DOI 10.17586/0021-3454-2024-67-2-200-204
УДК 004.8
ГИБРИДНЫЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ МОНИТОРИНГА ДАННЫХ ВРЕМЕННЫХ РЯДОВ СЛОЖНЫХ ОБЪЕКТОВ
Объединенный институт проблем информатики НАН Беларуси, лаборатория проблем зашиты информации; вед. научный сотрудник; доцент
Соколов Б. В.
СПИИРАН; зам. директора по научной работе; профессор
Вен-Ан Ч. .
Колледж информационной инженерии Чжэцзянского технологического университета, декан колледжа и директор департамента международного сотрудничества ;
Фу М. .
Колледж информационной инженерии Чжэцзянского технологического университета, зам. директора департамента международного сотрудничества;
Читать статью полностью
Ссылка для цитирования : Скобцов В. Ю., Соколов Б. В., Чжан В.-А., Фу М. Гибридные нейросетевые модели мониторинга данных временных рядов сложных объектов // Изв. вузов. Приборостроение. 2024. Т. 67, № 2.
С. 200—204. DOI: 10.17586/0021-3454-2024-67-2-200-204.
Аннотация. 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.
Аннотация. 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.
Ключевые слова: мониторинг сложных объектов, гибридные нейронные сети, классификация, регрессия, данные временных рядов
Благодарность: исследования, выполненные по данной тематике, проводились при частичной финансовой поддержке бюджетной темы FFZF-2022-0004.
Список литературы:
Благодарность: исследования, выполненные по данной тематике, проводились при частичной финансовой поддержке бюджетной темы FFZF-2022-0004.
Список литературы:
- Охтилев 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.
- 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.
- 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.
- 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.
- 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. 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.
- Kaiming H. et al. Deep Residual Learning for Image Recognition // Conf. on Computer Vision and Pattern Recognition. 2015. https://arxiv.org/abs/1512.03385.
