Архив номеров

Беспилотные летательные аппараты в настоящее время широко используются в морских поисково-спасательных миссиях, связанных с обследованием акватории и обнаружением пострадавших. Успех миссий в значительной степени зависит от эффективности стратегии поиска. В статье предлагается детерминированный метод разграничения областей поиска и планирования траекторий полета группы беспилотных летательных аппаратов при выполнении морских поисковых операций. Беспилотный летательный аппарат обнаруживает цель, не подающую сигналов, если она находится в пределах зоны обзора установленного на аппарате оборудования для дистанционного зондирования. Зона обзора задается в виде круга определенного радиуса. Решается задача планирования траекторий для полного покрытия области поиска, в которой отсутствуют угрозы. Эффективной считается траектория минимальной длины. Рассматриваются две стратегии поиска: без учета и с учетом ограничений на энергетические ресурсы. Решается задача полного покрытия зоны поиска, разделенной на сектора. Каждый сектор закреплен за одним аппаратом, который по заданному алгоритму проводит поиск цели в своем секторе. Представлена геометрическая модель траектории поиска. Представлено четыре алгоритма, реализующие две указанные стратегии поиска: 1) алгоритм развертывания группы аппаратов из центральной точки области поиска без учета ограничений на энергоресурсы; 2) алгоритм развертывания группы аппаратов из точки подлета к области поиска без учета энергоресурсов; 3) алгоритм развертывания группы аппаратов из центральной точки области поиска с учетом ограничений на энергоресурсы; 4) алгоритм развертывания группы аппаратов из точки подлета к области поиска с учетом энергоресурсов. Проведено тестирование алгоритмов.

Выявление (детектирование) аномалий представляет собой актуальную исследовательскую задачу во многих предметных областях, решение которой позволяет своевременно принимать управленческие решения. В представляемом исследовании предложен метод выявления аномалий в экономических показателях, характеризующих внутреннюю и внешнюю среду производственной организации, который может быть применен в алгоритмическом обеспечении систем поддержки предпринимательского решения. В основе метода лежит использование искусственной нейронной сети с архитектурой автокодировщика и обученной повторять входные данные на выходе. После обучения автокодировщика на нормальных данных ошибка восстановления входа на выходе будет невелика, но при подаче аномальных данных ошибка будет возрастать, что может служит индикатором аномалии. В предложенном методе применяется сверточный автокодировщик, поэтому входные данные сначала преобразуются в изображения (сигнатуры), для чего предложен оригинальный способ их формирования. Способ заключается в представлении исторического поведения каждого экономического показателя в форме тепловой матрицы. Каждая тепловая матрица образует один канал, а их совокупность формирует сигнатуру, которая затем подается на вход автокодировщика для дальнейшего анализа. В автокодировщике использованы глубинно-разделимые свертки, что позволяет автономно настраивать сверточные фильтры по отдельным каналам сигнатур. Новизна результатов исследования состоит в разработанном методе выявления аномалий в массивах экономических показателей, позволяющем выполнять локализацию коллективных и единичных аномалий (выбросов), а также в разработанном программном обеспечении, с помощью которого проводилось апробирование метода. Выполненные вычислительные эксперименты показали, что метод достигает точности выявления аномалий, сопоставимой с некоторыми современными моделями.

В области цифровой обработки сигналов восстановление их формы при высоком уровне помеховой составляющей представляет собой одну из основных проблем. Ее актуальность обусловлена широким применением цифровых технологий, и особенно остро она стоит в тех сферах, где воздействие помех неизбежно влияет на качество регистрации, распознавания и интерпретации сигналов. Распространенной разновидностью помех естественного происхождения является тепловой шум, непосредственно связанный с работой измерительно-­регистрирующей аппаратуры. Полностью избавиться от этого вида шума невозможно, однако современные методы цифровой обработки способны значительно снизить его негативное влияние. В настоящее время внимание исследователей всё больше направлено на разработку эвристических алгоритмов, которые представляют собой альтернативные способы подавления шумовой составляющей и сохранения формы полезного сигнала. Такие алгоритмы характеризуются способностью находить приближенные решения там, где традиционные аналитические и технические методы теряют свою эффективность. Они ориентированы на адаптацию к стохастическому характеру теплового шума и предлагают разумный компромисс между трудоемкостью и точностью воспроизведения полезного сигнала. Данная статья является продолжением ранее опубликованных исследований по разработке эвристических алгоритмов восстановления формы сильно зашумленных дискретных сигналов. Ее цель – предложить альтернативный подход к решению этой задачи, основанный на идее последовательного применения операций численного интегрирования и дифференцирования, объединенных процедурой аппроксимации интегральной кривой. В результате устраняется влияние шумовой компоненты, восстановленный сигнал сохраняет информационные компоненты полезного сигнала. Эффективность предложенного алгоритма определялась по тестовому сигналу с наложением искусственного шума, моделируемого при помощи компьютерной симуляции генератора псевдослучайных чисел. Полученные результаты сравнивались с двумя ранее разработанными эвристическими алгоритмами: на основе кусочно-­линейной аппроксимации методом наименьших квадратов и на основе усреднения мгновенных значений сигнала на участках разбиения. Анализ продемонстрировал, что разработанный алгоритм сравним по точности с этими алгоритмами, однако отличается большей эффективностью при обработке дискретных апериодических сигналов с естественным зашумлением.

В статье представлены разработанные алгоритмы расстановки, позволяющие решать задачу оптимизированного размещения заданного набора плоских объектов с учетом дополнительных геометрических и технологических ограничений, задаваемых при компоновке реальных объектов на производстве. Дано описание процедуры применения индивидуальных отступов между границами объектов. Для работы с пространством размещения произвольной геометрии введены запретные области в виде зафиксированных объектов различной формы. Предложен алгоритм равномерной расстановки заданного набора объектов по используемому пространству размещения. Описан алгоритм размещения объектов с учетом нескольких точек роста компоновки, обеспечивающий их расстановку максимально близко к одной или двум заранее отмеченным точкам пространства размещения. Предложен оптимизированный по скорости алгоритм размещения плоских объектов произвольной геометрии, представленных в виде ортогональных многогранников, который реализует быстрое размещение объектов сложной геометрии при расстановке с учетом заданных отступов и точек роста компоновки. Разработан алгоритм расстановки плоских объектов с учетом индивидуальных ограничений по минимальному расстоянию между особыми точками объектов. Предложен эвристический алгоритм выбора наилучшего варианта ортогональной ориентации прямоугольных объектов, минимизирующий плотность формируемой компоновки. Приведены примеры различных компоновок объектов, полученных с помощью разработанных алгоритмов расстановки. Представлены примеры решения некоторых частных задач компоновки прямоугольных объектов с различными ограничениями по минимальному расстоянию, задаваемому между особыми точками объектов. Применение разработанных алгоритмов расстановки, учитывающих различные геометрические и технологические ограничения, делает возможным решение практических задач компоновки объектов в условиях реального производства.

В условиях стремительной цифровизации и роста значимости онлайн-торговли задача прогнозирования объема продаж на маркетплейсах приобретает критическое значение для поддержки управленческих и стратегических решений. Несмотря на значительные достижения нейросетевых моделей, их практическое применение в условиях цифровых платформ сопряжено с рядом ограничений, включая высокую волатильность спроса, разреженность данных, наличие множества гетерогенных факторов с различной динамикой, сложности масштабирования, а также высокие требования к вычислительным ресурсам и объемам обучающих данных. Кроме того, многие нейросетевые модели функционируют как «черные ящики», что затрудняет их применение в задачах, требующих прозрачности и обоснованности прогнозов, что подчеркивает актуальность разработки специализированных моделей, обеспечивающих одновременно высокую точность и интерпретируемость результатов. Целью настоящего исследования являются разработка и апробирование гибридной архитектуры нейросетевой модели, ориентированной на преодоление подобных ограничений с учетом специфики функционирования маркетплейсов. Предлагаемая модель сочетает рекуррентный кодировщик для извлечения временного контекста, модифицированные декодер-блоки, выполняющие разложение временного ряда по обучаемому базису скрытых компонент, и механизм управляемого объединения, обеспечивающий адаптивное включение контекстной информации на каждом уровне декодирования. Применяемый способ формирования прогноза как аддитивной суммы специализированных компонент, каждая из которых обучается выделять определенные структурные элементы, обеспечивает контекстно-зависимое и структурированное представление временного ряда, позволяя точнее учитывать долгосрочные тенденции и периодические колебания, а также повышает устойчивость модели к шуму и разреженности данных. Экспериментальная проверка модели на данных маркетплейса Wildberries продемонстрировала ее превосходство по точности прогнозирования над классическими и базовыми моделями, что подтверждает ее применимость в условиях, характерных для цифровых торговых платформ.

Самые различные прикладные области, включая медицину, безопасность, экономику, промышленность, связаны с моделированием процессов наступления различных событий, таких как выздоровление пациента, финансовое банкротство предприятия, отказ промышленного оборудования и т. д. Моделирование этих процессов может выполняться в рамках анализа выживаемости (survival analysis), являющегося статистическим методом анализа времени до событий и отличительной особенностью которого от многих других статистических методов и методов машинного обучения является наличие цензурированных данных, имеющих место тогда, когда событие не наблюдается и известно только то, что оно не произошло до определенного момента времени. Цензурированные данные значительно усложняют моделирование и предсказание наступления критических событий. Одним из эффективных инструментов анализа выживаемости при наличии цензурированных данных является машинное обучение. В частности, современные модели машинного обучения на основе трансформеров демонстрируют перспективные результаты в анализе выживаемости благодаря своей способности учитывать сложные зависимости. Однако стандартный механизм внимания в них часто игнорирует фундаментальную структуру данных времен до наступления события, а именно различие между цензурированными и нецензурированными наблюдениями. Для преодоления этого недостатка в работе предлагается новая модель и новый подход к реализации механизма внимания, который переопределяет веса внимания за счет включения априорных характеристик анализа выживаемости на основе оценки Берана или модели Кокса. Вместо того чтобы полагаться исключительно на расстояния между векторными представлениями признаков, как это осуществляется в современных моделях, предлагаемая модель вычисляет веса внимания как взвешенную линейную комбинацию компонентов, полученных из основных априорных характеристик анализа выживаемости, таких как расстояния между оценками функций выживаемости или математическими ожиданиями времени до наступления события для различных обучающих объектов. Предлагаемый подход позволяет существенно расширить класс трансформенных моделей анализа выживаемости для получения более высокой точности предсказаний. Алгоритм, реализующий предлагаемую модель, является основой для трансформеров. Эксперименты на реальных наборах данных подтверждают, что обобщенная модель обеспечивает наилучшее предсказание среди ряда известных моделей.

Работа посвящена исследованию вопросов обнаружения атак модификации цифровых моделей изделий (деталей), предназначенных для 3D-печати в современных комплексах интеллектуальных аддитивных производств. В общем случае такие системы представляют собой сети, включающие множество параллельно функционирующих 3D-принтеров (3D-фермы), способные по запросам пользователей печатать тиражи изделий, таких как элементы физических конструкций роботов и транспортных средств, лопасти беспилотных летательных аппаратов и другие детали из пластика, металла и иных материалов. Существующие примеры таких 3D-установок оказываются уязвимыми к действиям атакующих, пытающихся, воздействуя на цифровую модель, внести в нее скрытую несанкционированную модификацию. После такой атаки готовые изделия могут оказаться с конструктивным дефектом, но их визуальные характеристики будут почти неотличимы от оригинальных образцов таких изделий. Например, осуществив воздействие на дефективный элемент корпуса БПЛА, атакующий способен понизить его управляемость и даже привести к его разрушению. В работе проводится экспериментальное обоснование гипотезы о возможности обнаружения атак модификации цифровых моделей изделий на основе обработки и анализа программного кода таких моделей. Анализируются особенности дефектов моделей 3D-изделий, представленных на языке G-кодов и отобранных из открытых баз 3D-моделей. Сформирован набор данных, состоящий из оригинальных и модифицированных моделей изделий. Предложен подход к обнаружению модификаций с применением эмбеддинга для преобразования данных в числовые векторы и обучения на них классификаторов с использованием методов обучения с учителем. Эксперименты на тестовых выборках данных продемонстрировали работоспособность предложенного подхода к обнаружению модификаций и перспективность его дальнейшего развития и применения на практике.