенное время. Предприятия указанных отраслей стали разрабатывать и производить одновременно большое число различных изделий, то есть стали многономенклатурными. Исторически многономенклатурные машиностроительные и приборостроительные предприятия не были оснащены автоматизированными инструментальными средствами, позволяющими эффективно управлять технологическими процессами. Это объясняется высокой динамичностью их производственных систем, отсутствием повторяемости находящихся в изготовлении заказов и возникающих производственных ситуаций, а также влиянием значительного числа случайных факторов, нарушающих нормальный ход технологических процессов. В результате срываются сроки поставки продукции и, таким образом, ухудшаются экономические показатели деятельности предприятий и фирм. В связи с этим понятна актуальность создания автоматизированных систем поддержки принятия решений в автоматизированных системам управления технологическими процессами. Диспетчирование технологических процессов имеет своей целью введение их в нормальный график и является одной из важнейших составляющих при управлении ими. В данной работе реализован комбинированный подход к выработке управляющих воздействий. Исходя из наличия большого числа случайных возмущающих воздействий, в автоматизированной системе выполняется учет наиболее значимых и наиболее вероятных из них. Поэтому путем сравнения и анализа планируемых и фактических времен (времена начала и окончания) операций технологических процессов, тенденции развития ситуации (накапливание или уменьшение рассогласования) накапливающимся итогом выявляются наиболее вероятные причины невыполнения плана и возможные управляющие воздействия. Анализ производится с помощью базы знаний, построенной на основе продукционных моделей. Выявленные причины являются «подсказками» для второго этапа. На этом этапе с заранее оговоренной периодичностью или при возникновении исключительной ситуации группой экспертов из числа работников предприятия обсуждаются и оцениваются альтернативы. На основании методики нечеткого управления определяется взвешенная оценка уверенности экспертов в достижимости нужного результата реализацией того или иного управляющего воздействия и принимается окончательное решение.

6. Алгоритм детектирования объектов на фотоснимках с низким качеством изображения [2017-03-13]
Автор: Викторов А.С.
Просмотров: 1652
В статье рассматривается набор алгоритмов, применяемых для распознавания объектов определенного класса на фотоснимках с некачественным изображением, полученных с видеокамеры низкого разрешения. Особенностью рассматриваемой методики детектирования объектов является возможность обнаружения объектов, размеры изображений которых на фотоснимках не превышают нескольких десятков пикселей. Исследуемое изо- бражение сканируется скользящим окном, считывающим участки изображения с заданным перекрытием между соседними участками. Сканируемые участки изображения предварительно обрабатываются дискриминативным автокодировщиком, извлекающим вектор признаков из участка изображения, который анализируется мультиклассовым классификатором, построенным на основе вероятностной модели регрессии, на предмет наличия изображения или части изображения объекта. Для каждого сканируемого участка изображения классификатор вычисляет значение вероятности обнаружения детектируемого объекта определенного класса на данном участке. На основании результатов сканирования изображения делается вывод о наличии изображения объекта и о его наиболее вероятном положении на фотоснимке. Для повышения точности обнаружения границ изображения значение вероятности обнаружения детектируемого объекта определенного класса интерполируется для каждого анализируемого пикселя изображения. После детектирования пикселей на основании их распределения на изображении уточняются границы изображения детектируемого объекта. В ходе проведенного исследования было обнаружено, что использование дискриминативного автокодировщика значительно повысило робастность алгоритма детектирования. В статье дано подробное описание процесса обучения и настройки параметров алгоритмов, используемых в процессе детектирования. Результаты данного исследования могут найти широкое применение для автоматизации различных процессов, например для сбора и анализа информации в различных аналитических системах.

7. Реализация методов обучения с подкреплением на основе темпоральных различий и мультиагентного подхода для интеллектуальных систем реального времени [2017-03-13]
Авторы: Еремеев А.П., Кожухов А.А.
Просмотров: 2166
В работе описана реализация методов обучения с подкреплением на основе временных (темпоральных) различий и мультиагентной технологии. Рассмотрены возможности комбинирования методов обучения со статистическими и экспертными методами прогнозирования с целью последующей интеграции в инструментальную программную среду для использования в современных перспективных интеллектуальных системах реального времени типа интеллектуальных систем поддержки принятия решений реального времени. Даны анализ методов обучения с подкреплением (RL-обучения) в плане использования в интеллектуальных системах реального времени, их основные компоненты, преимущества и решаемые задачи. Основное внимание уделено методам RL-обучения на основе временных (темпоральных) различий (TD-методам), разработаны соответствующие алгоритмы. Рассмотрены возможности включения методов RL-обучения в мультиагентную среду и их комбинирования со статистическими и экспертными методами прогнозирования с целью последующей интеграции в инструментальную среду для использования в интеллектуальных системах реального времени типа интеллектуальных систем поддержки принятия решений реального времени для управления и диагностики сложных технических объектов. Разработана архитектура прототипа подсистемы прогнозирования, включающая эмулятор, моделирующий состояние проблемной области (объекта и внешнего окружения), и модули прогнозирования, анализа и принятия решений, RL-обучения. Выполнена программная реализация прототипа подсистемы прогнозирования с применением мультиагентного подхода для решения задачи экспертного диагностирования сложного технического объекта. Результаты тестирования и апробации разработанной системы показали ее достаточную эффективность и целесообразность включения в состав современных интеллектуальных систем поддержки принятия решений реального времени.

8. Проектирование интерфейса программного обеспечения с использованием элементов искусственного интеллекта [2017-03-13]
Авторы: Зубкова Т.М., Наточая Е.Н.
Просмотров: 1901
Для разработки качественного ПО необходимо в техническом задании отразить все требования и пожелания заказчика, чтобы у него и у исполнителя сложилось единое представление о будущем программном продукте. Одним из вариантов достижения данного взаимопонимания является разработка прототипа пользовательского интерфейса. В статье описана методика подбора альтернативного варианта шаблона интерфейса, использующая такие методы искусственного интеллекта, как экспертная оценка и теория нечетких множеств. На основе индивидуальных характеристик пользователей можно разделить на пять групп: новичок, обычный, уверенный, квалифицированный, администратор. Выявлены основные параметры индивидуальных характеристик, по которым можно классифицировать пользователей при проектировании интерфейсов: компьютерная грамотность, системный опыт, опыт работы с подобными программами, машинопись, мышление, память, моторика, дальтонизм, концентрация внимания, эмоциональная устойчивость. В статье описано программное и математическое обеспечение для решения задач интеллектуального проектирования пользовательского интерфейса. Поставленная задача выполняется в три этапа. На первом этапе – «Формирование и оценка компетентности группы экспертов» – определяются характеристики экспертов. Количественное описание характеристик экспертов основывается на вычислении относительных коэффициентов компетентности по результатам высказываний специалистов о составе экспертной группы. На втором этапе – «Групповая экспертная оценка объектов при непосредственном оценивании» – определяются рекуррентные отношения для итераций. Третий этап – «Построение нечеткой модели на бинарных нечетких отношениях» – оперирует двумя нечеткими множествами: совокупность групп пользователей и множество шаблонов интерфейсов, максимально эффективных для пользователей с данными характеристиками. Входными данными нечеткой модели являются выделенные нечеткие множества, а выходными – степени соответствия шаблонов интерфейса пользователям. На основе предложенной методики автоматизирован процесс проектирования пользовательского интерфейса с целью повышения объективности и оперативности решений, принимаемых разработчиками ПО.

9. Использование формулы Байеса при оценивании выполнения практик модели CMMI® [2017-03-13]
Авторы: Кожомбердиева Г.И., Бураков Д.П., Гарина М.И.
Просмотров: 1627
Статья посвящена методике экспертного оценивания (на основе объективных свидетельств) степени осуществления практик, обеспечивающих реализацию целей процессных областей модели CMMI®, разработанной в Институте программной инженерии Университета Карнеги–Меллона (SEI). Формирование подобных оценок необходимо для получения вывода об уровне зрелости процессов разработки ПО, достигнутом организацией-разработчиком. В условиях неопределенности и/или неполноты исходной информации о выполнении практик CMMI® с целью повышения степени доверия к принимаемым экспертами-оценщиками решениям целесообразно использовать ин-струментарий, применяемый для принятия решений в слабо формализованных предметных областях. Ранее в работах авторов рассматривались два подхода к формированию оценок: методы нечеткой логики и методы многокритериальной классификации. В настоящей статье предпринимаются попытки сделать процедуру экспертного оценивания еще более простой и гибкой, расширить возможности ее использования, повысить объективность оценки. Предлагается подход, основанный на использовании известной в теории вероятностей теоремы гипотез (формулы Байеса). При этом степень реализации практики CMMI® оценивается через распределение вероятностей на множестве гипотез о том, что степень реализации достигла одного из предопределенных уровней. Под байесовской оценкой степени реализации практики понимается апостериорное распределение вероятностей, пересмотренное и уточненное в ходе оценивания. Значения условных вероятностей, используемых при вычислении байесовской оценки, показывают, насколько гипотезы об уровне выполнения практики подтверждаются полученными объективными свидетельствами.

10. Методы автоматизированного анализа коротких неструктурированных текстовых документов [2017-03-13]
Автор: Козлов П.Ю.
Просмотров: 940
В работе рассматриваются задачи автоматизированного анализа текстовых документов в органах исполнительной и законодательной власти. Выделяется группа признаков для классификации текстовых документов, приводятся их типы, методы анализа и рубрицирования. Определяется перечень типов документов, которые необходимо классифицировать. Для анализа коротких неструктурированных текстовых документов предлагается использовать метод классификации на основе весовых коэффициентов, экспертной информации, нечеткого логического вывода, для которого усовершенствована вероятностная математическая модель, разработан способ обучения и экспериментально подобрано соотношение весовых коэффициентов. Предварительно разработанный метод необходимо обучить. На этапе обучения слова тезауруса для каждой предметной области разбиваются на три типа: уникальные, редкие и общие, и в зависимости от типа словам присваиваются весовые коэффициенты. Для поддержания актуальности весовых и частотных коэффициентов предлагается использовать динамическую кластеризацию. Разработанный метод позволяет анализировать описанные документы, а также учесть динамичность тезауруса рубрик. Представлена схема работы системы автоматизированного анализа неструктурированных текстовых документов, написанных на естественном языке, различных типов: длинные, короткие, очень короткие. В зависимости от типа документа используется соответствующий метод анализа, который имеет наилучшие показатели точности и полноты при анализе текстовых документов данного типа. В качестве синтаксического анализатора используется парсер MaltParser, обученный на национальном наборе русского языка. Результатом работы всей системы можно считать базу знаний, в которую попадают все извлеченные знания и их отношения. База знаний постоянно пополняется и используется работниками исполнительной и законодательной власти для обработки поступающих запросов.

| 1 | 2 | 3 | Следующая →