На правах рекламы:
ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2021 г.)
2-летний импакт-фактор РИНЦ: 0,441
2-летний импакт-фактор РИНЦ без самоцитирования: 0,408
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,704
5-летний импакт-фактор РИНЦ: 0,417
5-летний импакт-фактор РИНЦ без самоцитирования: 0,382
Суммарное число цитирований журнала в РИНЦ: 9837
Пятилетний индекс Херфиндаля по цитирующим журналам: 149
Индекс Херфиндаля по организациям авторов: 384
Десятилетний индекс Хирша: 71
Место в общем рейтинге SCIENCE INDEX за 2021 год: 151
Место в рейтинге SCIENCE INDEX за 2021 год по тематике "Автоматика. Вычислительная техника": 6

Больше данных по публикационной активности нашего журнале за 2008-2021 гг. на сайте РИНЦ

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
25 Сентября 2022

Статьи из выпуска № 1 за 2021 год.

Упорядочить результаты по:
Дате публикации | Заголовку статьи | Авторам

1. iLabit OmViSys: фотореалистичный симулятор на базе всенаправленной камеры и структурированного света [№1 за 2021 год]
Автор: Холодилин И.Ю.
Просмотров: 1848
В последнее время виртуальное обучение привлекает большое внимание со стороны сообщества компьютерного зрения. Это обусловлено достижениями в области обучения нейронных сетей, которые подкрепляются спросом на обширные обучающие данные. Существует множество доступных виртуальных сред моделирования, но большинство из них базируются на стандартной камере и ограничены в плане измерительных сенсоров, расположенных на мобильном роботе. В данной работе для облегчения сбора данных в системах, которые ранее не были интегрированы в существующие виртуальные среды, предлагается фотореалистичный симулятор iLabit OmViSys, включающий в свой состав всенаправленную камеру, а также источник структурированного света. Всенаправленная камера и структурированный свет имеют отличительные преимущества по сравнению с другими системами компьютерного зрения. Камера обеспечивает широкий угол обзора за счет одного единственного снимка. Кроме того, легко обнаружить источник лазерного света и извлечь информацию из данного изображения для дальнейшей обработки. Разработанный с использованием Unity симулятор iLabit OmViSys интегрирует мобильных роботов, элементы внутренней среды, позволяет генерировать синтетические фотореалистичные наборы данных, а также поддерживает коммуникацию со сторонними программами на базе Transmission Control Protocol (TCP). Симулятор включает в свой состав три основных экрана, позволяющих генерировать данные для внутренней калибровки камеры, проводить эксперименты, а также измерения. Отличительной особенностью iLabit OmViSys также является его универсальность в плане поддержки таких операционных систем, как Windows, macOS и Linux.

2. Автоматизация задач повседневной деятельности как направление модернизации комплекса средств автоматизации морской спасательной операции [№1 за 2021 год]
Авторы: Карпов А.В., Сахаров А.А.
Просмотров: 2284
Положительный опыт применения комплекса средств автоматизации морской спасательной операции, накопленный в ходе проведения поисковых и аварийно-спасательных работ на море, подтвердил правильность технических решений, заложенных в основу комплекса, и позволил определить подходы к его дальнейшему совершенствованию и модернизации. В статье сформулированы основные организационно-технические подходы к модернизации комплекса средств автоматизации морской спасательной операции: гибридный метод разработки специального ПО комплекса, способы формирования функциональных требований к модернизированному комплексу, обобщенный перечень сведений, накапливаемых и поддерживаемых комплексом в актуальном состоянии, основные принципы организации информационного взаимодействия между комплексами, распределенными между органами управления ВМФ разного уровня.

3. Адаптация модели нейронной сети LSTM для решения комплексной задачи распознавания образов [№1 за 2021 год]
Автор: Тормозов В.С.
Просмотров: 2044
В статье рассматривается адаптация модели искусственных нейронных сетей прямого распространения с блоками долгой краткосрочной памяти (LSTM) для комплексной задачи распознавания образов. Для искусственных нейронных сетей контекст может быть извлечен из вектора поступающих на вход сигналов и из значений весовых коэффициентов обученной сети. Однако при учете контекста значительного объема растут количество нейронных связей и сложность процедур обучения и работы сети. Контекст может временно храниться в специальном буфере памяти, откуда в дальнейшем извлекаться и использоваться в качестве сигнала при работе искусственных нейронных сетей (LSTM). Преимущество сетей такого типа в том, что они используют блоки памяти, ассоциированные с каждым нейроном скрытого слоя, что позволяет сохранять данные, относящиеся к контексту, при формировании шаблонов распознавания. Предлагается метод линейного переключения блоков LSTM в зависимости от значения проходящего сигнала. Проведен вычислительный эксперимент, направленный на исследование эффективности предложенного метода и ранее разработанной нейронной сети прямого распространения аналогичной структуры. Выполнено машинное обучение для каждого вида искусственных нейронных сетей на одной и той же последовательности обучающих примеров. Проведено сравнение результатов экспериментов для искусственной нейронной сети прямого распространения, рекуррентной нейронной сети аналогичной архитектуры с таким же количеством нейронов на каждом слое и сетью нейромодулирующего взаимодействия с одной задержкой по обратной связи. Критерием оптимизации в данном случае является погрешность работы нейронной сети на обучающей выборке, состоящей из примеров, не представленных в тестирующей выборке. Эффективность решения классификационной задачи оценивается по двум критериям: погрешность обучения на обучающей выборке и погрешность тестирования на тестирующей выборке.

4. Адаптивное блочное тензорное разложение в визуальных вопросно-ответных системах [№1 за 2021 год]
Авторы: Фаворская М.Н., Андреев В.В.
Просмотров: 2024
В статье предлагается метод снижения размерности внутреннего представления данных в глубоких нейронных сетях, используемых для реализации визуальных вопросноответных систем. Рассмотрены методы тензорного разложения, применяемые для решения этой задачи в визуальных вопросноответных системах. Цель данных систем заключается в ответе на заданный в произвольном виде текстовый вопрос о предоставленном изображении или видеопоследовательности. Техническая особенность систем заключается в необходимости объединения визуального сигнала (изображения или видеопосле-довательности) с входными данными в виде текста. Особенности входных данных делают целесообразным использование разных архитектур глубоких нейронных сетей: чаще всего сверточной нейронной сети для обработки изображения и рекуррентной нейронной сети для обработки тек-ста. При объединении данных количество параметров модели существенно увеличивается, чтобы задача нахождения наиболее оптимальных методов снижения количества параметров была актуальной даже при использовании современного оборудования и при учете прогнозируемого роста вычислительных возможностей. Помимо технических ограничений, следует также отметить, что рост количества параметров может снизить способность модели к извлечению значимых признаков из обучающей выборки, так как увеличивается вероятность подгонки параметров под несущественные особенности в данных и шум. Предлагаемый в статье метод адаптивного тензорного разложения позволяет на основе обучающей выборки оптимизировать количество параметров для блочного тензорного разложения, применяемого для билинейного объединения данных. Выполнены тестирование системы и сравнение результатов с некоторыми другими визуальными вопросноответными системами, в которых для снижения размерности применяются методы тензорного разложения.

5. Алгоритмы паттернов интеллектуального узла в составе беспроводной сенсорной сети [№1 за 2021 год]
Авторы: Виноградов Г.П., Емцев А.С., Федотов И.С.
Просмотров: 2594
Одной из тенденций в области развития современных вооружений является «связывание» от-дельных образцов с определенной степенью автономии в комплекс с использованием, как правило, беспроводных сенсорных сетей. Область применения таких комплексов – неопределенные и плохо формализуемые среды. Достичь их желаемой эффективности возможно, главным образом, путем совершенствования интеллектуальной составляющей системы управления комплексом в целом и отдельным узлом в частности. Однако следует отметить, что подавляющее число исследований в этой области остается лишь на теоретическом уровне. Существует разрыв между примитивными моделями поведения искусственных сущностей, например, в роевой робототехнике, моделями их взаимодействия и ожиданиями со стороны практики. Ситуация усугубляется требованиями скрытности, миниатюризации, малого энергопотребления. Цель данного исследования – представить подход к разработке ПО интеллектуальных систем управления отдельным узлом сети, обладающим заданной степенью автономии при выполнении задач. Предложить в условиях ограничений по энергопотреблению и быстродействию сравнительно простые алгоритмы для придания узлу сети свойства интеллектуального поведения, обеспечить способность к изучению обстановки и принятию решений как самостоятельно с учетом получаемых от других устройств сети данных, так и в составе группы. В работе использованы методы теории нечетких множеств, теории построения нечетких моде-лей и сетей, а также подходы и алгоритмы построения бортовых интеллектуальных систем управления. Показано, что требуемые алгоритмы можно разработать, если выявить классы типовых ситуаций и успешные способы действия в реальных условиях. На этой основе появляется возможность разработки формальных моделей поведения (паттернов) для реализации в системе управления уз-лом. Предложена двухуровневая структура интеллектуальной системы управления сетью. Верхний уровень, реализуемый оператором, соответствует таким свойствам, как выживание, безопасность, выполнение обязательств согласно миссии, накопление и корректировка базы знаний в виде эффективных паттернов поведения. Объектом управления для нее является сеть, рассматриваемая как некая функциональная система. Она осуществляет расчет текущих показателей удельной ценности по результатам и эффективности в момент t, расчет и реализацию способа действия (поведения) в момент t согласно заданному паттерну поведения, мониторинг результатов реализации паттерна поведения.

6. Архитектура и программная реализация исследовательского стенда корпоративной беспроводной локальной вычислительной сети [№1 за 2021 год]
Авторы: Абросимов Л.И., Орлова М.А., Хаю Х.
Просмотров: 1765
В статье представлены архитектура и программная реализация исследовательского стенда для получения и анализа вероятностно-временных характеристик корпоративной беспроводной локальной вычислительной сети (БЛВС). В ходе разработки данного стенда авторами были получены математические соотношения для расчета гарантированной интенсивности мультимедийного трафика. Исследовательский стенд состоит из двух независимых блоков. Блок «Стенд моделирования» содержит описание БЛВС и потоков мультимедийного трафика в дискретно-событийной системе моделирования ns-3. Блок «Анализ результатов моделирования» содержит программы для анализа файлов передаваемого трафика и результатов моделирования, а также программы расчета характеристик производительности. Блок «Анализ результатов моделирования» написан на языке Python3, анализ файлов передаваемого трафика производился с использованием библиотеки pyshark. Также в статье содержатся аналитические уравнения модели БЛВС, используемые в блоке «Анализ результатов моделирования». Приведенные уравнения позволяют для заданного времени гарантированной доставки пакетов, для беспроводных каналов связи, использующих заданный ка-нальный протокол, определить предельную интенсивность доставленных пакетов. Программная реализация исследовательского стенда дает возможность получить зависимости гарантированной интенсивности мультимедийного трафика для заданных параметров: структуры БЛВС, параметров беспроводного канала связи и канальных протоколов управления доступом. Разработанный стенд обеспечивает возможность работы в двух режимах. В режиме разработки новой БЛВС, когда известными параметрами являются паспортные данные оборудования, логические характеристики протоколов и предполагаемые характеристики трафика, используется полный набор функциональных модулей и блоков, стенд позволяет обеспечить как согласование трафика с ресурсами передачи и обработки, так и заданную производительность БЛВС. В режиме эксплуатации, когда мониторинг позволяет получить реальные характеристики трафика и протоколов, стенд дает возможность администратору БЛВС оценить производительность БЛВС и интенсивность трафика. В этом режиме используется ограниченный набор модулей, который требует гораздо меньше времени для оценки производительности БЛВС, предоставляет возможность адаптивно изменять настройки БЛВС и обеспечивать характеристики производительности БЛВС, соответствующие требованиям QoS.

7. Интеллектуальный подход к автоматизации технологических и производственных процессов [№1 за 2021 год]
Авторы: Рябов С.Ю., Рябов Ю.В.
Просмотров: 1941
Рассматривается подход к автоматизации производства, в частности, к автоматизированному проектированию технологических процессов. Обработка данных в существующих системах сводится к набору правил, а исполняющая программа в своей реализации напоминает конечный автомат. Очевидно, что такой подход имеет свой потолок. Предлагается представлять производственный процесс как нечто целое, описываемое интеллектуальной моделью. Принятая модель автоматизации технологических и производственных процессов базируется на теории графов и графовом представлении данных и знаний. Граф рассматривается как некоторая функция времени и вычислений. Предлагается использование суперграфа как набора абстрактных и определенных заданных узлов и абстрактных и статических отношений. Таким образом, каждый сценарий реального мира, каждая производственная ситуация, рассматриваемая в каком-либо масштабе, будет смоделирована как некий подграф суперграфа. Интеллектуальной платформой для реализации вычислений может быть Akka, представляющая собой реализацию акторной вычислительной модели. Она позволяет осуществлять интеллектуальный подход к решению задачи автоматизации производственных и технологических процессов. Рассмотрен пример построения части суперграфа для механообработки типовым переходом элемента детали с помощью соответствующего инструмента и выбора режима обработки. Итогом работы такой системы будет граф с вершинами и отношениями, описывающими знания технологических операций или состояние производственного процесса. Результат может быть передан иной системе на исполнение, сохранен в БД или использован для анализа ситуации.

8. Использование энтропийных характеристик сетевого трафика для определения его аномальности [№1 за 2021 год]
Автор: Ефимов А.Ю.
Просмотров: 2117
Количество и масштабы сетевых компьютерных атак (вторжений) постоянно растут, что делает высокоактуальной задачу их оперативного обнаружения. Для этого применяются системы обнаружения вторжений уровня сети, опирающиеся на два подхода – обнаружение злоупотреблений и обнаружение аномалий, причем второй подход видится более перспективным в условиях постоянного появления новых и модифицированных видов вторжений. Основными объектами примене-ния техник обнаружения аномалий являются атаки массового характера (DoS- и DDoS-атаки, сканирования, распространение вирусов-червей и т.п.), которые трудно обнаружить другими (например, сигнатурными) методами, так как в их основе часто лежат штатные сетевые взаимодействия. Метод анализа энтропии для обнаружения аномалий сетевого трафика по сравнению со многими другими методами характеризуется достаточно простой реализацией и скоростью работы. Применение метода основано на общем предположении, что аномальный трафик более упорядочен или структурирован, чем обычный трафик, в одних параметрах и более хаотичен в других, что проявляется в виде снижения или роста энтропии этих параметров. Данная статья посвящена определению характера влияния атак на энтропию таких параметров трафика, как IP-адреса источника и назначения, а также порт назначения, рассматривая в качестве объектов DoS- и DDoS-атаки нескольких разновидностей. Описывается подход к определению энтропии (с использованием энтропии Шеннона). Приведены результаты проведенного автором моделирования, наглядно демонстрирующие неоднозначность влияния атак на энтропийные характеристики. Показана явная зависимость характера влияния (снижение или рост) от таких факторов, как источник, цель, мощность атаки, а также распределение нормального трафика. Сделаны выводы о возможности эффективного обнаружения аномалий, соответствующих DoS- и DDoS-атакам, путем анализа энтропии параметров сетевого трафика, но только при условии проведения данного анализа с учетом распределения нормального трафика и объемных характеристик нормального и суммарного трафиков.

9. Ментальные модели в проектировании поведения искусственных сущностей [№1 за 2021 год]
Автор: Виноградов Г.П.
Просмотров: 2324
Актуальность рассматриваемой в данной статье проблемы связана с необходимостью проектирования искусственных систем для выполнения некоторой миссии подобно человеку и при взаимодействии с ним. Анализ подходов к построению искусственных сущностей показал, что разработчики зачастую наделяют их своими паттернами поведения в силу специфики используемых ими понятий и концепций. В результате возникают разрывы между формальными моделями паттернов, предлагаемых разработчиками, и ожиданиями со стороны пользователей. Цель авторов статьи – обосновать подход к разработке ПО интеллектуальных систем управления поведением искусственных сущностей на базе теории паттернов, обеспечивающий разработку цифровых продуктов на основе паттернов поведения субъекта-лидера для систем управления искусственными сущностями, автоматизирующих выполнение задач миссии. В работе использованы методы теорий рефлексивных игр и информационного управления си-стемами, обладающими волей и интеллектом. На основе формальной модели паттерна поведения выделены десять составных элементов. Показано, что эти элементы образуют то, что можно назвать интеллектуальной цифровой машиной, предназначенной для автоматизации выполнения миссии в интересах субъекта-хозяина. Эти составные элементы присутствуют при выполнении миссии человеком, в том числе и у всех участников проекта по разработке искусственной сущности. Показано, что согласование представлений об архитектуре искусственной сущности путем обмена информацией при обсуждении позволяет определить наиболее эффективную модель паттерна поведения и всех ее составляющих для реализации в искусственной сущности. Согласование предложено проводить в форме игры путем проведения экспериментов по методу ТОТЕ (набор входных данных  воздействие  результат), используя пространственную и визуальную логику для интерпретации результатов. Обоснована возможная логика интерпретации. Кратко рассмотрены модели составных элементов паттерна поведения искусственной сущности, а также пример реализации подхода. Показано, что в условиях жесткого дефицита времени выбор на основе паттернов поведения позволяет реализовать эффективное поведение, не требующее значительных вычислительных ресурсов.

10. Метод проверки тренажерных моделей на адекватность [№1 за 2021 год]
Авторы: Ильин В.А., Кирюшов Н.П.
Просмотров: 2162
В статье обоснована необходимость оценки качества имитационных моделей тренажерных си-стем и их адекватности реальным системам, описан метод оценки адекватности имитационных моделей. Имитационная модель должна обеспечивать требуемую точность и достоверность моделирования процессов. Достоверность результатов моделирования предполагает, что модель отвечает некоторым специфическим требованиям, позволяющим оценить ее качество. Оценка качества модели предполагает проверку на соответствие целям моделирования. В общем случае оценка свойств модели включает оценку ее адекватности, точности результатов моделирования (погрешности имитации), устойчивости результатов имитации исследуемых процессов, а также исследование чувствительности модели. Оценка адекватности модели отражает степень ее соответствия реальной системе. Алгоритм проверки адекватности модели состоит в сравнении выходов (откликов) модели и реальной си-стемы при одинаковых значениях входов. При этом используются статистические методы проверки гипотез, например, по t-критерию Стьюдента. Точность моделирования оценивается путем определения оценок математического ожидания и дисперсии отклонения компонент вектора откликов. Устойчивость результатов моделирования оценивается дисперсией значений отклика. Чувствительность имитационной модели означает степень изменения выходных параметров модели или откликов в зависимости от входящих характеристик. Методика оценки адекватности моделей включает этапы выбора критерия адекватности имитационной модели предмету исследования, производства измерений значений откликов реальной системы и имитационной модели, вычислительный этап с оценкой адекватности имитационной модели реальным системам, определение адекватности имитационной модели.

| 1 | 2 | 3 | Следующая →