Computational nanotechnologyComputational nanotechnologyComputational nanotechnology2313-223X2587-9693YUR-VAK35838410.33693/2313-223X-2025-12-5-47-55EGDNUNSYSTEM ANALYSIS, INFORMATION MANAGEMENT AND PROCESSING, STATISTICSСИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКАResearch ArticleFormation of synthetic data in machine learning models based on multiscale analysis of binary Markov modelsФормирование синтетических данных в моделях машинного обучения на основе кратномасштабного анализа двоичных марковских моделей9901-4887PushkinPavel Yu.ПушкинПавел Юрьевич
Russian Federation

Cand. Sci. (Eng.), Associate Professor, Director, Institute of Advanced Technologies and Industrial Programming

кандидат технических наук, доцент, директор, Институт перспективных технологий и индустриального программирования

pushkin@mirea.ru4213-7083KonyshevMikhail Yu.КонышевМихаил Юрьевич
Russian Federation

Dr. Sci. (Eng.), Associate Professor, Professor, Department KB-1 “Information Protection”, Institute of Cybersecurity and Digital Technologies

доктор технических наук, доцент, профессор, кафедра КБ-1 «Защита информации», Институт кибербезопасности и цифровых технологий

konyshev@mirea.ruPerevezentsevDmitry S.ПеревезенцевДмитрий Сергеевич
Russian Federation

senior lecturer, Basic Department BK-252, Institute of Artificial Intelligence

старший преподаватель, базовая кафедра БК-252, Институт искусственного интеллекта

perevezentsev@mirea.ru2556-2201GrachevAlexander S.ГрачевАлександр Сергеевич
Russian Federation

senior lecturer, Department KB-1, Institute of Cybersecurity and Digital Technologies

старший преподаватель, кафедра КБ-1, Институт кибербезопасности и цифровых технологий

grachyov@mirea.ruMIREA – Russian Technological UniversityМИРЭА – Российский технологический университет14122025125475516122025Copyright ©; 2025, Yur-VAKCopyright ©; 2025, Юр-ВАК2025Yur-VAKЮр-ВАКhttps://www.urvak.ru/contacts/https://journals.rcsi.science/2313-223X/article/view/358384

A method for generating synthetic data for training systems in binary Markov data sources is presented, based on estimates of the elements of the transition probability matrices of binary Markov chains obtained as a result of a multiscale analysis, which differs from the known ones by taking into account the ranges of values of the matrix elements in the observed objects. An algorithm for the formation of synthetic data is proposed, which implements the calculation of elements of transition probability matrices within the estimates obtained on real data. The results of a computational experiment organized to test the quality of machine learning using the developed method and algorithm confirmed the possibility of improving the quality of artificial intelligence systems.

Представлен метод формирования синтетических данных для обучения систем в условиях двоичных марковских источников данных, основанный на полученных в результате кратномасштабного анализа оценках элементов матриц переходных вероятностей двоичных цепей Маркова, отличающийся от известных учетом диапазонов значений элементов матриц в наблюдаемых объектах. Предложен алгоритм формирования синтетических данных, реализующий вычисление элементов матриц переходных вероятностей в пределах оценок, полученных на реальных данных. Результаты вычислительного эксперимента, организованного для проверки качества машинного обучения с использованием разработанных способа и алгоритма, подтвердили возможность повышения качества систем искусственного инетеллекта.

machine learningsynthetic databinary Markov chainmultiscale analysisparameter estimationcomputational experimentмашинное обучениесинтетические данныедвоичная марковская цепькратномасштабный анализоценка параметроввычислительный экспериментBelyaeva O.V., Perminov A.I., Kozlov I.S. Using synthetic data for fine-tuning document segmentation models. Proceedings of the Institute for System Programming of the Russian Academy of Sciences. 2020. Vol. 32. No. 4. Pp. 189–202. (In Rus.)Беляева О.В., Перминов А.И., Козлов И.С. Использование синтетических данных для тонкой настройки моделей сегментации документов // Труды Института системного программирования РАН. 2020. Т. 32. № 4. С. 189–202.Mosalov O.P. Using generative adversarial networks in the problem of predicting the existence of edges in an ontological graph. Information Technology Bulletin. 2020. No. 4 (26). Pp. 96–103. (In Rus.)Мосалов О.П. Использование генеративно-состязательных сетей в задаче предсказания существования ребер в онтологическом графе // Информационно-технологический вестник. 2020. № 4 (26). С. 96–103.Laptev V.V., Danilov V.V. Study of variational autoencoder for synthesis of new medical data. In: Collection of selected articles of the scientific session of TUSUR. 2020. No. 1-2. Pp. 68–70.Лаптев В.В., Данилов В.В. Исследование вариационного автоэнкодера для синтеза новых медицинских данных // Сборник избранных статей научной сессии ТУСУР. 2020. № 1-2. С. 68–70.Anderson T.W. The statistical analysis of time series. New York, 1971. 704 p.Konyshev M.Yu., Ivanov V.A., Tarakanov O.V. et al. Binary Markov chains and their application. Moscow: MIREA, 2023. 181 p.Конышев М.Ю., Иванов В.А., Тараканов О.В. и др. Двоичные цепи Маркова и их приложения. М.: МИРЭА, 2023. 181 с.Konyshev M.Yu., Baranov V.A., Bliznyuk V.I. et al. Methods of analysis and synthesis of binary random sequences. Orel: Academy of the Federal Security Service of the Russian Federation, 2020. 120 p.Конышев М.Ю., Баранов В.А., Близнюк В.И. и др. Методы анализа и синтеза двоичных случайных последовательностей. Орёл: Академия Федеральной службы охраны Российской Федерации, 2020. 120 с.Agamirov L.V., Agamirov V.L., Vestyak V.A. Calculations of inverse distribution functions: Algorithms and programs. Software Products and Systems. 2024. No. 2. Pp. 137–145. (In Rus.)Агамиров Л.В., Агамиров В.Л., Вестяк В.А. Вычисления обратных функций распределений: алгоритмы и программы // Программные продукты и системы. 2024. № 2. С. 137–145.Li Ts., Judge D., Zellner A. Estimation of Markov model parameters from aggregated time series. Moscow: Statistika, 1977. 221 p.Ли Ц., Джадж Д., Зельнер А. Оценивание параметров Марковских моделей по агрегированным временным рядам. М.: Статистика, 1977. 221 с.Gluskin V.A., Dementyev A.N., Gondarenko E.A. et al. Estimation of error source parameters in discrete communication channels with error grouping. Dynamics of Complex Systems XXI Century. 2023. Vol. 17. No. 4. Pp. 56–69. (In Rus.)Глускин В.А., Дементьев А.Н., Гондаренко Е.А. и др. Оценивание параметров источников ошибок в дискретных каналах связи с группированием ошибок // Динамика сложных систем XXI век. 2023. Т. 17. № 4. С. 56–69.Feder J. Fractals. Transl. from Engl. Moscow: Mir, 1991. 254 p.Федер Е. Фракталы / пер. с англ. М.: Мир, 1991. 254 с.Bliznyuk V.I., Konyshev M.Yu., Ivanov V.A., Kharchenko S.V. Method of directed enumeration of distribution series in problems of modeling Markov binary sequences. Industrial ACS and Controllers. 2015. No. 5. Pp. 40–45. (In Rus.)Близнюк В.И., Конышев М.Ю., Иванов В.А., Харченко С.В. Метод направленного перебора рядов распределений в задачах моделирования марковских двоичных последовательностей // Промышленные АСУ и контроллеры. 2015. № 5. С. 40–45.Baranov V.A., Konyshev M.Yu., Privalov A.A., Shestakov A.V. Verification of cryptographic algorithms based on the use of the method of simulating binary random sequences with given statistical properties. High-tech in Space Research of the Earth. 2019. Vol. 11. No. 6. (In Rus.)Баранов В.А., Конышев М.Ю., Привалов А.А., Шестаков А.В. Верификация криптографических алгоритмов на основе использования метода симуляции двоичных случайных последовательностей с заданными статистическими свойствами // Наукоемкие технологии в космических исследованиях Земли. 2019. Т. 11. № 6.Ivanov V.A., Konyshev M.Yu., Markin A.V. Conceptual model of a message source at the output of a multiplexer for studying the properties of a binary stream in data compression procedures. Communication Equipment. 2022. No. 1 (157). Pp. 61–68. (In Rus.)Иванов В.А., Конышев М.Ю., Маркин А.В. Концептуальная модель источника сообщений на выходе мультиплексора для исследования свойств двоичного потока в процедурах сжатия данных // Техника средств связи. 2022. № 1 (157). С. 61–68.Ivanov V.A., Konyshev M.Yu., Ivanov I.V. Application of traffic acceleration in multichannel radio communication networks. In: Information society technologies. Collection of Proceedings of the XVII International Industry Scientific and Technical Conference (Moscow, March 2–3, 2023). Moscow: Media Puplisher, 2023. Pp. 26–28.Иванов В.А., Конышев М.Ю., Иванов И.В. Применение акселерации трафика в сетях многоканальной радиосвязи // Технологии информационного общества: сб. трудов XVII Междунар. отраслевой науч.-техн. конф. (Москва, 2–3 марта 2023 г.). М.: Медиа паблишер, 2023. С. 26–28.