№ 1 (2025)

Обложка

Весь выпуск

Системы, включающие искусственный интеллект

Обнаружение атак и аномалий в контейнерных системах: подходы на основе сигнатур и правил

Котенко И.В., Мельник М.В.

Аннотация

В статье рассматривается одна из ключевых проблем контейнерных систем, связанная с обнаружением атак и аномалий. Описаны механизмы изоляции контейнерных систем и атаки на такие системы. Представлена классификация подходов к обнаружению атак и аномалий. Выполняется систематический анализ основных подходов к обнаружению атак и аномалий в контейнерных системах, а также методов их реализации. Детально исследуются традиционные подходы на основе сигнатур и правил, их особенности, преимущества и недостатки.

Искусственный интеллект и принятие решений. 2025;(1):3-13
pages 3-13 views

Метод декомпозиции функциональных характеристик систем искусственного интеллекта

Гарбук С.В.

Аннотация

При принятии решений о возможности применения систем искусственного интеллекта для решения конкретных прикладных задач одной из важнейших проблем является объективное оценивание функциональных характеристик этих систем в запланированных условиях эксплуатации. В статье предложен подход к обоснованию состава факторов внешней среды, вариативность которых необходимо учитывать для обеспечения требуемого уровня репрезентативности проводимых испытаний систем искусственного интеллекта. В основу предлагаемого подхода положено предположение о необходимости разработки классификатора элементарных интеллектуальных функций, схожих с функциями естественного интеллекта человека и обладающих определенными, унифицированными в пределах одного класса, требованиями к вариативности условий их испытания.

Искусственный интеллект и принятие решений. 2025;(1):14-32
pages 14-32 views

Интеллектуальные системы и роботы

Классификация движений искусственной нейронной сетью для управления бионической кистью

Безъязычный В.Ф., Юдин А.В., Панкратов М.В., Елисеичев Е.А., Воробьев П.С., Блинов И.С.

Аннотация

Приведены результаты обучения и тестирования искусственной нейронной сети распознаванию движений пальцев кисти человека на основе сигналов с электромиографических датчиков. Особое внимание уделено вопросам предварительной обработки исходных сигналов, включающей в себя цифровую фильтрацию, задание оптимального уровня, соответствующего состоянию покоя мышцы, и вычислению признаков сигналов. В статье огибающая электромиографического сигнала строилась на основе признака «средней энергии», а определение участков мышечной активности осуществлялось с помощью двух порогов: адаптивного по уровню и фиксированного по времени. Непосредственно для обучения искусственной нейронной сети используются три признака, которые определяются в зависимости от требований к качеству обучения, либо по показателю различимости, либо полным перебором сочетаний признаков. Оптимизация набора признаков для обучения искусственной нейронной сети позволила достичь уровня правильных ответов более 97%.

Искусственный интеллект и принятие решений. 2025;(1):33-45
pages 33-45 views

Оптимальный и рациональный выбор

Алгоритм выбора признаков линейной регрессии для решения проблемы мультиколлинеарности

Грибанова Е.Б.

Аннотация

В работе рассматривается задача отбора факторов линейной регрессии с помощью оптимизационной модели, включающей характеристики связи признаков, а также зависимости признака и результативного показателя. Для ее решения предлагается переформулирование исходной задачи в виде обратной при минимизации суммы абсолютных значений аргументов. Результаты вычислительных экспериментов, включающие сравнение с методами нелинейного программирования, реализованными в математических пакетах и библиотеке Python, продемонстрировали высокую эффективность предложенного алгоритма решения модифицированной задачи.

Искусственный интеллект и принятие решений. 2025;(1):46-55
pages 46-55 views

Машинное обучение, нейронные сети

О свойствах предельного множества процесса многократного машинного обучения при преобразованиях признакового пространства

Веприков А.С., Хританков А.С.

Аннотация

В работе изучено влияние преобразований признакового пространства на свойства процесса многократного машинного обучения. Исследованы условия, при которых прогноз асимптотического поведения системы во времени, полученный в исходном пространстве, может быть перенесен на аналогичную систему в преобразованном пространстве. Полученные результаты указывают на возможность использования более простых систем в пространствах меньшей размерности для изучения процессов в сложных системах.

Искусственный интеллект и принятие решений. 2025;(1):56-66
pages 56-66 views

Предобработка данных при построении модели нейронной сети для прогнозирования состояния технического объекта

Кувайскова Ю.Е., Немыкин А.А.

Аннотация

В статье предложена методика для предобработки исходных данных при построении моделей нейронных сетей. Она включает алгоритмы поиска выбросов, восстановления пропущенных значений и удаления коррелирующих факторов. Для реализации предлагаемой методики написана специальная программа на языке программирования Python. Исследование эффективности предлагаемой методики проведено на примере двух объектов: турбореактивного двигателя и литий-ионного аккумулятора. Для сравнения результатов использованы следующие подходы: методика предобработки данных из библиотеки AutoKeras и метод, основанный на использовании профиля компактности. Показано, что применение предлагаемого подхода предобработки данных повышает точность прогнозирования моделей нейронных сетей примерно в 3–4 раза по сравнению с другими методами.

Искусственный интеллект и принятие решений. 2025;(1):67-81
pages 67-81 views

Анализ текстовой и графической информации

Автоматическая лексическая адаптация русскоязычных текстов

Ниценко А.В., Шелепов В.Ю., Большакова С.А.

Аннотация

В статье описан способ лексического упрощения русскоязычных текстов, основанный на обратном использовании словаря синонимов, а именно, на замене синонимов соответствующими доминантами. Поскольку это нельзя делать абсолютно формально, нами были подготовлены специальные базы синонимов, которые снабжены разметкой, необходимой для получения в замененном тексте правильного синтаксиса.

Искусственный интеллект и принятие решений. 2025;(1):82-94
pages 82-94 views

Влияние признаков иерархического дискурса на разрешение кореференции в русском языке

Чистова Е.В.

Аннотация

В работе изучается вклад признаков иерархического дискурса в решение задачи разрешения кореференции в текстах на русском языке. Приведены оценки качества разработанных риторических анализаторов при решении задачи разрешения кореференции в текстах различных жанров и объёмов на русском языке. Показано, какие особенности корпусов разметки риторических структур для обучения анализаторов влияют на качество разрешения кореференции в различных языковых контекстах.

Искусственный интеллект и принятие решений. 2025;(1):95-102
pages 95-102 views

Анализ сигналов, аудио и видео информации

Применение методов машинного обучения для анализа изображений хронических ран

Назаренко А.Г., Клейменова Е.Б., Молодченков А.И., Пономарчук А.С., Герасимова Н.П., Юрченкова Е.С., Яшина Л.П.

Аннотация

Нейронные сети и алгоритмы глубокого обучения все шире применяются в медицине, включая анализ изображений. В хирургии раны мягких тканей остаются актуальной проблемой, при этом измерение раневого дефекта необходимо для оценки течения раневого процесса и эффективности лечения. Использование цифровых изображений раны позволяет оценивать ее, не контактируя. Работа содержит результаты применения предобученных сетевых моделей (AlexNet, ResNet50, ResNet152, VGG16) для классификации изображений пролежней, как одного из видов хронических ран. Сегментационная модель Segment Anything Model (SAM) продемонстрировала точность 86,46% при решении задачи сегментации краев раневого дефекта и типов тканей в его пределах. Результаты исследований могут быть использованы для создания экспертной системы по анализу изображений ран мягких тканей.

Искусственный интеллект и принятие решений. 2025;(1):103-114
pages 103-114 views

Два метода оценки оптического потока по видеоряду изображений

Бутакова М.А., Щербань И.В., Мишин Н.А., Белявский Г.И.

Аннотация

Статья посвящена оценке оптического потока по видеоряду изображений. Основное внимание уделено двум методам решения этой сложной вычислительной задачи, играющей ключевую роль во многих разделах компьютерного зрения, например, таких как отслеживание объектов, анализ сцен, определения микрои макродвижений для распознавания эмоций по выражению лица и многих других. Предложенные методы взаимно дополняют друг друга. По своей природе они относятся к вариационным методам вычисления видеопотока, однако существенно отличаются от описанных в литературе скоростью и надежностью. Данные методы не требуют глубокого машинного обучения, поэтому могут использоваться при отсутствии обучающей выборки требуемого объема, необходимой для методов, в которых при вычислении видеопотока применяются глубокие нейронные сети. Показали конкурентную точность и надежность.

Искусственный интеллект и принятие решений. 2025;(1):115-127
pages 115-127 views

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».