«Системы и средства информатики»
Том 35, Выпуск 4, 2025г.

Оглавление | Об авторах

Аннотации и ключевые слова

Оптимизация синтеза последовательностных самосинхронных схем по синхронному описанию

• Л. П. Плеханов  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, lplekhanov@inbox.ru
• Ю. Г. Дьяченко  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, diaura@mail.ru
• Д. В. Хилько  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, dhilko@yandex.ru
• Г. А. Орлов  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, Orlov.jaja@gmail.com

Аннотация: Рассматривается проблема автоматизации проектирования самосинхронных (СС) цифровых схем, представляющих собой альтернативу синхронной схемотехнике, в части синтеза последовательностных устройств. Проектирование СС-схем, обладающих рядом существенных преимуществ в сравнении с синхронными аналогами, требует специфического подхода и учета особенностей дисциплины функционирования СС-схем. Наибольшую трудность представляют формализация и автоматизация синтеза последовательностных СС-устройств. Предлагается использовать для этого метод формализованной подстановки предварительно разработанных адекватных шаблонов. Он заключается в анализе исходного описания синхронного аналога синтезируемой СС-схемы с помощью программных средств логического синтезатора синхронных схем Yosys с открытым кодом, поиске фрагментов, реализуемых устройствами с памятью, и замене их СС-шаблонами, Verilog- описаниями соответствующих последовательностных СС-устройств. Приведены примеры шаблонов и описана разработанная методика их применения в процессе конвертирования исходного синхронного описания синтезируемой схемы в ССФеп^-описание. Подстановка шаблонов в описание синтезируемой схемы избавляет от необходимости их индивидуального синтеза с учетом специфики СС-схем. Предлагаемый подход обеспечивает минимальные аппаратные затраты и оптимальное быстродействие и гарантирует самосинхронность получаемых схемотехнических реализаций цифровых устройств.

Ключевые слова: самосинхронные схемы; автоматизированный логический синтез; шаблон; последовательностные схемы; конверсия; Verilog

О применении древовидных алгоритмов разрешения конфликтов в процедуре случайного множественного доступа для устройств 5G NB-IoT

• В. А. Бесчастный  Российский университет дружбы народов им. Патриса Лумумбы, beschastnyy-va@rudn.ru
• А. М. Тюрликов  Санкт-Петербургский государственный университет аэрокосмического приборостроения, turl ikov@guap. ru
• Н. В. Степанов  Санкт-Петербургский государственный университет аэрокосмического приборостроения, stepanov.nikita@guap.ru
• В. С. Шоргин  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, vshorgin@ipiran.ru

Аннотация: Современные IoT-приложения характеризуются более строгими требованиями к задержке, чем те, что определены для 5G Massive Machine- Type Communications в ITU-R M.2410, например менее 10 мс. Для этого консорциум 3GPP (3rd Generation Partnership Project) определил несколько процедур для снижения задержки доступа в системе 5G NB-IoT (Narrowband Internet-of-Things). Однако эти процедуры чисто ALOHA-типа и не используют информацию, которая может быть доступна на базовой станции (БС) NB-IoT. В данной работе рассмотрены два расширения процедуры случайного доступа на основе древовидных алгоритмов разрешения конфликтов. Полученные результаты показывают, что блокируемый алгоритм характеризуется большей на 25%-35% пропускной способностью по сравнению с блокируемым алгоритмом. При этом с точки зрения задержки рассматриваемые алгоритмы могут быть эффективно использованы, когда предлагаемая нагрузка не превышает 70%-80% от максимальной пропускной способности.

Ключевые слова: 5G; NB-IoT (Narrowband Internet-of-Things); канал случайного доступа (RACH); задержка; древовидный алгоритм разрешения конфликтов

Нейро-нечеткая модель и прецедентная экспертная система трансформационного гибридного интеллекта прогнозирования исходов острого панкреатита

• С. Б. Румовская  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, sophiyabr@gmail.com

Аннотация: При полиморбидных, полиэтиологических заболеваниях со сложной клинической картиной и фазовым течением, подобных острому панкреатиту (ОП), в случае развития инфекционных осложнений и при отсутствии адекватной тактики лечения и хирургического пособия летальность может достигать 100%. Улучшение результатов лечения пациентов с ОП возможно путем раннего прогнозирования инфекционных осложнений и возможного летального исхода, выделяя таким образом наиболее тяжелую группу пациентов с целью своевременной комплексной интенсивной терапии и адекватного хирургического лечения. Используемые методы и подходы в большинстве случаев максимально информативны только к концу вторых- третьих суток, в то время как эффективность терапевтического воздействия наибольшая в первые-вторые сутки. Следовательно, необходимо перейти к персонализированным интегрированным алгоритмам прогнозирования. В работе представлены результаты разработки гетерогенного модельного поля (ГМП) трансформационной модели, разрабатывающейся как "нейро-нечеткая прецедентная экспертная система (ЭС)>>. Данная модель представляет собой часть разрабатываемых кооперативных самонастраивающихся гибридных интеллектуальных систем (ГиИС) персонализированной оценки состояния пациента (на примере ОП).

Ключевые слова: гибридная интеллектуальная система; нейро-нечеткая система; прецедентная экспертная система; прогнозирование в медицине; острый панкреатит

Архитектура системы семантического анализа научно-технических документов

• А. В. Кан  Bсероссийский институт научной и технической информации Российской академии наук; Московский авиационный институт, kanav@viniti.ru
• Ал-др А. Хорошилов  Bсероссийский институт научной и технической информации Российской академии наук; Московский авиационный институт, khoroshilov@viniti.ru
• И. А. Чечулин  Bсероссийский институт научной и технической информации Российской академии наук, chechulin@viniti.ru
• С. А. Ступников   Федеральный исследовательский центр "Информатика и управление" Российской академии наук; Всероссийский институт научной и технической информации Российской академии наук, sstupnikov@frccsc.ru
• Ю. В. Никитин  Национальный исследовательский центр "Институт имени Н. Е. Жуковского", yuri. v. nikitin@gmail. com
• Ал-ей А. Хорошилов   Bсероссийский институт научной и технической информации Российской академии наук, khoroshilovaa@viniti.ru

Аннотация: Рассматривается новая функциональная архитектура системы семантического анализа (ССА) научно-технических документов (НТД). Система относится к категории интеллектуальных платформ для агрегации и анализа НТД. Основное методологическое решение, отличающее ее от существующих систем и нацеленное на повышение эффективности и качества обработки НТД, состоит в использовании адаптируемого под различные отрасли науки и техники комплекса декларативных средств, реализующих концепцию фразеологического концептуального анализа текстов (ФКАТ), предполагающую объединение результатов графематического, морфологического, концептуального и семантико-синтаксического анализа текста в формализованную модель метаданных (ФММ). Рассмотрены составляющие архитектуру подсистемы и модули, описано их функционирование и взаимодействие. Один из наиболее важных компонентов системы - автоматически формируемые и настраиваемые на отрасль знания морфологические, семантико-синтаксические и концептуальные словари, обеспечивающие актуальность комплекса лингвистических ресурсов. Рассмотрена классификация ССА текстов и реализуемых ими методов, место системы новой архитектуры в классификации и ее отличительные черты.

Ключевые слова: фразеологический концептуальный анализ текстов; семантический анализ текстов; обработка научно-технических текстов

Движение, скорость и траектории представлений ключевых слов в векторном пространстве языковой модели

• М. М. Шарнин  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, mc@keywen.com
• Н. В. Сомин  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, chri-soc@уandex.ru

Аннотация: Предложен метод расчета положений, скоростей и эволюционных траекторий ключевых слов в векторном пространстве статической языковой модели. Семантическое расстояние между векторами слова в моменты времени ti и t2 определяется как косинусное расстояние между этими векторами. Скорость семантических изменений вычисляется как семантическое расстояние, деленное на t2 - ti. Скорость семантических изменений выражает, насколько быстро меняется значение/семантика слова, его контекст, положение в векторном пространстве и семантически близкие слова. Метод позволяет рассчитывать скорости и эволюционные траектории тем, представляющих совокупность нескольких родственных ключевых слов. Для расчета скоростей и траекторий в анализируемый исходный текст вставляются специальные эволюционные метки рядом со словами из интересующей темы. Рассматривается случай скоростей и траекторий ключевых слов в области "машинного обучения", полученных из библиотеки PubMed. Векторы ключевых слов и их изменения во времени рассчитываются с помощью нейросети Word2Vec. Представлена семантическая карта, позволяющая визуально оценить эволюционные траектории и скорости. Она основана на алгоритме PCA (Principal Component Analysis), позволяющем получить проекцию траекторий на двумерную (2D) плоскость.

Ключевые слова: скорость семантических изменений; эволюционные траектории; векторное пространство; статическая языковая модель

Метаэвристические алгоритмы для идентификации параметров трехмерной модели снижения усталостной жесткости композиционных материалов

• А. В. Пантелеев  Московский авиационный институт (национальный исследовательский университет), Институт "Компьютерные науки и прикладная математика", avpanteleev@inbox.ru
• Н. В. Турбин  Московский авиационный институт (национальный исследовательский университет), Институт "Передовая инженерная школа", turbinnv@mai.ru
• И. С. Надоров  Московский авиационный институт (национальный исследовательский университет), Институт "Компьютерные науки и прикладная математика", nnadorovivan@gmail.com
• Н. О. Кононов   Московский авиационный институт (национальный исследовательский университет), Институт "Авиационная техника", kononovno@mai.ru

Аннотация: Статья посвящена применению современных метаэвристических алгоритмов оптимизации для определения параметров новых математических моделей, описывающих результаты экспериментов. Предметом исследований выбрано свойство композиционных материалов, используемых в авиастроении, терять жесткость в процессе эксплуатации. Для математического моделирования процесса деградации жесткости предложено использовать систему из трех обыкновенных дифференциальных уравнений, описывающих характерные этапы процесса. Для нахождения параметров правых частей уравнений решаются две задачи условной оптимизации, в которых минимизируются отклонения решений уравнений от известных результатов испытаний композиционных материалов. Решения уравнений находятся классическими явными методами численного интегрирования различного порядка точности. Для параметрической идентификации, т. е. нахождения значений параметров правых частей дифференциальных уравнений по результатам испытаний, предлагается использовать метаэвристические методы оптимизации: модифицированный метод, имитирующий поведение стаи мотыльков, а также метод случайного поиска с последовательной редукцией области исследования. Приведены численные результаты исследования конкретного композиционного материала, иллюстрирующие эффективность предложенного подхода.

Ключевые слова: метаэвристические алгоритмы оптимизации; метод, имитирующий поведение стаи мотыльков; модель поврежденности; композиционные материалы

Построение и анализ модели прогнозирования технического состояния буксовых узлов вагонов с применением интеллектуальных методов предиктивной аналитики

• О. В. Дружинина  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, odruzhinina@frccsc.ru
• Э. Р. Корепанов  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, ekorepanov@frccsc.ru
• И. В. Макаренкова  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, imakarenkova@frccsc.ru
• В. В. Максимова  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, vmaksimova@ frccsc.ru
• А. А. Петров  Елецкий государственный университет им. И. А. Бунина, xeal91@yandex.ru

Аннотация: Статья посвящена изучению проблемы построения и анализа модели прогнозирования технического состояния буксовых узлов железнодорожных вагонов на основе применения методов искусственного интеллекта. Актуальность указанной проблемы связана с необходимостью создания и совершенствования наукоемких и энергоэффективных инструментов анализа данных в диагностике технического состояния элементов и систем транспортной инфраструктуры. Для прогнозирования состояния при обработке последовательных данных (временных рядов) предлагается использовать нейросетевую архитектуру LSTM (Long Short-Term Memory). Синтетические датасеты для обучения нейросети сгенерированы с помощью разработанной имитационной стохастической модели термоконтроля буксовых узлов. Выполненное компьютерное моделирование в среде PyTorch позволило провести сравнительный анализ результатов вычислительных экспериментов и оценить эффективность обучения LSTM в рамках рассматриваемой задачи. Построенная модель предиктивной аналитики может служить основой модуля прогнозирования ABITech Thermal Forecast Module программного комплекса диагностики технического состояния буксовых узлов.

Ключевые слова: : анализ данных; предиктивная аналитика; компьютерное моделирование; искусственные нейронные сети LSTM; временные ряды; алгоритмы машинного обучения; оценка технического состояния; интеллектуальные транспортные системы

Картографирование пахотных земель муниципальных образований Хабаровского края по данным спутника «Метеор-М» № 2

• А. С. Степанов  Дальневосточный научно-исследовательский институт сельского хозяйства, stepanfx@mail.ru
• Л. В. Илларионова  Вычислительный центр Дальневосточного отделения Российской академии наук, illarionova_l@list.ru
• К. Н. Дубровин  Вычислительный центр Дальневосточного отделения Российской академии наук, k.dubrovin@ccfebras. ru
• Е. А. Фомина   Вычислительный центр Дальневосточного отделения Российской академии наук, eliz37@mail.ru
• А. Л. Верхотуров   Вычислительный центр Дальневосточного отделения Российской академии наук, andrey@ccfebras.ru

Аннотация: Рассмотрена возможность применения еженедельных композитных изображений со спутника "Метеор-М>> № 2 для классификации пахотных земель Хабаровского края. Для четырех классов растительности (соя, зерновые культуры, многолетние травы и залежь) в 2024 г. были построены средние ряды сезонного хода нормализованного вегетационного индекса (Normalized Difference Vegetation Index, NDVI) для муниципальных районов юга Хабаровского края и рассчитаны основные характеристики - значения максимума NDVI и дня наступления максимума. Выявлена статистическая значимость различий показателей для средних временных рядов NDVI разных классов растительности (р < 0,0001). На основе валидированных данных по Хабаровскому краю проведена классификация пахотных земель Бикин- ского, Вяземского районов и района им. Лазо на основе машинного обучения (алгоритм Random Forest (RF)). Средняя точность метода по результатам трехкратной кросс-валидации оказалась равной 87,6%. Для разных классов растительности значение Fl-метрики находилось в диапазоне 0,61-0,93. Были построены карты пахотных земель для южных районов Хабаровского края. Установлено, что доля залежи от общей площади пахотных земель региона превысила 30%, а посевы сои в 2024 г. составили 48%. Результаты картографирования занесены в разработанную геоинформационную систему.

Ключевые слова: пахотные земли; машинное обучение; классификация; спутниковый мониторинг; ГИС

Современные методы извлечения географического знания из больших массивов пространственных данных

• Д. А. Никишин  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, dmnikishin@mail.ru

Аннотация: Рассмотрены основные концепции представления пространственных данных и ряд современных методов анализа и извлечения географических знаний из баз географических данных, включая современные тенденции развития географического искусственного интеллекта (ИИ). Поиск знаний в базах географических данных - нетривиальный процесс, который требует понимания фундаментальных географических концепций, учета особенностей пространственного или пространственно-временного представления геообъектов и сопряженных с этим специализированных алгоритмов и который сложно реализовать с помощью прямого переноса традиционных методов интеллектуального анализа данных. Географический ИИ (Geographical Artificial Intelligence, GeoAI) представляется перспективной технологией интеллектуальной обработки пространственных данных для решения различных задач (таких как кластеризация, классификация, сегментация, интерполяция и др.), особенно в контексте анализа пространственно-временных закономерностей. Полученные результаты должны послужить отправной точкой при разработке новых подходов к извлечению географического знания.

Ключевые слова: геоданные; базы географических данных; методы извлечения географических знаний; географический искусственный интеллект

Подход к использованию анализа временных рядов для формирования гипотез в конкретно-историческом исследовании

• И. М. Адамович  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, Adam@amsd.com
• О. И. Волков  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, Volkov@amsd.com

Аннотация: Статья посвящена развитию средств поддержки конкретно-исторических исследований. Предлагаемый подход позволяет определить приоритетные направления информационного поиска посредством автоматического формирования обоснованных гипотез. Особенность подхода заключается в его ориентированности не на изолированные исторические факты, а на динамику развития конкретно-исторических процессов. Подход опирается на методы кластерного анализа временных рядов. Описаны особенности временных рядов, отражающих доступную в исторических источниках информацию об изменении тех или иных объектов и явлений в прошлом. Определены алгоритмы, наиболее соответствующие данным особенностям. Особое внимание уделено определению специфической меры сходства для таких временных рядов. Подробно рассмотрен пример данных, отражающий особенности старообрядческого предпринимательства в Российской Империи, и показано, как с помощью описанного подхода можно сделать обоснованное предположение об отнесении объекта исследования к старообрядчеству.

Ключевые слова: конкретно-историческое исследование; формирование гипотез; кластеризация; временные ряды; мера сходства

Сложность алгоритма поиска совпадений в нескольких последовательностях

• А. А. Грушо  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, grusho@yandex.ru
• М. И. Забежайло  Федеральный исследовательский центр "Информатика и управление" Российской академии наук, m.zabezhailo@yandex.ru
• В. В. Кульченков  Банк ВТБ (ПАО), vlad.kulchenkov@gmail.com
• Е. Е. Тимонина   Федеральный исследовательский центр "Информатика и управление" Российской академии наук, eltimon@yandex.ru

Аннотация: Анализ данных на предмет наличия в них следствий неизвестной, но присутствующей причины возникает во многих задачах, и в работе приведен только один из примеров, связанный с поиском признаков мошенничества среди множества получателей потребительского кредита в банке. Для построения исходных данных был выбран метод, в котором признаки мошенничества проявляются в транзакционной активности после получения кредита, а именно: признаки основываются на том, каким образом выводятся полученные средства. Приведенный пример - частный случай ситуаций, когда в ограниченном множестве прецедентов данных, имеющих большую размерность, присутствуют и повторяются следствия одной причины. В этих условиях большое значение имеет задача нахождения повторения следствий. Построен алгоритм такого поиска, имеющий сложность меньше квадратичной. Сложность построенного алгоритма поиска всех повторений в m упорядоченных последовательностях прецедентов не превосходит mN, где N - длины все прецедентов. С учетом сложности упорядочения каждого прецедента и при исходной упорядоченности всего множества характеристик сложность решения задачи не превосходит mN log2 N.

Ключевые слова: сложность задачи классификации; машинное обучение; причинно-следственные связи; поиск повторений в наборе последовательностей