Журналы
Email: Пароль: Войти Регистрация
Содержание журнала, редсовет, редколлегия.

Table of contents, editorial board, editors.
В настоящее время вычислительный анализ изображений пшеницы с целью идентификации сортов пшеницы и оценкой ее качества находит много применений в сельском хозяйстве и на производстве. В данной работе предложен и реализован подход к анализу и классификации изображений образцов пшеницы, полученных методом кристаллизации с добавлениями. Исходные данные представляют набор изображений из 5 различных классов, 12 изображений для каждого класса, которые представляют результаты экспериментов для 3 вариантов концентраций и 4 временных интервалов для каждой концентрации. Все изображения имеют довольно близкие визуальные характеристики, что не позволяет успешно использовать такие известные методы, как статистики второго порядка. В качестве признакового описания изображений использовался мультифрактальный спектр, полученный методом вычисления так называемой локальной функции плотности. Классификация проводилась с помощью различных методов машинного обучения, таких как линейная регрессия, наивный байесовский классификатор, машина опорных векторов и случайный лес. В некоторых случаях для сокращения размерности признаковых характеристик использовался метод главных компонент. Результаты классификации показали, что использование мультифрактального спектра в качестве классификационного признака и метода случайного леса в комбинации с методом главных компонент позволяет идентифицировать изображения, полученные методом чувствительной кристаллизации, с наибольшей средней точностью классификации в 74 %. С. 5-20.

The computational analysis of wheat images to identify wheat varieties and quality has wide applications in agriculture and production. This paper presents an approach to the analysis and classification of images of wheat samples obtained by the method of crystallization with additives. In tests 3 concentration and 4 times for each concentration were used, such that each type of wheat was characterized by 12 images. We used the images obtained for 5 classes. All the images have similar visual characteristics, that makes it difficult to use statistical methods of analysis. The multifractal spectrum obtained by calculating the local density function was used as a classifying feature. The classification was performed on a set of 60 wheat images corresponding to 5 different samples (classes) by various machine learning methods such as linear regression, naive Bayesian classifier, support vector machine, and random forest. In some cases, to reduce the dimension of the feature space the method of principal components was applied. To identify the relationships between wheat samples obtained at different concentrations, 3 different clustering methods were used. The classification results showed that the multifractal spectrum as classifying sign and using the random forest method in combination with the principal component analysis allow identifying wheat samples obtained by crystallization with additives, being the highest average classification accuracy is 74 %.

Ключевые слова: анализ изображений пшеницы, мультифрактальный спектр, метод чувствительной кристаллизации, классификация изображений.
Keywords: wheat image analysis, multifractal spectrum, sensitive crystallization method, image classification.
В литературе описано очень много задач, которые могут быть названы задачами дискретной оптимизации: от шифровки информации в Интернете (включая создание программ для криптовалют) до поиска групп <<по интересам>> в социальных сетях. Часто эти задачи очень сложны для решения на компьютере, откуда и идёт их название <<труднорешаемые>>. Точнее, сложны для решения (описания алгоритмов, программирования) возможные подходы к быстрому решению этих задач, переборное же решение, как правило, программируется просто, но работает соответствующая программа гораздо медленнее. Практически каждую из таких труднорешаемых задач можно назвать математической моделью. При этом часто и сама модель, и алгоритмы, предназначенные для её решения, создаются для одной предметной области, но могут найти применение и~во многих других областях. Примером такой модели является задача коммивояжёра. Особенностью задачи является то, что при относительной простоте её постановки нахождение оптимального решения (оптимального маршрута) является весьма сложным и относится к так называемому классу NP-полных проблем. Более того, согласно имеющейся классификации, задача коммивояжёра является примером оптимизационной проблемы, входящей в самый сложный подкласс этого класса. Однако основной предмет статьи -- это не задача, а метод её решения, метод ветвей и границ. Он состоит из нескольких связанных между собой эвристик, и в монографической литературе подобная мультиэвристичость метода ветвей и границ ранее отмечена, по-видимому, не была: разработчики алгоритмов и программ это должны были понимать сами. При этом сам метод может быть применён с небольшими изменениями и ко многим другим задачам дискретной оптимизации. Итак, классический вариант метода ветвей и границ --- основной предмет настоящей статьи, но почти столь же важен и второй её предмет --- задача коммивояжёра, тоже в классической её постановке. Речь идёт о применении метода ветвей и~границ при решении задачи коммивояжёра, причём в отношении этого применения также можно употребить прилагательное <<классическое>>. Однако в дополнение к классической версии этой реализации мы рассматриваем новые эвристики, связанные с необходимостью разработки алгоритмов реального времени. C. 21-45.

In the computer literature, a lot of problems are described that can be called discrete optimization problems: from encrypting information on the Internet (including creating programs for digital cryptocurrencies) before searching for ``interests'' groups in social networks. Often, these problems are very difficult to solve on a computer, hence they are called ``intractable''. More precisely, the possible approaches to quickly solving these problems are difficult to solve (to describe algorithms, to program); the brute force solution, as a rule, is programmed simply, but the corresponding program works much slower. Almost every one of these intractable problems can be called a mathematical model. At the same time, both the model itself and the algorithms designed to solve it are often created for one subject area, but they can also be used in many other areas. An example of such a model is the traveling salesman problem. The peculiarity of the problem is that, given the relative simplicity of its formulation, finding the optimal solution (the optimal route). This problem is very difficult and belongs to the so-called class of NP-complete problems. Moreover, according to the existing classification, the traveling salesman problem is an example of an optimization problem that is an example of the most complex subclass of this class. However, the main subject of the paper is not the problem, but the method of its solution, i.e. the branch and bound method. It consists of several related heuristics, and in the monographs, such a multi-heuristic branch and bound method was apparently not previously noted: the developers of algorithms and programs should have understood this themselves. At the same time, the method itself can be applied (with minor changes) to many other discrete optimization problems. So, the classical version of branch and bound method is the main subject of this paper, but also important is the second subject, i.e. the traveling salesman problem, also in the classical formulation. The paper deals with the application of the branch and bound method in solving the traveling salesman problem, and about this application, we can also use the word ``classical''. However, in addition to the classic version of this implementation, we consider some new heuristics, related to the need to develop real-time algorithms

Ключевые слова: оптимизационные задачи, задача коммивояжёра, эвристические алгоритмы, метод ветвей и границ, алгоритмы реального времени.
Keywords: optimization problems, traveling salesman problem, heuristic algorithms, branch and bound method, real-time algorithms.
Для выявления участков повышенной опасности на дорогах штата Массачусетс применяется метод кластеризации DBSCAN. Исследуются серьезные (то есть приведшие к~летальному исходу или травмам) дорожно-транспортные происшествия (ДТП) с 2013 по 2018 годы. Алгоритм DBSCAN был также применен к набору равномерно распределенных по дорожной сети точек для определения порога в численности ДТП, после которого кластер можно считать статистически достоверным. Было произведено сравнение двух метрик расстояния: эвклидовой и сетевой. Показано, что обе метрики эквивалентны, если минимальное расстояние между отдельными ДТП в кластере не превышает 10 метров. Последний результат позволяет обосновать гибридный метод кластеризации, применимый для нахождения участков повышенной опасности на дорогах: для нахождения компактных кластеров можно использовать обычные эвклидовы расстояния между ДТП, а дорожную сеть использовать только для генерации равномерно распределенных по сети точек, нужных для выявления достоверных кластеров методом Монте-Карло. Гибридный метод позволяет обработать десятки тысяч ДТП, располагая сравнительно скромными вычислительными ресурсами. Анализ кластеров, выявленных на протяжении нескольких последовательных лет, позволяет сделать вывод об их стабильности и прогностической ценности. С. 46-58.

DBSCAN clustering method is applied to identify severe Traffic Accident (TA) hotpots on roads. The research examines severe TA, defined as those that led to human damage (injury or death), in the city of Newton, MA and in the entire state of Massachusetts, USA from 2013 to 2018. DBSCAN algorithm was also applied to network-constrained uniformly distributed over road network data to locate threshold in number of points per cluster so that all more populated clusters identified in real data can be treated as statistically significant. For DBSCAN algorithm two types of distance metrics, Euclidean and over Network, were compared. It is found that both distances are equivalent on scale of 10 meters, which justifies hybrid approach to clustering: using Network distance only to generate uniformly distributed points needed for Monte-Carlo simulations. All clustering can be performed using Euclidean distances which is much faster and more memory efficient. Subsequent years analysis demonstrates the extend that hotspots identified are stable and occur consecutively for several years and hence may possess predictive value.

Ключевые слова: транспорт ДТП кластер DBSCAN статистическое испытание Монте-Карло Массачусетс.
Keywords: vehicle traffic accident hotspot cluster DBSCAN simulation Monte-Carlo Massachusetts.
Статья описывает подход к выявлению аномалий применительно к беспроводным сенсорным сетям (БСС). Он основан на комбинировании методов визуального анализа данных и методов машинного обучения. Данный подход апробирован на примере БСС управления водоснабжением. Для проверки разработаны программно-аппаратный прототип системы и программная модель для генерации необходимых наборов данных для формирования моделей детектирования и их тестирования. Проведенные эксперименты показали высокое качество детектирования, что показывает применимость комбинированного подхода для выявления аномалий к~использованию на практике. С. 59-68.

This article describes an approach to revelation of anomalies for Wireless Sensor Networks (WSN). It is based on the integration of visual data analysis techniques and data mining techniques. Feasibility of the approach has been confirmed on a demo case for WSN water management scenario. For verification we developed a software/hardware prototype of the network and a software model to generate the necessary data sets for the establishment of detection models and their investigation. The experiments carried out have shown a high quality of detection, which shows the applicability of the integrated approach to revelation of anomalies for use in practical cases.

Ключевые слова: аномалия, детектирование, машинное обучение, визуальный анализ.
Keywords: anomaly, detection, machine learning, visual analysis.
В настоящее время онтологии широко используются в информатике для формализованного представления знаний о различных предметных областях. Разработаны и успешно применяются специальные формальные языки описания онтологий, которые позволяют описывать онтологии в форме, доступной для использования как человеком, так и компьютером. Среди разнообразных вариантов использования онтологий особое место занимает применение онтологий в образовании, поскольку систематизация и упорядочение знаний, будучи главным конкурентным преимуществом онтологического подхода, одновременно является одной из главных целей образовательного процесса. В статье предложены оригинальные приёмы построения онтологий для использования в образовательном процессе высшей школы. Центральной идеей является построение фасетных, иначе говоря, – многогранных онтологий, в которых различные аспекты одной и той же предметной области описываются концептуально схожими, но синтаксически различными средствами. Такой подход обеспечивает более точное и семантически адекватное описание при сохранении известной лаконичности и наглядности обозначений. В качестве языка описания онтологий предлагается использовать унифицированный язык моделирования UML 2, прекрасно зарекомендовавший себя при формализации во многих случаях. Изложение ведётся на примере построения онтологии дискретной математики, причём приводимые в статье диаграммы онтологий внедрены в учебные процессы Академического и Политехнического университетов Санкт-Петербурга. С. 69-85.

Currently, ontologies are widely used in computer science for the formalized representation of knowledge about various subject areas. Special formal languages for describing ontologies have been developed and are successfully used, which allow describing ontologies in a form that is accessible for use by both humans and computers.Among the various options for using ontologies, a special place is occupied by the use of ontologies in education, since the systematization and ordering of knowledge, being the main competitive advantage of the ontological approach, is at the same time one of the main goals of the educational process. The article proposes original methods of constructing ontologies for use in the educational process of higher education. The central idea is the construction of faceted, in other words, multifaceted ontologies, in which different aspects of the same subject area are described by conceptually similar, but syntactically different means. This approach provides a more accurate and semantically adequate description while maintaining the known brevity and clarity of designations. As a language for describing ontologies, it is proposed to use the unified modeling language UML 2, which has proven itself in formalization in many cases. The presentation is based on the example of constructing an ontology of discrete mathematics, and the ontology diagrams given in the article are introduced into the educational processes of the Academic and Polytechnic Universities of St. Petersburg.

Ключевые слова: онтология, учебный процесс, формализация знаний, систематизация знаний, дискретная математика, обучение, UML, RDF, RDFS, OWL.
Keywords: Ontology, educational process, knowledge formalization, knowledge systematization, discrete mathematics, teaching, UML, RDF, RDFS, OWL.
В статье обсуждаются проблемы, связанные с электронным и дистанционным образованием. Приводятся нормативные документы, мнения о готовности нашей образовательной системы применять новые методы и средства обучения, связанные с цифровыми технологиями. Ставиться вопрос о унификации понятий и терминов, относящихся к образовательным цифровым технологиям. С. 86-105.

The problems concerning e learning and distance learning are discussed. State regulations and assessments of teachers about preparedness our educational system to use new digital technologies are sited. It is suggested to start discussion about unification notions and terms attributed to educational digital technologies.

Ключевые слова: электронное обучение, дистанционное обучение, образовательные цифровые технологии, образовательные системы, методы и средства обучения.
Keywords: e-learning, distance learning, digital educational digital technologies, teaching methods and tools.
Для пополнения баланса выберите страну, оператора и отправьте СМС с кодом на указанный номер. Отправив одну смс, вы получаете доступ к одной статье.
Закрыть