priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2024-67-2-200-204pribor-24Research ArticleКРАТКИЕ СООБЩЕНИЯBRIEF NOTESГибридные нейросетевые модели мониторинга данных временных рядов сложных объектовHybrid neural network models for monitoring time series data of complex objectsСкобцовВ. Ю.SkobtsovV. Yu.

Вадим Юрьевич Скобцов – канд. техн. наук, доцент; кафедра компьютерных технологий и программной инженерии, доцент

Санкт-Петербург

Vadim Yu. Skobtsov – PhD, Associate Professor, Department of Computer Technology and Software Engineering; Associate Professor

St. Petersburg

vasko_vasko@mail.ruСоколовБ. В.SokolovB. V.

Борис Владимирович Соколов – д-р техн. наук, профессор; СПИИРАН, лаборатория информационных технологий в системном анализе и моделировании; главный научный сотрудник

Санкт-Петербург

Boris V. Sokolov – Dr. Sci., Professor; St. PetersburgInstitute for Informatics and Automation of the RAS, Laboratory of Information Technologies in System Analysis and Modeling; Chief Researcher

St. Petersburg

sokolov_boris@inbox.ruЧжанВ.-А.ZhangW.-A.

Вен-Ан Чжан – канд. техн. наук, профессор, декан колледжа и директор департамента международного сотрудничества

Ханчжоу

Wen-An Zhang – PhD, Professor,  Dean of the College and Director of International Cooperation Department

Hangzhou

wazhang@zjut.edu.cnФуМ.FuM.

Минглей Фу – канд. техн. наук, профессор, зам. директора департамента международного сотрудничества

Ханчжоу

Minglei Fu – PhD, Professor,  Deputy Director of International Cooperation Department

Hangzhou

fuml@zjut.edu.cnСанкт-Петербургский государственный университет аэрокосмического приборостроенияSt. Petersburg State University of Aerospace InstrumentationСанкт-Петербургский Федеральный исследовательский центр Российской академии наукSt. Petersburg Federal Research Center of the RASКолледж информационной инженерии Чжэцзянского технологического университетаCollege of Information Engineering of Zhejiang University of Technology202424112024672200204Copyright © Национальный исследовательский университет ИТМО, 20242024Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/24

Рассмотрена задача мониторинга состояния сложных объектов различной природы на основе классификационного и регрессионного анализа данных временных рядов. Разработаны и исследованы гибридные нейросетевые модели классификационного и регрессионного анализа с использованием данных о функционировании систем трех типов: космических аппаратов, информационной системы и экономической системы, представленных в виде временных рядов. Для всех типов систем предложенные гибридные модели показали преимущество по точности. Разработан генетический алгоритм автоматического поиска гибридных нейросетевых моделей, с помощью которого сгенерированы модели различной сложности с точностью не ниже моделей, разработанных вручную. В конце поиска отмечено, что значения фитнес-функций сгенерированных гибридных нейронных сетей близки к максимальным. Это можно рассматривать как экспериментальное подтверждение построения решения, близкого к оптимальному для определенных параметров поиска.

The problem of monitoring the state of complex objects of various natures based on classification and regression analysis of time series data is considered. Hybrid neural network models of classification and regression analysis are developed and studied using data on the functioning of three types of systems: spacecraft, information system and economic system, presented in the form of time series. For all types of systems, the proposed hybrid models demonstrate an advantage in accuracy. A genetic algorithm is developed for the automatic search of hybrid neural network models, with the help of which models of varying complexity are generated with an accuracy no lower than for models developed manually. As a result of the search, it is noted that the generated hybrid neural networks show results close to the maximum value of the fitness function. The fact is considered as experimental confirmation of the constructed solution to be close to optimal for certain search parameters.

мониторинг сложных объектовгибридные нейронные сетиклассификациярегрессияданные временных рядовmonitoring of complex objectshybrid neural networksclassificationregressiontime series dataИсследования, выполненные по данной тематике, проводились при частичной финансовой поддержке бюджетной темы FFZF-2022-0004.Research carried out on this topic was carried out with partial financial support from the budget topic FFZF-2022-0004.ReferencesОхтилев М. Ю., Мустафин Н. Г., Миллер В. Е., Соколов Б. В. Концепция проактивного управления сложными объектами: теоретические и технологические основы // Изв. вузов. Приборостроение. 2014. Т. 57, № 11. С. 7—14.Okhtilev M.Yu., Mustafin N.A., Miller V.E., Sokolov B.V. Journal of Instrument Engineering, 2014, no. 11(57), pp. 7–15. (in Russ.)Chen H., Zhang Zh. Hybrid neural network based on novel audio feature for vehicle type identification // 2020 IEEE Intern. Instrumentation and Measurement Technology Conf. (I2MTC). 25–28 May 2020. DOI: 10.1109/I2MTC43012.2020.9129183.Chen H., Zhang Zh. 2020 IEEE International Instrumentation and Measurement Technology Conference (I2MTC): Proceedings of the International Conference. May 25–28, 2020, DOI: 10.1109/I2MTC43012.2020.9129183.Zhao N. Combination of Convolution-al Neural Network and Gated Recurrent Unit for Aspect-Based Sentiment Analysis // IEEE Access. 2021. Vol. 9. P. 15561—15569. DOI: 10.1109/ACCESS.2021.3052937.Zhao N. IEEE Access, 2021, vol. 9, рр. 15561–15569, DOI: 10.1109/ACCESS.2021.3052937.Skobtsov V. Yu. Binary classification of small satellites telemetry data based on deep learning approach // Applied Aspects of Information Technology. 2021. Vol. 4, N 4. P. 299—310.Skobtsov V.Yu. Applied Aspects of Information Technology, 2021, no. 4(4), pp. 299–310.Скобцов В. Ю., Соколов Б. В. Гибридные нейросетевые модели в задаче мультиклассовой классификации данных телеметрической информации малых космических аппаратов // Вестн. ВГУ. Системный анализ и информационные технологии. 2022. № 3. С. 99—114.Skobtsov V.Yu., Sokolov B.V. Bulletin of the VSU. System analysis and information technology, 2022, no. 3, pp. 99—114. (in Russ.)Skobtsov V. Y., Stasiuk A. Automatic Searching the Neural Network Models for Time Series Classification of Small Spacecraft’s Telemetry Data with Genetic Algorithms // Artificial Intelligence Application in Networks and Systems. CSOC 2023. Lecture Notes in Networks and Systems. 2023. Vol. 724. P. 800—811.Skobtsov V.Y., Stasiuk A. Artificial Intelligence Application in Networks and Systems. CSOC 2023. Lecture Notes in Networks and Systems, 2023, vol. 724, pp. 800–811.Kaiming H. et al. Deep Residual Learning for Image Recognition // Conf. on Computer Vision and Pattern Recognition. 2015. https://arxiv.org/abs/1512.03385.Kaiming H. et al. Conference on Computer Vision and Pattern Recognition, 2015, https://arxiv.org/abs/1512.03385.

The authors declare that there are no conflicts of interest present.