Интеллектуальные методы обработки
- Авторы: Толманова В.В.1, Андриков Д.А.1
-
Учреждения:
- Российский университет дружбы народов
- Выпуск: Том 25, № 3 (2024)
- Страницы: 263-279
- Раздел: Статьи
- URL: https://journals.rcsi.science/2312-8143/article/view/327545
- DOI: https://doi.org/10.22363/2312-8143-2024-25-3-263-279
- EDN: https://elibrary.ru/TGXUHO
- ID: 327545
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.
Ключевые слова
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, РоссияДенис 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, РоссияСписок литературы
- 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
- Gardiner C. Stochastic Methods: A Handbook for the Natural and Social Sciences. Springer Berlin Heidelberg; 2009.
- Debnath L. Wavelet Transforms and Their Applications. Birkhauser Boston; 2012. https://doi.org/10.1007/978-1-4612-0097-0
- Donald B. Percival; Andrew T. Walden. Wavelet Methods for Time Series Analysis. Cambridge University Press; 2000. https://doi.org/10.1017/CBO9780511841040
- 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
- Luders H, Noachtar S. (eds.) Atlas and Classification of Electroencephalography. Philadelphia: WB Saunders; 2000.
- 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
- 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
- Hramov AE, Koronovskii A, Makarov VA, Makarov A, Sitnikova E. Wavelets in neuroscience. Springer Publ.; 2015.
- Nason GP. Wavelet Methods in Statistics with R. Springer Science & Business Media; 2008. https://doi.org/10.1007/978-0-387-75961-6
- 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
- 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
- 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
- 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
- Stirzaker D. Stochastic Processes and Models. Oxford University Press; 2005. http://doi.org/10.1112/blms/bdl020
- Dobrow RP. Introduction to Stochastic Processes with R. John Wiley & Sons Publ.; 2016. https://doi.org/10.1002/9781118740712
- Zhirmunskaya EA, Losev VS. Systems of description and classification of human electroencephalograms. Moscow: Nauka Publ.; 1984. (In Russ.)
- 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
- 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
