Интеллектуальные методы обработки

Обложка

Цитировать

Полный текст

Аннотация

В настоящее время, в эру информационных технологий, интеллектуальные методы обработки данных занимают важное место в различных сферах жизни. Эти методы, совместно с современными алгоритмами и компьютерными моделями, позволяют извлекать ценную информацию из огромных объемов сырых данных, а также анализировать и прогнозировать различные явления и тренды. Рассмотрены ключевые концепции и принципы работы вейвлет-преобразования и стохастических методов, а также их взаимосвязь и возможности комбинированного применения в решении задач по обработке данных. Исследованы интеллектуальные методы обработки данных, сосредоточенные на вейвлет-преобразовании и стохастических методах, которые стали неотъемлемой частью современных бизнеспроцессов, предоставляя прогнозы, существенные для взвешенных решений. В исследовании использовалось вейвлет-преобразование и стохастические методы, позволяющие обнаруживать скрытые паттерны и тенденции в данных. Эти методы предоставили возможность анализировать данные различной структуры и масштаба, включая тексты, изображения, звук и видео. Вейвлет-преобразование обеспечило эффективное представление данных и многомасштабный анализ, в то время как стохастические методы использовались для моделирования неопределенности и проведения вероятностного анализа. Продемонстрировано, что применение вейвлет-преобразования способствовало выявлению значимых особенностей в анализируемых данных, тогда как стохастические методы обеспечивают надежные прогнозы на основе статистических моделей. Практическое применение этих методов на примерах из различных областей показало их высокую эффективность и значимость в научных и прикладных приложениях, что подтверждало актуальность и перспективность дальнейшего изучения и развития интеллектуальных методов обработки данных. Подтверждена важность вейвлет-преобразования и стохастических методов в контексте анализа больших объемов данных и предсказания различных явлений.

Об авторах

Вероника Вячеславовна Толманова

Российский университет дружбы народов

Email: 1042210065@pfur.ru
ORCID iD: 0000-0001-9433-7859

аспирант кафедры механики и процессов управления, инженерная академия

Москва, Россия

Денис Анатольевич Андриков

Российский университет дружбы народов

Автор, ответственный за переписку.
Email: andrikovdenis@mail.ru
ORCID iD: 0000-0003-0359-0897
SPIN-код: 8247-7310

кандидат технических наук, доцент департамента механики и процессов управления, инженерная академия

Москва, Россия

Список литературы

  1. Grubov VV, Ovchinnikov AA, Sitnikova EYu, Koronovskii AA, Hramov AE. Wavelet analysis of sleep spindles on EEG and development of method for their automatic diagnostic. Izvestiya VUZ. Applied Nonlinear Dynamics. 2011;19(4):91-108. (In Russ.) https://doi.org/10.18500/0869-6632-2011-19-4-91-108
  2. Gardiner C. Stochastic Methods: A Handbook for the Natural and Social Sciences. Springer Berlin Heidelberg; 2009.
  3. Debnath L. Wavelet Transforms and Their Applications. Birkhauser Boston; 2012. https://doi.org/10.1007/978-1-4612-0097-0
  4. Donald B. Percival; Andrew T. Walden. Wavelet Methods for Time Series Analysis. Cambridge University Press; 2000. https://doi.org/10.1017/CBO9780511841040
  5. Meenakshi D, Singh A, Singh A. Frequency analysis of healthy & epileptic seizure in EEG using fast fourier transform. International Journal of Engineering Research and General Science. 2014;2(4):683-691. https://oaji.net/articles/2014/786-1406216595.pdf
  6. Luders H, Noachtar S. (eds.) Atlas and Classification of Electroencephalography. Philadelphia: WB Saunders; 2000.
  7. Hilarov VL. Epileptic seizures regularities, revealed from encephalograms time series by nonlinear mechanics methods. Journal of Physics: Conference Series. 2019; 1400(3):033011. https://doi.org/10.1088/1742-6596/1400/3/033011
  8. Qian T, Vai MI, Xu Y. Wavelet Analysis and Applications. Springer Science & Business Media. 2007. https://doi.org/10.1007/978-3-7643-7778-6
  9. Hramov AE, Koronovskii A, Makarov VA, Makarov A, Sitnikova E. Wavelets in neuroscience. Springer Publ.; 2015.
  10. Nason GP. Wavelet Methods in Statistics with R. Springer Science & Business Media; 2008. https://doi.org/10.1007/978-0-387-75961-6
  11. Kemp B, Zwinderman AH, Tuk B, Kamphuisen HAC, Oberye JJL. Analysis of a sleep-dependent neuronal feedback loop: the slow-wave microcontinuity of the EEG. IEEE Transactions on Biomedical Engineering. 2000; 47(9):1185-1194. https://doi.org/10.1109/10.867928
  12. Kuchin AS, Grubov VV, Maximenko VA, Utyashev NP. Software implementation of the algorithm for searching for epileptic seizures. Medical doctor and it. 2021;(3):62-73. (In Russ.) https://doi.org/10.25881/181 10193_2021_3_62
  13. Hramov AE, Koronovskii AA, Makarov VA, Pavlov AN, Sitnikova E. Automatic Diagnostics and Processing of EEG. In: Wavelets in Neuroscience. Springer Series in Synergetics. Springer, Berlin, Heidelber; 2015. p. 253-312. https://doi.org/10.1007/978-3-662-43850-3_7
  14. Siebert J, Joeckel L, Heidrich J, Trendowicz A. Construction of a quality model for machine learning systems. Software Quality Journal. 2022;30(2):1-29. https://doi.org/10.1007/s11219-021-09557-y
  15. Stirzaker D. Stochastic Processes and Models. Oxford University Press; 2005. http://doi.org/10.1112/blms/bdl020
  16. Dobrow RP. Introduction to Stochastic Processes with R. John Wiley & Sons Publ.; 2016. https://doi.org/10.1002/9781118740712
  17. Zhirmunskaya EA, Losev VS. Systems of description and classification of human electroencephalograms. Moscow: Nauka Publ.; 1984. (In Russ.)
  18. Kemp B, Zwinderman AH, Tuk B, Kamphuisen HAC, Oberye JJL. Analysis of a sleep-dependent neuronal feedback loop: the slow-wave microcontinuity of the EEG. IEEE Transactions on Biomedical Engineering. 2000;47(9):1185-1194. https://doi.org/10.1109/10.867928
  19. Usman SM, Khalid S, Bashir Z. Epileptic seizure prediction using scalp electroencephalogram signals. Biocybernetics and Biomedical Engineering. 2021;41(1): 211-220. https://doi.org/10.1016/j.bbe.2021.01.001

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

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».