• Главная
  • Каталог
  • Технологии высокопроизводительных интеллектуальных систем мультимодальной аналитической обработки разнородных данных
Скачать прайс-лист
Читать онлайн
89052974

Технологии высокопроизводительных интеллектуальных систем мультимодальной аналитической обработки разнородных данных

Под редакцией:
Авторы:
интеллектуальные системы мультимодальная аналитическая обработка искусственный интеллект эмерджентная самоорганизация мультиагентных систем
Монография Информационные технологии
Бумажная
Электронная
  • Формат: 70x100/16
  • Переплёт: твёрдый
  • Год издания: 2025 г.
  • Объём: 194 стр.
  • Объём: 15.76 п.л.
  • Номер издания: 1
  • Вес: 424 г.
  • ISBN: 978-5-7038-6507-1
  • Формат: PDF
  • Объём: 194 стр.
  • Год издания: 2025 г.
  • Номер издания: 1
  • ISBN: 978-5-7038-6507-1

О книге

Представлены результаты исследований развития аппаратных и программных средств для создания высокопроизводительных интеллектуальных систем. Описаны перспективные технологии искусственного интеллекта, способные обрабатывать графы знаний, имеющие более совершенные аналитические возможности, приближенные к деятельности человека, в частности искусственные нейро-,синергетические и семантические сети. Рассмотрены методы эмерджентной самоорганизации мультиагентных систем. Проанализированы возможности применения технологий искусственного интеллекта для обеспечения безопасности авиаполетов.
Для профессорско-преподавательского состава вузов, научно-педагогических работников и исследователей цифровых технологий и искусственного интеллекта.
Список литературы
  1. How to Build Knowledge Graphs that Enable AI-Driven Enterprise Applications // Gartner Research, 2023. URL: https://www.gartner.com/en/documents/3985680 (дата обращения: 08.12.2024).
  2. Peng C., Xia F., Naseriparsa M., Osborne F. Knowledge Graphs: Opportunities and Challenges // Artif Intell Rev. 2023. Vol. 56. No. 11. P. 13071–13102.
  3. Pavlopoulos G.A., Secrier M., Moschopoulos C.N. Using graph theory to analyze biological networks // BioData Mining. 2011. Vol. 4. No. 1. P. 10–23.
  4. Latapie H., Wang P., Liu J. A Metamodel and Framework for Artificial General Intelligence from Theory to Practice // Journal of Artificial Intelligence and Consciousness. 2021. Vol. 8. No. 2. P. 205–227.
  5. Hammer P., Kovacs L., Kiss A. A Reasoning Based Model for Anomaly Detection in the Smart City Domain // Intelligent Systems and Applications / ed. by K. Arai, S. Kapoor, R. Bhatia. Cham: Springer, 2021. Vol. 1251. P. 144–159.
  6. Cui P., Wang X., Pei J. A Survey on Network Embedding // IEEE Transactions on Knowledge and Data Engineering. 2019. Vol. 31. No. 5. P. 833–852.
  7. Hamilton W.L., Ying R., Leskovec J. Representation Learning on Graphs: Methods and Applications. URL: https://arxiv.org/abs/1709.05584 (дата обращения 08.12.2024).
  8. Speer R., Chin J., Havasi C. ConceptNet 5.5: An Open Multilingual Graph of General Knowledge. URL: https://arxiv.org/abs/1612.03975v1 (дата обращения 08.12.2024).
  9. Qian Z., Gan G. Accelerating Real-Valued FFT on CPU-FPGA Platforms // IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. 2024. Vol. 43. No. 8. P. 2532–2536. DOI: 10.1109/TCAD.2024.3377160
  10. Ingemarsson C., Källström P., Qureshi F. Efficient FPGA Mapping of Pipeline SDF FFT Cores // IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 2017. Vol. 25. No. 9. P. 2486–2497. DOI: 10.1109/TVLSI.2017.2710479
  11. Rangel-Magdaleno J.J., Romero-Troncoso R.J., Osornio-Rios R.A. FPGABased Vibration Analyzer for Continuous CNC Machinery Monitoring With Fused FFT-DWT Signal Processing // IEEE Transactions on Instrumentation and Measurement. 2010. Vol. 59. No. 12. P. 3184–3194. DOI: 10.1109/TIM.2010.2047130
  12. Zoni D., Galimberti A., Fornaciari W. Efficient and Scalable FPGAOriented Design of QC-LDPC Bit-Flipping Decoders for Post-Quantum Cryptography // IEEE Access. 2020. Vol. 8. P. 163419–163433. DOI: 10.1109/ACCESS.2020.3020262
  13. Loi K.C.C., Ko S.-B. Scalable Elliptic Curve Cryptosystem FPGA Processor for NIST Prime Curves // IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 2015. Vol. 23. No. 11. P. 2753–2756. DOI: 10.1109/TVLSI.2014.2375640
  14. Arram J., Kaplan T., Luk W. Leveraging FPGAs for Accelerating Short Read Alignment // IEEE/ACM Transactions on Computational Biology and Bioinformatics. 2017. Vol. 14. No. 3. P. 668–677. DOI: 10.1109/TCBB.2016.2535385
  15. Kim M.-S., Lee S., Kim J. GTS: A Fast and Scalable Graph Processing Method based on Streaming Topology to GPUs // Proceedings of the 2016 International Conference on Management of Data. San Francisco: ACM, 2016. P. 447–461.
  16. Harish P., Narayanan P.J. Accelerating Large Graph Algorithms on the GPU using CUDA // High Performance Computing — HiPC 2007 / ed. by S. Aluru et al. Berlin: Springer, 2007. Vol. 4873. P. 197–208.
  17. Zhou S., Chelmis C., Prasanna V.K. High-Throughput and Energy-Efficient Graph Processing on FPGA // 2016 IEEE 24th Annual International Symp. on Field-Programmable Custom Computing Machines (FCCM). Washington: IEEE, 2016. P. 103–110.
  18. Guoqiang M., Rui H., Jiangwei W. A FPGA based intra-parallel architecture for PageRank graph processing // 2020 IEEE International Conf. on Edge Computing (EDGE). Beijing: IEEE. 2020. P. 31–38. DOI: 10.1109/EDGE50951.2020.00012.
  19. Woods R., McAllister J., Lightbody G. FPGA Solutions for Big Data Applications // FPGA-Based Implementation of Signal Processing Systems. 2017. P. 273–295. DOI: 10.1002/9781119079231.ch12
  20. Popov A., Ibragimov S., Dubrovin E. Teragraph Heterogeneous System for Ultra-large Graph Processing // Supercomputing / ed. by V. Voevodin et al. Cham: Springer, 2022. Vol. 13708. P. 574–590.
  21. Попов А.Ю. Применение гетерогенной вычислительной системы с набором команд дискретной математики для решения задач на графах // Информационные технологии. 2019. Т. 25. № 11. С. 682–690.
  22. Попов А.Ю. Принципы организации гетерогенной вычислительной системы с набором команд дискретной математики // Информационные технологии. 2020. Т. 26. № 2. С. 67–79.
  23. Davidson A.A., Baxter S., Garland M. Work-Efficient Parallel GPU Methods for Single-Source Shortest Paths // 2014 IEEE 28th International Parallel and Distributed Processing Symp. Phoenix: IEEE, 2014. P. 349–359.
  24. Panda D.K., Lu X., Shankar D. High-Performance Big Data Computing. MIT Press, 2022. 272 P. URL: https://mitpress.mit.edu/9780262046855/highperformance-big-data-computing/ (дата обращения 08.03.2025).
  25. Accelerating High-Performance Computing With FPGAs: технический отчет. Altera Corporation, 2023. WP-01029-1.1. URL: https://www.intel.ru/content/dam/www/programmable/us/en/pdfs/literature/wp/wp-01029.pdf (дата обращения 24.03.2025).
  26. Arabnejad H., Barbosa J.G., Suter F. Fair Resource Sharing for Dynamic Scheduling of Workflows on Heterogeneous Systems // High-Performance Computing on Complex Environments. IEEE, 2014. P. 145–167. DOI: 10.1002/9781118711897.ch9
  27. Accelerating High-Performance Computing With FPGAs: технический отчет. Altera Corporation, 2007. WP-01029-1.1. 8 p.
  28. Integrated Cryptographic and Compression Accelerators on Intel Architecture Platforms: технический отчет. Intel Corporation, 2013. 5 p.
  29. United States Patent and Trademark Office. URL: https://www.uspto.gov/ (дата обращения 30.03.2025)
  30. PatSnap | data, analytics and expertise for innovative companies. URL: https://www.patsnap.com/ (дата обращения 30.03.2025).
  31. WIPO. World Intellectual Property Organization. URL: https://www.wipo.int/portal/en/index.html (дата обращения 30.03.2025).
  32. Search and analyse patents and publications — The Lens Free & Open Patent and Scholarly Search. URL: https://www.lens.org/lens/bio/patseqfinder (дата обращения 30.03.2025).
  33. Google Patents. URL: https://patents.google.com/ (дата обращения 30.03.2025).
  34. PubChem. URL: https://pubchem.ncbi.nlm.nih.gov/ (дата обращения 30.03.2025).
  35. Nikovski D., Esenther A., Baba А. Semi-Supervised Information Extraction from Variable-Length Web-Page Lists // Int. Conf. on Enterprise Information Systems. Milan, Italy, May 6–10, 2009. Р. 261–266.
  36. Oro E., Ruffolo M., Staab S. SXPath Extending XPath towards Spatial Querying on Web Documents // Proceedings of the VLDB Endowment. 2011. Vol. 4. No. 2. Р. 129–140.
  37. Kushmerick N. Regression testing for wrapper maintenance // AAAI Conf. on Artificial Intelligence (AAAI-99). Orlando, USA, Jule 18–22, 1999. Р. 74–79.
  38. Андреев А.М., Березкин Д.В., Козлов И.А. Подход к автоматизированному контролю работы системы извлечения данных с веб-сайтов // Информатика и ее применение. 2013. Т. 7. № 3. С. 2–13.
  39. Kushmerick N. Wrapper induction: Efficiency and expressiveness // Artificial Intelligence. 2000. No. 118. Р. 15–68.
  40. Kushmerick N. Wrapper verification // World Wide Web Journal. 2000. Vol. 3. No. 2. P. 79–94.
  41. Lerman K., Minton S., Knoblock C. Wrapper maintenance: A machine learning approach // Journal of Artificial Intelligence Research. 2003. Vol. 18. P. 149–181.
  42. Кендалл М., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973. 899 c.
  43. Kusner M., Sun Y., Kolkin N. From word embeddings to document distances // Int. Сonf. on machine learning. Lille, France, July 6–11, 2015. San Diego, California, United States: International Machine Learning Society (IMLS), 2015. P. 957–966.
  44. Salton G., Buckley C. Term-weighting approaches in automatic text retrieval // Information processing & management. 1988. Vol. 24. No. 5. Р. 513–523.
  45. Mikolov T., Chen K., Corrado G., Dean J. Efficient Estimation of Word Representations in Vector Space // Proceedings of Workshop at International Conf. on Learning Representations. Scottsdale, USA, May 2–4, 2013. Appleton, Wisconsin, United States: International Conf. on Learning Representations, 2013. P. 1–12.
  46. Devlin J., Chang M.-W., Lee K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proceedings of the 2019 Conf. of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Minneapolis, USA, June 2–7, 2019. Kerrville, Texas, United States: Association for Computational Linguistics, 2019. Vol. 1. Р. 4171–4186.
  47. Kiruthika N.S., Thailambal G. Light weight recommendation system for social networking analysis using a hybrid BERT-SVM classifier algorithm // Journal Scientific and Technical of Information Technologies, Mechanics and Optics. 2022. Vol. 140. No. 4. Р. 769–778.
  48. Krestel R., Chikkamath R., Hewel C. A survey on deep learning for patent analysis // World Patent Information. 2021. Vol. 65. Р. 102035.
  49. Lee J.S., Hsiang J. Patentbert: Patent classification with fine-tuning a pre-trained bert model. 2019. URL: https://arxiv.org/abs/1906.02124 (дата обращения 30.03.2025).
  50. PatentBERT. URL: https://github.com/jiehsheng/PatentBERT (дата обращения 30.03.2025).
  51. Bekamiri H., Hain D.S., Jurowetzki R. PatentSBERTa: A deep NLP based hybrid model for patent distance and classification using augmented SBERT // Technological Forecasting and Social Change. 2024. Vol. 206. P. 123536.
  52. PatentSBERTa. URL: https://huggingface.co/AI-Growth-Lab/PatentSBERTa (дата обращения 30.03.2025).
  53. Lee J., Yoon W., Kim S. BioBERT: a pre-trained biomedical language representation model for biomedical text mining // Bioinformatics. 2020. Vol. 36. No. 4. P. 1234–1240.
  54. Chithrananda S., Grand G., Ramsundar B. ChemBERTa: large-scale selfsupervised pre-training for molecular property prediction. 2020. URL: https://arxiv.org/abs/2010.09885 (дата обращения 30.03.2025).
  55. Song X., Salcianu A., Song Y. Fast WordPiece Tokenization //Proceedings of the 2021 Conf. on Empirical Methods in Natural Language Processing. Punta Cana, Dominican Republic, November 7–11, 2021. Kerrville, Texas, United States: Association for Computational Linguistics, 2021. P. 2089–2103.
  56. Маннинг К.Д., Рагхаван П., Шютце Х. Введение в информационный поиск. М.: Вильямс, 2011. 237 с.
  57. McKenna C., Chen H., Edwards M. The use of PatentBERT for the allocation of patent applications in the UK IPO. URL: https://www.wipo.int/edocs/mdocs/classifications/en/ipc_ce_54/ipc_ce_54_p7.pdf (дата обращения 30.03.2025).
  58. Tixier A.J.P., Nikolentzos G., Meladianos P. Graph classification with 2d convolutional neural networks // Proceedings of the 28th International Conf. on Artificial Neural Networks Artificial Neural Networks and Machine Learning: Workshop and Special Sessions. Munich, Germany, September 17–19, 2019. Cham, Switzerland: Springer, 2019. P. 578–593.
  59. Kipf T.N., Welling M. Semi-supervised classification with graph convolutional networks. 2016. URL: https://arxiv.org/abs/1609.02907 (дата обращения 30.03.2025).
  60. Perozzi B., Al-Rfou R., Skiena S. DeepWalk: Online learning of social representations // Proceedings of the 20th ACM SIGKDD International Conference on Knowledge discovery and data mining. New York, USA, August 24–27, 2014. New York, United States: Association for Computing Machinery, 2014. P. 701–710.
  61. Grover A., Leskovec J. Node2Vec: Scalable feature learning for networks // Proceedings of the 22nd ACM SIGKDD International Conf. on Knowledge discovery and data mining. San Francisco, USA, August 13–17, 2016. New York, United States: Association for Computing Machinery, 2016. P. 855–864.
  62. De Winter S., Decuypere T., Mitrović S. Combining temporal aspects of dynamic networks with Node2Vec for a more efficient dynamic link prediction // Proceedings of the 2018 IEEE/ACM International Conf. on advances in social networks analysis and mining (ASONAM). Barcelona, Spain, August 28–31, 2018. Piscataway, New Jersey: IEEE Press, 2020. P. 1234–1241.
  63. Hu F., Liu J., Li L. Community detection in complex networks using Node2vec with spectral clustering // Physica A: Statistical Mechanics and its Applications. 2020. Vol. 545. P. 123633.
  64. Графовые базы данных: святой Грааль для разработчиков? URL: https://habr.com/ru/post/274383/ (дата обращения 30.03.2025).
  65. DB-Engines Ranking. URL: https://db-engines.com/en/ranking (дата обращения 30.03.2025).
  66. Amazon Neptune. URL: https://aws.amazon.com/ru/neptune/ (дата обращения 30.03.2025).
  67. Gremlin – Apache TinkerPop. URL: https://tinkerpop.apache.org/gremlin.html (дата обращения 30.03.2025).
  68. SPARQL Query Language for RDF. URL: https://www.w3.org/TR/rdfsparql-query/ (дата обращения 30.03.2025).
  69. OpenCypher. URL: https://opencypher.org/ (дата обращения 30.03.2025).
  70. Облачное объектное хранилище – Amazon S3. URL: https://aws.amazon.com/ru/s3/ (дата обращения 30.03.2025).
  71. Meet TypeDB and TypeQL. URL: https://vaticle.com/typedb (дата обращения 30.03.2025).
  72. OrientDB Community. URL: https://orientdb.org/ (дата обращения 30.03.2025).
  73. Neo4j Graph Database & Analytics | Graph Database Management System. URL: https://neo4j.com/ (дата обращения 30.03.2025).
  74. Connect to Neo4j. URL: https://neo4j.com/docs/getting-started/languages-guides/ (дата обращения 30.03.2025).
  75. Cypher Query Language – Developer Guides. URL: https://neo4j.com/developer/cypher/ (дата обращения 30.03.2025).
  76. Fully Managed Graph Database Service | Neo4j AuraDB. URL: https://neo4j.com/cloud/platform/aura-graph-database/ (дата обращения 30.03.2025).
  77. Qazi A., Goudar R.H. An Ontology-based Term Weighting Technique for Web Document Categorization // Procedia Computer Science. 2018. No. 133. P. 75–81.
  78. Rinaldi A.M., Russo C., Tommasino C. Web Document Categorization Using Knowledge Graph and Semantic Textual Topic Detection // Computational Science and Its Applications – ICCSA. 2021. Vol. 1295. P. 40–51.
  79. Dementiev V., Kireev S. Choosing Machine Learning Algorithms for Classifying Text Documents // Communication technology. 2022. Vol. 158. No. 2. P. 22–51.
  80. Сафаров Л.С. Использование технологии text mining при автоматической обработке текста // Экономика и социум. 2023. № 1(104)-2. С. 639–642.
  81. Осмоловский И.С., Зарубина Т.В. Методика разработки экспертных систем с использованием графовой СУБД и онтологического подхода // Менеджер здравоохранения. 2023. № 6. С. 70–79.
  82. Chuprina S., Postanogov I., Nasraoui O. Ontology Based Data Access Methods to Teach Students to Transform Traditional Information Systems and Simplify Decision Making Process // Procedia Computer Science. 2016. Vol. 80. Р. 1801–1811.
  83. Smirnova E., Manyashev E., Gavrilova E. Proposals for the implementation of an automated systems for ontologies comparing // Proceedings of the 17th International Technology, Education and Development Conf. (INTED2023). Valencia, Spain, March 6–8, 2023. Valencia, Spain: International Academy of Technology, Education and Development (IATED), 2023. P. 7465–7473.
  84. UK Research and Innovation (Исследования и инновации в Великобритании) Engineering and Physical Sciences Research Council (EPSRC). URL: https://www.ukri.org/councils/epsrc/ (дата обращения 02.11.2024).
  85. Buron M., Goasdoué F., Manolescu I. Ontology-Based RDF Integration of Heterogeneous Data // Proceedings of the 23rd International Conf. on Extending Database Technology (EDBT 2020). Copenhagen, Denmark, March 30–April 2, 2020. Konstanz, Germany: OpenProceedings, 2020. P. 299–310.
  86. Lenzerini M. Managing data through the lens of an ontology // AI Magazine. 2018. Vol. 39. No. 2. P. 65–74.
  87. Eine B, Jurisch M, Quint W. Ontology-Based Big Data Management // Systems. 2017. Vol. 5. No. 3. P. 45.
  88. International Classification of Diseases 11th Revision. URL: https://icd.who.int/en (дата обращения 30.03.2025).
  89. Metathesaurus. URL: http://www.nlm.nih.gov/research/umls (дата обращения 30.03.2025).
  90. SNOMED. URL: http://www.snomed.org (дата обращения 30.03.2025).
  91. MeSH. URL: http://www.nlm.nih.gov/mesh/meshhome.html (дата обращения 30.03.2025).
  92. GALEN. URL: http://www.opengalen.org (дата обращения 30.03.2025).
  93. Papasalouros A., Kotis K., Kanaris K. Automatic generation of tests from domain and multimedia ontologies //Interactive Learning Environments. 2011. Vol. 19. No. 1. P. 5–23.
  94. Bontcheva K., Wilks Y. Automatic Report Generation from Ontologies: The MIAKT Approach // Proceedings of the 9th International Conf. on Applications of Natural Languages to Information Systems (NLDB 2004). Salford, UK, June 23–25, 2004. Berlin, Germany: Springer, 2004. P. 324–335.
  95. Веб-ориентированный программный комплекс семантической обработки электронных источников библиотечных систем по культурно-исторической психологии «Библиотека Выготского»: свидетельство о государственной регистрации программы для ЭВМ № 2022610020 / Е.В. Смирнова, Э.Р. Маняшев, А.В. Пролетарский [и др.]. Заявка № 2021681917. Дата поступления 24.12.2021. Дата публикации 10.01.2022. Бюл. № 1. 2 c.
  96. Блок верификации документов и/или их метаданных на принадлежность к предметной области с целью расширения пользовательского поискового запроса: свидетельство о государственной регистрации программы для ЭВМ № 2022661353 / Е.В. Смирнова, Э.Р. Маняшев, E.A. Никитина. Заявка № 2022617826. Дата поступления 28.04.2022. Дата публикации 20.06.2022. 1 c.
  97. Лисин В.А., Серый А.С., Сидорова Е.А. Модель представления онтологии предметных областей на основе графовых баз данных // Вестник НГУ. Сер.: Информационные технологии. 2022. Т. 20. № 4. С. 24–38.
  98. Щукарев И.А. Особенности работы с русскоязычными онтологиями с помощью библиотеки Owlready2 на языке Python // Программные продукты и системы. 2023. Т. 36. № 2. С. 223–227.
  99. A free, open-source ontology editor and framework for building intelligent systems. URL: https://protege.stanford.edu (дата обращения 23.09.2023).
  100. Hozo – Ontology Editor. URL: http://www.gilpravo.ru (дата обращения 23.09.2023).
  101. АрхиГраф.Мир редактор онтологий / ТриниДата управление знаниями, интеграция, аналитика. URL: https://trinidata.ru/archigraph_mir.htm (дата обращения 23.09.2023).
  102. RDF Knowledge Graph Developer’s Guide / Oracle Help Center. URL: https://docs.oracle.com/en/database/oracle/oracle-database/19/rdfrm/index. html#Oracle%C2%AE-Spatial-and-Graph (дата обращения 23.09.2023).
  103. Аксенов К.А., Доросинский Л.Г., Гончарова Н.В. Системы поддержки принятия решений. М.: Юрайт, 2019. Ч. 1. 126 c.
  104. Chernyakhovskaya L.R., Shkundina R.A., Nugaeva K.R. Ontological approach to the development of decision support systems // Vestnik UGATU, 2006. No. 4. Р. 40–51.
  105. Загорулько Ю.А., Сидорова Е.А., Загорулько Г.Б. Автоматизация разработки онтологий научных предметных областей на основе паттернов онтологического проектирования // Онтология проектирования. 2021. Т. 11. № 4 (42). С. 500–520.
  106. Фаянс А.М. Построение онтологии фундаментальных понятий на основе трансдисциплинарного подхода // Онтология проектирования. 2022. Т. 12. № 4 (46). С. 454–469.
  107. Paranyushkin D. InfraNodus: Generating Insight Using Text Network Analysis // Proceedings of the World Wide Web Conference (WWW ‘19). San Francisco, USA, May 13–17, 2019. New York, United States: Association for Computing Machinery, 2019. P. 3584–3589.
  108. Paranyushkin D. Direct Visual Feedback on the Process of Ideation using Text Network Graphs Encourages a more Coherent Expression of Ideas. Paris, France: Nodus Labs, 2018. 18 p.
  109. Онтология предметной области для ретроспективного анализа патентов: свидетельство о государственной регистрации программы для ЭВМ № 2024614215 / Е.В. Смирнова, Э.Р. Маняшев, А.В. Пролетарский. Заявка № 2024612507. Дата поступления 08.02.2024. Дата публикации 21.02.2024. Бюл. № 3. 1 c.
  110. Федеральный закон от 31.07.2020 № 248-ФЗ (ред. от 05.12.2022) «О государственном контроле (надзоре) и муниципальном контроле в Российской Федерации» (с изм. и доп., вступ. в силу 11.01.2023).
  111. Мсаллам М., Сырямкин В.И. Система технического зрения интеллектуального робота для мониторинга и разметки опасных территорий // Телекоммуникации. 2022. № 8. С. 28–33. DOI: 10.31044/1684-2588-2022-0-8-28-33
  112. Булдакова Т.И., Джалолов А.Ш. Анализ информационных процессов и выбор технологий обработки и защиты данных в ситуационных центрах // Научно-техническая информация. Серия 1: Организация и методика информационной работы. 2012. № 6. С. 16–22.
  113. Христодуло О.И., Пальчевский Е.В., Павлов С.В. Прогнозирование угроз в сложных распределенных системах на основе интеллектуального анализа больших данных автоматизированных средств мониторинга // Программные продукты и системы. 2021. № 2. С. 230–236. DOI: 10.15827/0236-235X.134.230-236
  114. Buldakova T.I., Sokolova A.V. Structuring Information about the State of the Cyber-Physical System Operator // 5th Int. Conf. on Information Technologies in Engineering Education (Inforino). Moscow, Russia. 2020. Р. 1–5. DOI: 10.1109/Inforino48376.2020.9111654
  115. Преображенский Ю.П., Чопоров О.Н. Об использовании метода статистического анализа для анализа характеристик производительности сети // Вестник Воронежского института высоких технологий. 2020. № 2. С. 34–36.
  116. Кадырова Н.О., Павлова Л.В. Эффективная методика обработки многоразмерных данных большого объема // Информатика, телекоммуникации и управление. 2012. № 6 (162). С. 118–124.
  117. Булдакова Т.И., Колентьев С.В., Лифшиц В.Б., Суятинов С.И. Статистический и нейросетевой методы идентификации и прогнозирования в медицине // Информационные технологии. 2004. № 3. С. 60.
  118. Куанышева Д.Г., Плотникова И.В. Краудсорсинг как метод повышения эффективности современного предприятия // Современная экономика России: достижения, актуальные проблемы и перспективы развития: Сб. материалов Всерос. науч. конф., посвящ. памяти проф. Н.Г. Нечаева. Елецкий гос. университет им. И.А. Бунина, 06 декабря 2019 г. С. 67–72.
  119. Крупина В.В., Михаэлис С.И. Визуализация данных средствами дашбордов // Информационные технологии и математическое моделирование в управлении сложными системами. 2019. № 2. С. 41–52.
  120. Иванько А.Ф., Иванько М.А., Сизова Ю.А. Нейронные сети: общие технологические характеристики // Научное обозрение. Технические науки. 2019. № 2. С. 17–23.
  121. Wang S., Cao J., Philip S.Y. Deep learning for spatiotemporal data mining: A survey // IEEE transactions on knowledge and data engineering. 2020. Vol. 34. No. 8. Р. 3681–3700.
  122. Fayyad U. Knowledge Discovery in Databases: An Overview. // S. Džeroski, N. Lavrač, (eds) Relational Data Mining. Berlin: Springer, Heidelberg. 2001. URL: https://doi.org/10.1007/978-3-662-04599-2_2 (дата обращения 20.10.2024).
  123. Qiao C. Evaluation and development of deep neural networks for image super-resolution in optical microscopy // Nature Methods. 2021. Vol. 18. No. 2. Р. 194–202.
  124. Макаренко А.В. Глубокие нейронные сети: зарождение, становление, современное состояние // Проблемы управления. 2020. № 2. С. 3–19.
  125. Bharati P., Pramanik A. Deep learning techniques — R-CNN to mask R-CNN: a survey // Computational Intelligence in Pattern Recognition: Proceedings. 2020. Р. 657–668.
  126. Quantum of selectivity testing: detection of isomers and close homologs using an AZO based e-nose without a prior training / B.V. Goikhman, F.S. Fedorov, T.S. Dubinina [et al.] // Journal of Materials Chemistry A. 2022. Vol. 10 (15). P. 8413–8423. DOI: 10.1039/d1ta10589b
  127. Liu T., Chen Y., Li D., Yang T., Cao J. and Wu M. Drift Compensation for an Electronic Nose by Adaptive Subspace Learning. // IEEE Sensors Journal. 2020. Vol. 20 (1). P. 337–347, DOI: 10.1109/JSEN.2019.2941993
  128. Wijaya D., Sarno R., Zulaika E. Sensor Array Optimization for Mobile Electronic Nose: Wavelet Transform and Filter Based Feature Selection Approach // International Review on Computers and Software. 2016. Vol. 11 (8). P. 659–671. DOI: 10.15866/irecos.v11i8.9425
  129. Radi В., Ciptohadijoyo S., Litananda W.S., Rivai M., Hery Purnomo M. Electronic nose based on partition column integrated with gas sensor for fruit identification and classification // Computers and Electronics in Agriculture. 2016. Vol. 121. P. 429–435. DOI: 10.1016/j.compag.2015.11.013
  130. Verma P., Sinha M., Panda S. Fuzzy c-Means Clustering-Based Novel Threshold Criteria for Outlier Detection in Electronic Nose // IEEE Sensors Journal. 2021. Vol. 21 (2). P. 1975–1981. DOI: 10.1109/JSEN.2020.3020272
  131. Wijaya D., Sarno R., Zulaika E. DWTLSTM for electronic nose signal processing in beef quality monitoring // Sensors and Actuators B: Chemical. 2021. Vol. 326. P. 128931. DOI: 10.1016/j.snb.2020.128931
  132. Madrolle S., Duarte L.T., Grangeat P. and Jutten C. Supervised Bayesian Source Separation of Nonlinear Mixtures for Quantitative Analysis of Gas Mixtures. // 40th Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society (EMBC). Honolulu, HI, USA. 2018. P. 1230–1233. DOI: 10.1109/EMBC.2018.8512515
  133. Haken H. Synergetic Computers and Cognition — A Top-Down Approach to Neural Nets. 2nd ed. Berlin: Heidelberg, Springer, 2004. URL: https://doi.org/10.1007/978-3-662-10182-7 (дата обращения 20.10.2024).
  134. Dzhalolov A.S., Buldakova T.I., Proletarsky A. Socio-Economic Decision Support Module by Unstructured Data // Proceedings of the IEEE Conf. of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus). St. Petersburg and Moscow, Russia, 2020. P. 1931–1934. DOI: 10.1109/EIConRus49466.2020.9039086
  135. Суятинов С.И., Булдакова Т.И., Вишневская Ю.А. Синергетическая модель ситуационной осведомленности человека-оператора в эргатических системах управления подвижными объектами // Мехатроника, автоматизация, управление. 2022. № 6. С. 302–306.
  136. Suyatinov, S.I., Buldakova T.I., Vishnevskaya Y.A. Synergistic Model of Situational Awareness of the Human Operator // Kravets A.G., Bolshakov A.A., Shcherbakov, M. (eds). Society 5.0: Human-Centered Society Challenges and Solutions. Studies in Systems, Decision and Control. Vol. 416. P. 331–340. Cham: Springer, 2022. URL: https://doi.org/10.1007/978-3-030-95112-2_27 (дата обращения 20.10.2024).
  137. Ushakov I., Bogomolov A., Dragan S., Soldatov S. Technology for Predictive Monitoring of the Performance of Cyber-Physical System Operators Under Noise Conditions // A.G. Kravets, A.A. Bolshakov, M. Bolshakov (eds). Society 5.0: Cyberspace for Advanced Human-Centered Society. Studies in Systems, Decision and Control. Vol. 333. Cham: Springer, 2021, URL: https://doi.org/10.1007/978-3-030-63563-3_21 (дата обращения 10.11.2024).
  138. Buldakova T.I., Suyatinov S.I. Assessment of the State of Production System Components for Digital Twins Technology // A. Kravets, A. Bolshakov, M. Shcherbakov (eds). Cyber-Physical Systems: Industry 4.0 Challenges. Studies in Systems, Decision and Control. Vol. 259. Cham: Springer, 2020. DOI: 10.1007/978-3-030-32579-4_20
  139. Kridalukmana R., Lu H.Y., Naderpour M. A Supportive Situation Awareness Model for Human-Autonomy Teaming in Collaborative-Driving. Theoretical Issues in Ergonomics Science. 2020. Vol. 21(6), P. 1–26. DOI: 10.1080/1463922X.2020.1729443
  140. Costa P.D., Mielke I.T., Pereira I., Almeida J.P.A. A Model-Driven Approach to Situations: Situation Modeling and Rule-Based Situation Detection // Proc. of the 16th IEEE Int. Enterprise Distributed Object Computing Conf. Beijing, China. 2012. P. 154–163. DOI: 10.1109/EDOC.2012.26
  141. Lundberg J. Situation awareness systems, states and processes: a holistic framework // Theoretical Issues in Ergonomics Science. 2015. Vol. 16(5). P. 447–473. DOI: 10.1080/1463922X.2015.1008601
  142. Зо Л.Т., Суятинов С.И. Формирование ситуационной осведомленности на основе ментальных моделей при управлении сложными техническими объектами // Математические методы в технологиях и технике. 2021. № 2. С. 135–138.
  143. Endsley M.R. The divergence of objective and subjective situation awareness: A meta-analysis // Journal of Cognitive Engineering and Decision Making. 2020. Vol. 14(1). P. 34–53.
  144. Zaw L.T., Suyatinov S.I. Formation of Situational Awareness Based on Mental Models in the Controlling Complex Technical Objects // A.G. Kravets, A.A. Bolshakov, M. Shcherbakov (eds). Society 5.0: Human-Centered Society Challenges and Solutions. Studies in Systems, Decision and Control. Vol. 416. P. 341–349. Cham: Springer, 2022. URL: https://doi.org/10.1007/978-3-030-95112-2_28 (дата обращения 11.11.2024).
  145. Suyatinov S.I., Buldakova T.I., Vishnevskaya Y.A. Identification of Situations based on Synergetic Model // 3rd Int. Conf. on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA). 2021. P. 509–514. DOI: 10.1109/SUMMA53307.2021.9632207
  146. Ma X., Jiao L. An Effective Learning Algorithm of Synergetic Neural Network // F.L. Yin, J. Wang, C. Guo (eds). Advances in Neural Networks. Lecture Notes in Computer Science. Vol. 3173. Berlin, Heidelberg: Springer, 2004. URL: https://doi.org/10.1007/978-3-540-28647-9_44 (дата обращения 30.10.2024).
  147. Wong W.M., Loo Ch.K., Tan A.W. Parameter controlled chaotic synergetic neural network for face recognition // IEEE Conf. on Cybernetics and Intelligent Systems. 2010. P. 58–63. DOI: 10.1109/ICCIS.2010.5518581
  148. Суятинов С.И., Булдакова Т.И., Вишневская Ю.А. Построение модели ситуационной осведомленности человека-оператора на принципах синергетики // Математические методы в технологиях и технике. 2021. № 9. С. 92–96. DOI: 10.52348/2712-8873_MMTT_2021_9_92
  149. Buldakova T.I., Suyatinov S.I. Biological Principles of Integration Information at Big Data Processing // 2019 Int. Russian Automation Conf. (RusAutoCon). Sochi, Russia. 2019. P. 1–6. DOI: 10.1109/RUSAUTOCON.2019.8867710
  150. Litinskii L.B., Malsagov M.Y. The Hopfield-like neural network with governed ground state // BMC Neuroscience. 2013. Vol. 14. P. 257. URL: https://doi.org/10.1186/1471-2202-14-S1-P257 (дата обращения 30.10.2024).
  151. Hillar C.J., Tran N.M. Robust Exponential Memory in Hopfield Networks // The Journal of Mathematical Neuroscience. 2018. Vol. 8(1). URL: https://doi.org/10.1186/s13408-017-0056-2 (дата обращения 11.11.2024).
  152. Вишневская Ю.А., Булдакова Т.И. Применение синергетической модели для распознавания символов // Южно-Уральская молодежная школа по математическому моделированию: сб. тр. Челябинск: Изд. центр ЮУрГУ, 2021. С. 58–63.
  153. Shen Z.-H., Meng J.-C., Wei Yu.-Z. A New Method of Object Recognition Based on Deep Synergetic Neural Network // DEStech Transactions on Materials Science and Engineering. 2017. DOI: 10.12783/dtmse/ammme2016/6900
  154. Суятинов С.И. Интерпретация механизма синергетической самоорганизации // Математические методы в технологиях и технике. 2022, № 11. С. 100–103. DOI: 10.52348/2712-8873_MMTT_2022_11_100.
  155. Karpov V., Tarassov V. Synergetic Artificial Intelligence and Social Robotics // Advances in Intelligent Systems and Computing. Int. Conf. on Intelligent Information Technologies for Industry. 2017. Vol. 679. P. 3–15. DOI: 10.1007/978-3-319-68321-8_1
  156. Sandamirskaya Yu., Schneegans S., Schöner G. Dynamic Field Theory: Conceptual foundations and applications to neuronally inspired cognitive and developmental robotics // Joint IEEE Int. Conf. on Development and Learning and Epigenetic Robotics. 2014. P. 4–5. DOI: 10.1109/DEVLRN.2014.6982943
  157. Schneegans S., Schöner G. Dynamic Field Theory as a Framework for Understanding Embodied Cognition // Handbook of Cognitive Science: An Embodied Approach: 1st ed. / P. Calvo, А. Gomila (Eds). Amsterdam, Boston, London, 2008. P. 241–271.
  158. Neftci E. A systematic method for configuring VLSI networks of spiking neurons // Neural Computation. 2011. Vol. 23 (10). P. 2457–2497.
  159. Lomp O. Developing dynamic field theory architectures for embodied cognitive systems with cedar // Frontiers in Neurorobotics. 2016. Vol. 10. P. 14.
  160. Schöner G., Spencer J.P. DFT Research Group. Dynamic Thinking: A Primer on Dynamic Field Theory. Oxford University Press. 2016. 288 p.
  161. Amari S.-I. Dynamics of pattern formation in lateral-inhibition type neural fields // Biological Cybernetics. 1977. Vol. 27. P. 77–87. DOI: 10.1007/BF00337259
  162. Prietula M.J., Carley K.M. Computational organization theory: Autonomous agents and emergent behavior // Journal of Organizational Computing and Electronic Commerce. 1994. Vol. 4. P. 41–83. DOI 10.1080/10919399409540216.
  163. Zeigler B.P., Muzy A. Some modeling and simulation perspectives on emergence in system-of-systems // Spring Simulation Multi-conference (SpringSim’16). Apr. 2016, Pasadena, CA, United States. Hal-01315199.
  164. Corning P.A. The re-emergence of emergence: A venerable concept in search of a theory // Journal of Complexity. 2002. Vol. 7. P.18–30. DOI: 10.1002/cplx.10043.
  165. Heylighen F., Gershenson C. The meaning of self-organization in computing // IEEE Intelligent Systems. 2003. Vol. 18. P. 72–75.
  166. Stephan A. Varieties of emergence // Evolution and Cognition. 1999. Vol. 5. No. 1. P. 50–59.
  167. Lewis T.G. Cognitive stigmergy: A study of emergence in small-group social networks // Cognitive Systems Research. 2013. Vol. 21. P. 7–21. DOI: 10.1016/j.cogsys.2012.06.002.
  168. Bedau M. Downward causation and the autonomy of weak emergence. Principia. 2008. Vol. 6. No. 1. P. 155–188. DOI: 10.7551/mitpress/9780262026215.003.0010.
  169. Halley J., Winkler D.A. Classification of emergence and its relation to selforganization // Complexity. 2008. Vol.13. P. 10–15. DOI: 10.1002/cplx.20216
  170. De Wolf T., Holvoet T. Emergence versus self-organisation: Different concepts but promising when combined // International workshop on engineering self-organising applications. 2005. Vol. 3464. P. 1–15. Berlin: Heidelberg, Springer. 2005. DOI: 10.1007/11494676_1
  171. Szabo C., Teo Y.M. Formalization of weak emergence in multiagent systems // ACM Trans. Model. Comput. Simul. 2015. Vol. 26. No. 1. P. 1–25. DOI: 10.1145/2815502.262.
  172. Fard F. H. Detecting and fixing emergent behaviors in distributed software systems using a message content independent method // In Automated software engineering (ASE), IEEE/ACM 28th Int. Сonf. on ASE. 2013. P. 746–749. IEEE. DOI: 10.1109/ASE.2013.6693148
  173. O’Toole E., Nallur V., Clarke S. Decentralised detection of emergence in complex adaptive systems // ACM Transactions on Autonomous and Adaptive Systems (TAAS). 2017. Vol. 12. No.1. P. 1–34. DOI: 10.1145/3019597
  174. Denzinger J., Kidney J. Evaluating different genetic operators in the testing for unwanted emergent behavior using evolutionary learning of behavior // Proceedings of the IEEE/WIC/ACM Int. Conf. on intelligent agent technology. Hong Kong, China. 2006. P. 23–29. DOI: 10.1109/IAT.2006.63
  175. Juurik S., Vain J. Model checking of emergent behavior properties of robot swarms // Proceedings of the Estonian Academy of Sciences. 2011. Vol. 60. No. 1. P. 48–54. DOI: 10.3176/proc.2011.1.05
  176. Chan W.K.V. Interaction metric of emergent behaviors in agent-based simulation // Proceedings of the Winter Simulation conference. 2011. P. 357–368. DOI: 10.1109/WSC.2011.6147763
  177. Agapiou J.P., Vezhneyets A., Duеñez-Guzman E.A. Melting Pot 2.0 // DeepMind. Nov. 2024. P. 1–69. DOI: 10.48550/arXiv.2211.13746.
  178. Vinyals O., Babuschkin J., Czarnecki W.M. Grandmaster level in StarCraft II using multi-agent reinforcement learning // Nature. 30 Oct. 2019. Vol. 575. No. 7782. P. 350–354.
  179. Havrylov S., Titov I. Emergence of language with multi-agent games: Learning to communicate with sequences of symbols // Advances in neural information processing systems. 2017. Vol. 30. P. 1–11.
  180. Yali Du. LIIR: Learning Individual Intrinsic Reward in Multi-Agent Reinforcement Learning // Proceedings of the 33rd Conf. Neural Information Processing Systems (NeurlIPS 2019). Vancouver, Canada. P. 4403–4414.
  181. Wang T., Gupta T., Mahajan A. RODE: Learning Roles to Decompose Multi-Agent Tasks. Submitted on 4 Oct. 2020. DOI: 10.48550/arXiv.2010.01523
  182. Wang T., Dong H., Lesser V. ROMA: Multi-Agent Reinforcement Learning with Emergent Roles. 18 March 2020. ICML (2020). DOI: 10.48550/arXiv.2003.08039 (дата обращения 28.04.2025).
  183. Leibo J.Z., Duéñez-Guzmán E., Vezhnevets A.S. Scalable Evaluation of Multi-Agent Reinforcement Learning with Melting Pot // Proceedings of Int. Conf. on Machine Learning. 14 Jule 2021. P. 6187–6199. arXiv:2107.06857v1
  184. Liu S., Lever G., Merel J. Emergent Coordination Through Competition. Submitted on 21 Feb. 2019. ICLR (2019). DOI: 10.48550/arXiv.1902.07151
  185. Johanson M.B., Hughes E., Timbers F. Emergent Bartering Behaviour in Multi-Agent Reinforcement Learning. Submitted on 13 May 2022. DOI: 10.48550/arXiv.2205.06760
  186. Алфимцев А.Н. Мультиагентное обучение с подкреплением. М.: Изд-во МГТУ им. Н.Э. Баумана, 2021. 224 с.
  187. Новожилов Г.В., Неймарк М.С., Цесарский Л.Г. Безопасность полета самолета: концепция и технология. М.: Изд-во МАИ, 2007. 196 с.
  188. Алиев Р.А., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом. М.: Радио и связь, 1990. 264 с.
  189. Балакирев В.С., Большаков А.А. Интеллектуализация организационно- технических систем управления // Методы кибернетики химико-технологических процессов. 2004. С. 130–134.
  190. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. 165 с.
  191. Минский М. Фреймы для представления знаний. М.: Энергия, 1979. 152 с.
  192. Kulik А.А. Development of a method for computation of aircraft safety control signal // Mekhatronika, Avtomatizatsiya, Upravlenie. 2020. Vol.21. No. 11. P. 658–662.
  193. Kulik A.A., Bolshakov A.A. Algorithm of a device designed to support decision making to counter the threat of an aviation accident // Herald of the Bauman Moscow State Technical University. Series Instrument Engineering. 2021. No. 3 (136). P. 46–59.
  194. Rene J.J. Fuzzy logic in control: Ph. D. thesis. Delft University of Techology. 1995. 400 p.
  195. Levin D.N., Grif M.G. Formalization of Ergonomic Indicators During Research Data-Control Field of the Aircraft Cockpi // Modern Safety Technologies in Transportation (MOSATT). 2019. P. 94–97.
  196. Furems E. Knowledge-based multi-attribute classification problems structuring // Computational Intelligence in Decision аnd Control. Singapore: World Scientific Publisher, 2008. P. 465–470.
  197. Большаков А.А., Кулик А.А., Сергушов И.В., Скрипаль Е.Н. Алгоритм поддержки принятия решений по парированию угрозы авиационного происшествия // Математические методы в технике и технологиях. 2019. Т. 1. С. 58–63.
  198. Деменков Н.П., Мочалов И.А. Нечеткая логика в задаче фильтрации случайных возмущений // Промышленные АСУ и контроллеры. 1999. № 11. С. 26–28.
  199. Алексеев В.М., Тихомиров В.М., Фомин С.В. Оптимальное управление. М.: Наука, 1979. 432 с.
  200. Большаков А.А., Близнова О.В. Экспертная система маршрутизации транспортной компании // Математические методы в технике и технологиях. Кострома: Изд-во КГТУ, 2004. Т. 6. С. 82—85.
  201. Диагностика опасных состояний операторов при критических сочетаниях событий в человеко-машинных системах / А.Ф. Резчиков [и др.] // Вестник компьютерных и информационных технологий. 2017. № 8 (158). С. 48–56.
  202. Бломенхофер Х., Нольфейдт Х. Система и способ обеспечения безопасности полетов и/или управления полетами летательных аппаратов. Патент на изобретение РФ № 2471275 G08G 5/00. Правообладатель: Талес Аления Спейс Дойчланд ГмбХ. Опубл. 27.06.2000 г.
  203. Самолет-амфибия Бе-200ЧС. Руководство по летной эксплуатации. Книга 2. Руководство по эксплуатации систем и оборудования. Таганрог: ОАО «ТАНТК им. Г. М. Бериева», 2003. 638 с.
  204. Требухов А.В. Проектирование системы интеллектуальной поддержки летательного аппарата // Искусственный интеллект: проблемы и пути их решения. 2018. С. 187–190.
  205. Мелихова О.А. Методы построения интеллектуальных систем на основе нечеткой логики. Таганрог: Изд-во ТРТУ. 2007. 92 с.
  206. Федунов Б.E., Прохоров М.Д. Заключение о прецеденте в базах знаний бортовых интеллектуальных систем // Искусственный интеллект и принятие решений. 2010. №. 3. С. 63–72.

Отзывы

Оставить отзыв +
Ваш браузер устарел и не обеспечивает полноценную и безопасную работу с сайтом.
Установите актуальную версию вашего браузера или одну из современных альтернатив.