На правах рекламы:
ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2020 г.)
2-летний импакт-фактор РИНЦ: 0,493
2-летний импакт-фактор РИНЦ без самоцитирования: 0,425
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,932
5-летний импакт-фактор РИНЦ: 0,455
5-летний импакт-фактор РИНЦ без самоцитирования: 0,414
Суммарное число цитирований журнала в РИНЦ: 8847
Пятилетний индекс Херфиндаля по цитирующим журналам: 165
Индекс Херфиндаля по организациям авторов: 255
Десятилетний индекс Хирша: 20
Место в общем рейтинге SCIENCE INDEX за 2020 год: 165
Место в рейтинге SCIENCE INDEX за 2020 год по тематике "Автоматика. Вычислительная техника": 4

Больше данных по публикационной активности нашего журнале за 2008-2020 гг. на сайте РИНЦ

Добавить в закладки

Следующий номер на сайте

4
Ожидается:
16 Декабря 2021

Статьи из выпуска № 4 за 2019 год.

Упорядочить результаты по:
Дате публикации | Заголовку статьи | Авторам

11. Метод идентификации технического состояния радиотехнических средств с применением технологий искусственных нейронных сетей [№4 за 2019 год]
Авторы: Допира Р.В., Шведун А.А., Ягольников Д.В., Яночкин И.Е.
Просмотров: 2514
Современные радиотехнические средства военного назначения функционально и технологически усложняются, поэтому возрастает актуальность задачи создания систем функционального контроля и идентификации технического состояния радиотехнических средств. Эффективные и полностью автоматические системы идентификации технического состояния радиотехнических средств различных типов пока еще не построены. Одним из путей решения задачи является создание систем идентификации технического состояния радиотехнических средств, основанных на принципах машинного обучения. Отличительной особенностью применения обученных искусственных нейронных сетей для решения задачи идентификации технического состояния радиотехнических средств можно считать выработку прототипа наблюдаемых ситуаций, обобщений по преобладанию и подобию на множестве однотипных радиотехнических средств, а также высокую оперативность и достоверность решения данной задачи. В статье представлен метод идентификации технического состояния радиотехнических средств с использованием прецедентных принципов машинного обучения искусственных нейронных сетей. С его помощью в реальном масштабе времени решается задача идентификации текущих классов технического состояния радиотехнических средств на основе результатов измерений контролируемых параметров их основных систем. С учетом специфики решаемой задачи обоснован выбор многослойной нейронной сети прямого распространения, включающей три скрытых слоя. Количество нейронов входного слоя определяется количеством контролируемых параметров технического состояния основных систем ра-диотехнических средств конкретного типа, а нейронов выходного слоя – количеством возможных классов технического состояния радиотехнических средств. Элементарные преобразователи данной сети имеют функцию активации сигмоидального вида. Для обучения искусственной нейронной сети применяется эвристическая модификация алгоритма Левенберга–Марквардта.

12. Проектирование быстрой программной реализации специализированной нейросетевой архитектуры с разреженными связями [№4 за 2019 год]
Автор: Федоренко Ю.С.
Просмотров: 2099
Статья посвящена разработке быстрой программной реализации специализированной нейросетевой архитектуры. Конструирование признаков является важнейшим этапом в решении любой задачи машинного обучения. Алгоритмы ручного отбора признаков в настоящее время теряют свою популярность в ряде задач, уступая глубоким нейросетям. Однако применение глубоких моделей ограничено в задачах онлайнового (динамического) обучения, поскольку они не способ-ны обучаться в режиме реального времени. Кроме того, их использование в высоконагруженных системах затруднительно из-за вычислительной сложности. В одной из работ автором совместно с коллективом была предложена архитектура нейронной сети, позволяющая осуществлять автоматический подбор признаков и при этом обучаться в режиме реального времени. Однако специфическая разреженность связей в этой архитектуре затрудняет ее реализацию на базе стандартных библиотек для работы с глубокими нейросетями. Поэтому было принято решение сделать собственную реализацию предложенной архитектуры. В статье рассмотрены структуры данных и алгоритмы, разработанные при написании программной реализации. Подробно описан процесс обработки примеров с позиции программной си-стемы при предсказании и обучении модели. Для более полного описания особенностей реализа-ции системы приведены UML-диаграммы классов, последовательностей и активности. Проведены эксперименты по сравнению быстродействия созданной реализации и реализаций аналогичной нейросетевой архитектуры на базе библиотек для работы с глубокими нейросетями. Анализ показал, что разработанная реализация работает на порядок быстрее реализаций на базе фреймворков для глубокого обучения. Такое ускорение связано с тем, что она оптимизирована под конкретную нейросетевую архитектуру в отличие от библиотек, рассчитанных на работу с широким классом нейронных сетей. Также экспериментальный анализ показал, что разработанная реализация нейросети работает всего на 20–30 % медленнее, чем простая логистическая регрессия с хешированием признаков, что позволяет использовать ее в высоконагруженных системах.

13. Особенности применения нейро-сетевых моделей для классификации коротких текстовых сообщений [№4 за 2019 год]
Авторы: Дли М.И., Булыгина О.В.
Просмотров: 2491
В настоящее время органы государственной власти активно развивают технологии электронно-го взаимодействия с организациями и населением. Одной из ключевых задач в данной сфере является классификация поступающих сообщений, необходимая для их оперативной обработки. Одна-ко особенности таких сообщений (небольшой размер, отсутствие четкой структуры и т.д.) не позволяют применять традиционные подходы к анализу текстовой информации. Для решения указанной проблемы предложено использовать нейро-сетевые модели (искусственные нейронные сети и нейро-нечеткий классификатор), которые позволяют находить скры-тые закономерности в документах, написанных на естественном языке. Выбор конкретного метода определяется подходом к формированию тематических рубрик: сверточные нейронные сети при однозначном определении рубрик, рекуррентные нейронные сети при значимом порядке слов в названиях рубрик, нейро-нечеткий классификатор при пересечении тезаурусов рубрик.

14. Особенности портирования Robot Operating System на программно-аппаратную платформу «Эльбрус» [№4 за 2019 год]
Авторы: Тачков А.А., Вуколов А.Ю., Козов А.В.
Просмотров: 2686
Наиболее распространенным вспомогательным фреймворком, облегчающим разработку си-стем управления мобильными роботами, является ROS (Robot Operating System), однако его полноценная поддержка только для операционных систем Ubuntu/Debian Linux приводит к ограничению возможности использования вычислительных средств отечественного производства в составе проектируемых систем управления. Авторами статьи было осуществлено портирование ROS версии Melodic Morenia на отечественную программно-аппаратную платформу «Эльбрус» (вычисли-тельный комплекс на базе процессора «Эльбрус-4С»). В данной работе рассмотрены основные особенности процесса портирования, связанные с отличиями операционной системы «Эльбрус» от большинства существующих дистрибутивов Linux, а также согласование различающихся между собой версий имеющегося на платформе «Эльбрус» и требуемого в ROS программного обеспечения. Так как часть используемых при сборке ROS библиотек имеют зависимости, полностью удовлетворяемые на целевой платформе, данные библиотеки были упакованы в deb-пакеты для повторного применения на аналогичных вычислительных комплексах. Кроме того, разработаны сценарии автоматизированной сборки и развертывания подготовленного к работе ROS. В статье описано тестирование работоспособности ROS на программно-аппаратной платформе «Эльбрус» применительно к задаче построения многослойной карты проходимости системой управления мобильного робототехнического комплекса на основе представленных облаком точек данных от сканирующих дальномеров. Приведены сравнительные результаты по временным интервалам обработки облака точек классификаторами, а также по времени обновления слоев карты, полученные для одной и той же версии ROS на вычислительных комплексах на базе процессоров «Эльбрус-4С», Intel Core i3-3220 и Intel Core i7-6700HQ. Сделан вывод о полной работоспособности ROS Melodic Morenia при развертывании на программно-аппаратной платформе «Эльбрус».

15. Визуализация земной поверхности в имитационных системах [№4 за 2019 год]
Авторы: Гиацинтов А.М., Мамросенко К.А., Баженов П.С.
Просмотров: 2283
Визуализация планет применяется во многих отраслях – при разработке геоинформационных систем, мультимедийных и имитационных систем, тренажеров. В данной статье описаны подходы к отображению поверхности Земли, обеспечивающие визуализацию в режиме реального времени. Названы проблемы, которые возникают при визуализации протяженных ландшафтов, связанные с производительностью, преобразованием систем координат, точностью визуализации. В работе представлен подход к визуализации поверхности Земли, основанный на применении текстурных выборок (clipmap). Он позволяет упростить подготовку данных для различных частей земной поверхности, а также сократить количество наборов подготавливаемых данных как подстилающей поверхности, так и текстур с данными высот. Для реализации предлагаемого подхода была разработана архитектура компонента генерации и визуализации земной поверхности, встраиваемого в существующие системы визуализации. Преимуществами такой архитектуры являются отсутствие необходимости в разработке собственной специализированной системы визуализации с нуля и возможность использования существующих как открытых, так и проприетарных систем визуализации. Вычислительная нагрузка распределяется по доступным потокам в пуле потоков. Одним из примеров многопоточной обработки является создание вызовов прорисовки, которые будут отправлены в систему визуализации. Алгоритм обработки поступающих вызовов про-рисовки зависит от реализации интеграционного слоя с конкретной системой визуализации. Архитектурой компонента предусмотрена возможность задания времени, в течение которого будет производиться обработка данных внутри компонента. После выполнения каждой операции подсчитывается время, затраченное на выполнение операции, и определяется возможность продолжения обработки других задач. При превышении временного бюджета обработка задач будет прекращена до следующего вызова обновления компонента.

16. Метод и программные средства интеллектуальной поддержки принятия логистических решений [№4 за 2019 год]
Авторы: Борисов В.В., Рязанов А.В.
Просмотров: 1656
В статье предложен метод интеллектуальной поддержки принятия логистических решений, позволяющий комплексно решать следующие задачи: определение требуемых ресурсов при распределении заказов по территориальным зонам, разбиение территории логистического обслуживания на зоны на основе генетической кластеризации, распределение заказов по зонам с учетом их назначений, нечеткое оценивание и назначение логистических средств для выполнения заказов на основе модифицированного метода Г. Куна. Разработана совокупность способов для реализации этапов метода интеллектуальной поддержки принятия логистических решений, а именно: способы разбиения территории обслуживания на зоны на основе генетической кластеризации, определения требуемого количества логистических средств (ресурсов) при распределении заказов по зонам на основе скользящего временно-го окна, распределения заказов по зонам и назначения логистических средств для выполнения заказов на основе модифицированного метода Г. Куна. Оценка распределения заказов по зонам и назначение логистических средств базируются на обоснованном в статье интегральном показателе степени соответствия логистических средств и заказов, для определения которого разработана каскадная нечеткая продукционная модель, поз-воляющая учитывать разнокачественные характеристики логистических средств и различные стратегии распределения заказов. Разработаны алгоритмы и программные средства, реализующие предложенный метод интел-лектуальной поддержки логистических решений. Программные средства включают в себя, во-первых, подсистему зонального разбиения территории, состоящую из программных модулей генетической кластеризации и зонального разбиения, во-вторых, подсистему распределения заказов и назначения логистических средств, состоящую из программных модулей определения требуемого количества логистических средств для зон, оценки соответствия между логистическими средствами и заказами, назначения логистических средств. Выполнена сравнительная оценка, подтверждающая повышение качества принимаемых логистических решений за счет использования предлагаемого метода и программных средств.

17. Модель и алгоритм выбора программной архитектуры для систем Интернета вещей [№4 за 2019 год]
Автор: Ядгарова Ю.В.
Просмотров: 1697
В статье приведены аналитическая модель оценки стоимости и алгоритм выбора базового шаблона программных архитектур и тактик проектирования для систем Интернета вещей. Обобщено понятие IoT-технологий, сделан обзор параметров качества программных систем, выделены основные значимые параметры применительно к системам Интернета вещей, приведены методы их достижения. Необходимые параметры качества программных систем достигаются реализацией базового шаблона программной архитектуры и сопутствующих тактик проектирования. В работе представлена аналитическая модель зависимости трудоемкости проекта, рассчитан-ной по методике COCOMO II, от используемых элементов программной архитектуры. Приведен алгоритм поиска базового шаблона архитектуры и тактик проектирования. Указанный алгоритм построен на основе локального поиска при решении задачи удовлетворения ограничений с минимизацией функции трудоемкости, при этом в расчет принимаются предпочтения пользователя при выборе шаблона. Модель и алгоритм позволяют выбирать наиболее подходящие для конкретного типа проекта шаблоны архитектуры и тактики на ранних этапах проектирования. Указанный подход позволяет сократить ошибки в построении программной архитектуры на начальном этапе при выборе шаблона IoT-архитектуры. Рассмотрено применение данного подхода в проекте разработки системы гибкого управления рабочими пространствами. Применение подхода целесообразно для достижения требуемых параметров качества системы и минимизации ошибок при выборе программной архитектуры на начальных стадиях проекта, что в конечном итоге ведет к снижению его стоимости. Подход может также применяться при создании работоспособных прототипов в сжатые сроки.

18. Компонент для интеграции исполняемых программ на языке программирования Kotlin в интернет-ресурсы [№4 за 2019 год]
Авторы: Прендота А.В., Балакшин П.В.
Просмотров: 1698
Статья представляет собой обзор задач, методов и средств как обучения, так и работы с языком программирования Kotlin. Данный язык был создан как альтернатива другим популярным языкам программирования, работающим на базе JVM (Java Virtual Machine), а также применяемым при написании различных Android- и iOS-приложений. В силу нивелирования неудобств конкурентных языков программирования с 2017 года Kotlin стал официальным инструментом для операционной системы Android. Показана важность создания и поддержки онлайн-среды программирования в качестве полно-ценного обучающего ресурса. Использование онлайн-среды в обучающих курсах дает возможность создавать примеры программ для изучения стилистических особенностей языка в виде кода, исполняемого непосредственно в браузере. Такой подход позволяет привлечь новых пользователей, а также обеспечить разработку новых проектов даже при отсутствии полноценной среды раз-работки на вычислительной машине программиста-разработчика, в том числе за счет наличия подсветки синтаксиса и автодополнения кода. Представлен краткий анализ существующих онлайн-сред, выделены их недостатки, связанные с проблемами интеграции на сторонние сайты, малым количеством наглядных примеров, а также отсутствием подсветки синтаксиса и автодополнения кода. Кроме того, в статье предоставлена информация о способах решения ряда проблем, связанных с написанием и исполнением кода на языке Kotlin. Рассмотрены использование библиотеки Kotlin Playground, которая преобразует HTML-блоки в определенные редакторы кода, что дает возможность исполнять созданные редак-торы непосредственно в браузере, а также такие функциональности библиотеки Kotlin Playgroud, как исполнение и компиляция кода под различные платформы, возможности разметки, автодополнения кода и подсветки, создание и исполнение тестовых сценариев, работа с API. Данный функционал позволяет пользователю адаптировать каждый компонент онлайн-среды под свои нужды и осуществлять грамотную интеграцию полученной среды в интернет-ресурсы. Представлены примеры работы функций библиотеки Kotlin Playground, ее синтаксис, правила установки и дальнейшей загрузки с помощью Node Package Manager, а также использования дан-ной библиотеки. В заключении статьи приведена ссылка на документацию и обозначены распространенные российские и международные образовательные онлайн-платформы, на которых уже реализованы или реализуются обучающие курсы по Kotlin c использованием библиотеки Kotlin Playground.

19. Реализация экспертной системы для оценки инновационности технических решений [№4 за 2019 год]
Авторы: Иванов В.К., Образцов И.В., Палюх Б.В.
Просмотров: 2379
Представлено возможное решение задачи алгоритмизации количественной оценки показателей инновационности технических изделий, изобретений, технологий. Введены понятия технологической новизны, востребованности и имплементируемости – составных частей критерия инновационности продукта. Предложены модель и алгоритм вычисления каждого из указанных показателей инновационности в условиях неполноты и неточности, а иногда и противоречивости исходной информации. В статье описывается разработанное специализированное ПО, которое является перспективным методологическим инструментом для использования интервальных оценок в соответствии с теорией свидетельств. Эти оценки применяются при анализе сложных многокомпонентных систем, агрегации больших объемов нечетких и неполных данных различной структуры. Представ-лены состав и структура мультиагентной экспертной системы, назначение которой – групповая обработка результатов измерений и оценок значений показателей инновационности объектов. Определяются активные элементы системы, их функциональность, роли, порядок взаимодействия, входные и выходные интерфейсы, общий алгоритм функционирования ПО. Описывается реализация программных модулей, приводится пример решения конкретной задачи по определению уровня инновационности технических изделий. Разработанные подход, модели, методика и ПО могут быть использованы в реализации технологии хранилища характеристик объектов, обладающих значительным инновационным потенциалом. Формализация исходных данных задачи существенно повышает адаптивность предложенных методов к различным предметным областям. Появляется возможность обработки данных различной природы, полученных в результате опроса экспертов, из поисковой системы или даже с измерительного устройства, что способствует повышению практической значимости представленной разработки.

20. Метод формирования приоритетного перечня автоматизируемых органов управления в системах специального назначения и его программная реализация [№4 за 2019 год]
Авторы: Лясковский В.Л., Бреслер И.Б., Алашеев М.А.
Просмотров: 2173
В статье рассматриваются метод формирования приоритетного перечня органов управления распределенных информационно-управляющих систем (РИУС) специального и военного назначения, подлежащих оснащению средствами автоматизации, а также его программная реализация в составе системы поддержки принятия решений. Необходимость разработки и применения данного метода обусловлена тем, что создание РИУС, как правило, осуществляется в несколько этапов на протяжении длительного времени, что связано в основном с высокой трудоемкостью и стоимостью разработки, изготовления и поставки комплексов средств автоматизации, а также с ограниченными финансовыми ресурсами, технологическими и производственными возможностями всех субъектов – участников этого процесса. При этом интуитивно понятно, что оснащение одних органов управления средствами автоматизации может привносить более значимый вклад в повышение эффективности всей системы, чем автоматизация других органов управления. Однако в настоящее время отсутствует формализованный метод, позволяющий обосновать последовательность оснащения органов управления средствами автоматизации на основании учета их наиболее значимых параметров и характеристик. В связи с этим разработка метода формирования приоритетного перечня органов управления РИУС является важной практически значимой задачей. Предлагаемый метод заключается в последовательной оценке каждого органа управления в соответствии с разработанной системой классификационных признаков. При этом все классификационные признаки иерархически взаимосвязаны, важность их убывает от первого к последнему. Применение данного метода связано с необходимостью сбора, хранения и обработки массивов исходных данных. Для повышения удобства его использования, сокращения времени обработки информации и снижения количества ошибок, связанных с человеческим фактором, авторами осуществлена программная реализация метода как составной части разрабатываемой системы поддержки принятия решений. Метод может быть использован заказывающими органами и научно-исследовательскими организациями при обосновании последовательности работ по созданию и развитию РИУС.

← Предыдущая | 1 | 2 | 3 | Следующая →