Способ прогнозирования времени наступления и уровня паводков

Авторы патента:

Варшанина Татьяна Павловна (RU)

Плисенко Ольга Анатольевна (RU)

Коробков Виктор Николаевич (RU)

G06N3/02 - использующие модели нейронных сетей (для адаптивного управления G05B 13/00; для сопоставления с эталоном изображения при распознавании образов G06K 9/00; для обработки данных изображения G01T 1/40; для сопоставления с фонетическим эталоном при распознавании речи G10L 15/16)

Владельцы патента RU 2480825:

Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Адыгейский государственный университет" (ФГБОУ ВПО "АГУ") (RU)

Изобретение относится к области гидрометеорологии и может быть использовано для прогнозирования паводков и других гидрометеорологических явлений. Техническим результатом является увеличение адресной точности, уменьшение погрешности, снижение трудоемкости процесса прогноза. Способ осуществляется математической моделью нейронной сети, представляющей гибридную сеть с каскадным подключением распределяющего слоя Кохонена, и прогнозирующей двухслойной персептронной сети, входной вектор математической модели нейронной сети включает ежесуточные значения градиента локального поля температур, выраженные координатами, и соответствующие значения уровня воды за предшествующие восемь дней в точке прогнозирования, перед использованием математической модели проводится ее обучение на ежесуточных 20-летних данных, в результате которого слой Кохонена накапливает информацию о классах хода значений градиента локального поля температуры и уровня воды в точке прогнозирования путем выделения кластеров значений, соответствующих наблюденным синоптическим ситуациям, при прогнозировании на вход слоя Кохонена подается входной вектор, включающий ежесуточные значения градиента локального поля температур и соответствующие значения уровня воды за предшествующие восемь дней, на выходе слоя Кохонена формируется вектор значений, соответствующий определенному кластеру, который затем подается на вход персептронной сети, которая на основе аппроксимации сложной нелинейной зависимости между значениями градиента локального поля температуры в точке прогнозирования и уровнем воды вычисляет прогнозные значения градиента локального поля температуры и уровня воды. 4 з.п. ф-лы, 2 табл., 4 ил., 1 пр.

Изобретение относится к способам прогнозирования паводков и других гидрометеорологических явлений (зажоров, заторов, времени наступления ледохода и ледостава). Предлагаемый способ, проиллюстрированный на примере паводков, оптимизирует процессы прогнозирования широкого спектра гидрометеорологических явлений, обусловленных ходом синоптической ситуации, и выявления неблагоприятных и опасных метеорологических ситуаций.

Известен способ прогнозирования погоды (патент RU №2279699 C2, МПК G01W 1/10), заключающийся в измерении информативных метеорологических величин, при этом значения предыдущих и последующих измерений метеорологических величин делят нацело в цикле от 1 до n и вычитают до получения значения "0", n - показатель изменения погоды, по вычисленным значениям получают зависимости изменения погоды во времени, выделяют по ним погодные кластеры, по изменению знака зависимости судят о границах кластеров, по характеру зависимости внутри кластера и по смене типа зависимости и типу пограничных с ним кластеров составляют прогноз погоды, отличающийся тем, что измерения метеорологических величин осуществляют с минимальным базовым временным интервалом, а изменения погоды вычисляют как по базовому временному интервалу, так и по выбранным на его основе другим временным интервалам, не превышающим предельный максимальный интервал, путем попеременной засылки значений предыдущих и последующих измерений в пару регистров микрокомпьютера.

К недостаткам способа, снижающим оправдываемость прогноза, относятся:

- прогнозирование без учета синоптической ситуации;

- прогнозирование на основе математической обработки наблюденных рядов прогнозируемых величин без учета факторов, определяющих порядок их хода.

Известна сигнализирующая система для автоматического локально-зависимого распознавания рисков наводнения (патент РСТ WO 2006/002566 A1, MPK G08B 21/10), при которой состояние паводка передается на центральное устройство и определяются локально-зависимые вероятностные значения паводка, отличающаяся

тем, что центральное устройство включает многомерную справочную таблицу, соответствующую пространственной матрице высокого разрешения, основанной на децентрализованных измерениях факторов риска наводнений конкретной территории, тогда как факторы риска наводнений, ассоциирующиеся с матрицей, показывают усредненную частоту и/или чувствительность к наводнениям внутри ячейки матрицы;

тем, что система включает распределенные измерительные станции, принимая во внимание то, что параметры речного стока измеряются распределенными измерительными станциями внутри ячейки матрицы и передаются по сети на центральное устройство, параметры речного стока включают, по меньшей мере, значения периода временного ряда и/или интенсивность измеряемых событий;

тем, что центральное устройство включает модуль корреляции, генерирующий специфичное для данного события усредненное вероятностное значение высоты воды для события паводка, основываясь на связанных факторах риска наводнения и значениях речного стока, и привязанных вероятностных значений высоты воды, соответствующих ячейке матрицы;

тем, что система включает модуль арбитра ячейки, действующий, по крайней мере, на основанном на матрице модуле построения согласно усредненным вероятностным значениям высоты воды.

Недостатком способа является значительная мера условности:

- определяемого в баллах фактора риска;

- зависимости между частотой, периодом наводнения и уровнем воды;

- получаемых величин уровня воды в результате интерполяции относительно высоты местности и расстояния;

- прогноза усредненных вероятностных значений уровня воды.

Недостатком способа является также его трудоемкость, заключающаяся в необходимости анализа больших массивов гидрологических данных за весь период инструментальных наблюдений и исторических данных.

Задачей предложенного способа прогнозирования времени наступления и уровня паводков является повышение оправдываемости прогноза, увеличение его адресной точности, уменьшение его погрешности, снижение трудоемкости процесса прогноза, доступности расчета прогноза для региональных структур сети гидрометеорологических наблюдений.

Существенные отличия

Предложенный способ обеспечивает прогнозирование уровней воды на гидропостах, относительно которых в дальнейшем возможно определение мощности слоя затопления в каждой координированной точке.

Способ основан на применении в качестве предиктора величин, определяющих в точке прогнозирования порядок хода синоптической ситуации, и построении прогноза связанных с этим ходом проявлений гидрометеорологических явлений и величин метеорологических факторов, в том числе уровней воды. В частности, вследствие известной генетической связи полей температуры и осадков (Клименко Л.В. Атмосферные процессы на Восточно-Европейской равнине за последние 100 лет / Л.В.Клименко. - М.: Геогр. фак. МГУ, 1999. - 128 с.) для прогнозирования паводков в качестве признака хода синоптической ситуации, использован градиент локального поля температуры в точке прогнозирования, обусловливающий направление, остроту и скорость движения атмосферных фронтов.

Областью расчета градиента локального поля температуры служит территория, по площади соответствующая горизонтальным размерам барических систем, с условием, что пункты прогнозирования находятся в центральной части выделенной области, далее локальное поле температуры.

Среднесуточные данные по уровням воды, вычисляемый градиент локального поля температуры в точке прогнозирования за период естественного изменения климатической системы - предыдущие 20 лет, используются для выявления кластеров, описывающих классы признаков хода синоптической ситуации и уровней воды в точке прогнозирования.

Распределение признаков хода синоптических ситуаций и уровней воды в точке прогнозирования по классам, а затем их прогноз проводится автоматически, в качестве инструмента используют математическую модель нейронной сети, выделяющую кластеры не только по признаку подобия, но и по признаку преобладания, который существенен в условиях стохастичности поведения параметров климатической системы.

Структура математической модели нейронной сети (далее нейронная сеть, фиг.1) представляет собой гибридную сеть с каскадным подключением распределяющего слоя Кохонена и прогнозирующей двухслойной персептронной сети. Входным вектором нейронной сети является ход ежесуточных признаков синоптической ситуации, включающий значения градиента локального поля температуры, выраженного координатами, и соответствующее значение уровня воды за предшествующие восемь дней в точке прогнозирования (x01, у01, h01, х02, y02, h02 … х08, y08, h08). Выходной вектор формируется на выходе второго слоя персептронной сети и состоит из 3 нейронов, содержащих значения прогнозируемых параметров: градиента локального поля температуры (координаты х и у) и уровня воды.

Для использования нейронной сети в качестве инструмента прогноза проводят ее обучение с целью выявления кластеров, описывающих классы признаков хода синоптической ситуации и уровней воды в точке прогнозирования.

Нейронная сеть обучается на ежесуточных 20-летних данных по уровням воды и значениям градиента локального поля температуры в точке прогнозирования. Слой Кохонена представляет собой сеть с самоорганизацией на основе конкуренции нейронов. При обучении слоя используют алгоритм нейронного газа.

В процессе обучения слой Кохонена накапливает информацию о классах признаков хода синоптической ситуации, наблюдавшихся за последние 20 лет, по подобию и преобладанию, и формирует кластеры. Персептронная сеть автоматически сопоставляет входным сигналам, отнесенным к конкретным кластерам, соответствующие им режимы хода градиента локального поля температуры и уровней воды. Персептронная сеть находит зависимости в данных, которые не обнаруживаются стандартными статистическими методами, и строит прогноз хода уровня воды и градиента локального поля температуры.

Обучение персептронных слоев проводят на основе итерационного градиентного алгоритма обратного распространения ошибки, минимизирующего среднеквадратичное отклонение текущих значений выходов от требуемых, для многослойных нейронных сетей с последовательными связями.

После обучения нейронная сеть используется для прогноза уровня воды и значения градиента локального поля температур в точке прогнозирования.

При построении прогноза на вход распределяющего слоя Кохонена поступает входной вектор значений хода ежесуточных признаков синоптической ситуации и уровней воды в точке прогнозирования и активирует нейроны, принадлежащие определенному кластеру признаков хода синоптической ситуации, и граничные нейроны других кластеров, которые уточняют значения на выходе слоя. Сформированный на выходе слоя Кохонена вектор подается на вход прогнозирующего перспептронного слоя.

Персептронный слой на основе аппроксимации сложной нелинейной зависимости между значениями градиента локального поля температуры и уровнями воды в точке прогнозирования вычисляет прогнозные значения градиента локального поля температуры и уровней воды.

Описанным способом получают прогноз на следующие сутки, сдвигом вперед на сутки и путем добавления во входной вектор уже спрогнозированных значений можно получить прогноз на 2, 3, 4 и т.д. суток.

Порядок выполнения действий

1. Экспертным путем выделяется область локального поля температуры, по площади соизмеримая с горизонтальными размерами барических систем, с условием, что точки прогнозирования, в которых производится прогноз, находятся в центральной части области. Локальное поле температуры принимается за плоское (в плоскости XY) в Декартовой системе координат.

2. Для получения автоматизированного прогноза разрабатывается программное обеспечение, состоящее из модуля обработки базы данных, модуля построения, анализа нейронной сети и прогноза. Подготавливаются данные для обучения нейронной сети. В базу данных экспортируются ежесуточные значения уровня воды в точке прогнозирования и среднесуточные значения температур в пунктах, расположенных на границе выделенной области локального поля температуры (далее граничные точки) и в точке прогнозирования за период естественного изменения климатической системы - 20 лет.

3. В модуле обработки базы данных рассчитываются фоновые значения градиента локального поля температуры в точке прогнозирования по формуле (1)

где Т - значение температуры;

gradT_i0 - градиент локального поля температуры в точке прогнозирования;

i0 - точка прогнозирования.

Порядок вычисления

Определяется градиент локального поля температуры в точке прогнозирования относительно каждой граничной точки по формуле (2)

где i0 - точка прогнозирования;

j - граничные точки, j=1…k;

k - количество граничных точек.

По формуле (3) вычисляется в метрической системе координат расстояние между точкой прогнозирования и граничными точками R_i0,j

где х_i0, y_i0 - координаты точки прогнозирования;

x_j, y_j - координаты граничной точки, j=1…k;

k - количество граничных точек.

Определяются значения градиента локального поля температуры в точке прогнозирования относительно граничных точек на каждый день наблюдения |gradT_i0,j| по формуле (4)

где ΔT_i0,j=t_j-t_i0 - разность температур;

R_i0,j - расстояние между точками;

i0 - точка прогнозирования;

j - граничная точка, j=1…k;

k - количество граничных точек.

Значения полученных векторов задаются через их проекции на оси координат, которые вычисляются по формуле (5)

где V - вектор;

ϕ - угол между вектором и осью координат.

Косинусы угла между векторами и осями координат вычисляются по формуле (6)

Подставив эти выражения в формулу (5), получают координаты вектора градиента локального поля температуры в точке прогнозирования относительно граничных точек gradT_i0,j, формулы (7):

По правилу сложения векторов вычисляется градиент локального поля температуры в точке прогнозирования gradT_i0. При сложении двух векторов суммируются их соответствующие координаты по формуле (8).

где x_j, y_j - координаты вектора градиента локального поля температур в точке прогнозирования относительно граничной точки j.

Результат сохраняется в таблице базы данных «Градиенты локального поля температуры гидропоста».

4. Обучение нейронной сети.

4.1 Загружают в модуль построения и анализа нейронной сети ежесуточные 20-летние данные по уровням воды и значениям градиента локального поля температуры в точке прогнозирования в координатах (х, y), заданных в метрической системе, что позволяет организовать входные данные в едином метрическом пространстве.

4.2 На первом уровне, представляющем собой самоорганизующуюся сеть Кохонена, входные сигналы автоматически группируются в кластеры по признакам совпадения свойств. При обучении сети используют алгоритм нейронного газа, учитывающий активность нейронов, считающийся наиболее эффективным средством самоорганизации нейронов.

4.3 На втором уровне используют персептрон. Персептрон автоматически сопоставляет входным сигналам, отнесенным к определенным кластерам, соответствующие им режимы хода градиента локального поля температуры и уровней воды. Персептрон находит зависимости в данных, которые не обнаруживаются стандартными статистическими методами, и вычисляет прогнозные значения градиента локального поля температуры и уровня воды.

Количество нейронов в первом слое персептрона автоматически рассчитывается в соответствие с количеством нейронов слоя Кохонена.

Второй слой персептрона формирует выходной вектор модели нейронной сети и состоит из 3 нейронов, содержащих значения прогнозируемых параметров - градиента локального поля температуры (координаты х и y) и уровня воды (h).

Обучение персептронных слоев производится на основе итерационного градиентного алгоритма обратного распространения ошибки, минимизирующего среднеквадратичное отклонение текущих значений выходов от требуемых для многослойных моделей нейронных сетей с последовательными связями.

5. Прогноз на основе обученной модели нейронной сети проводят по входным данным величины градиента локального поля температуры (координаты х, y) и уровня воды за 8 предыдущих дней - период развития синоптической ситуации. Таким образом, входной вектор текущего прогноза обученной модели нейронной сети состоит из 24 (три параметра за предыдущие восемь дней) элементов.

Изобретение поясняется графическими материалами.

Фиг.1. Структура математической модели нейронной сети. Структура математической модели нейронной сети состоит из распределяющего слоя Кохонена и прогнозирующей двухслойной персептронной сети. Входной вектор включает координаты градиента локального поля температуры и соответствующее значение уровня воды за предшествующие восемь дней в точке прогнозирования (x01, y01, h01, х02, y02, h02 … х08, y08, h08). Выходной вектор состоит из прогнозных значений координат градиента локального поля температуры (х09, y09) и уровня воды (h09).

Фиг.2. Расчет градиента локального поля температуры в точке прогнозирования (х. Грозный) на 26.02.2004 г. Локальное поле температуры определяется граничными точками: Керчь, Ростов-на-Дону, Армавир, Пятигорск, Сочи. Векторы градиента локального поля температуры показаны в полярной системе координат. Результирующий вектор gradT_i0 определяется как сумма векторов градиентов локального поля температуры относительно граничных точек gradT_i0,j.

Фиг.3. Ход градиента локального поля температуры в пункте прогнозирования за период от 26.02.2004 по 08.03.2004 г. Векторы градиента локального поля температуры показаны в полярной системе координат за каждый из дней указанного периода.

Фиг.4. График прогноза значений уровня подъема воды (гидропост х.Грозный р.Белая, 2004 год).

Пример прогноза уровня воды на основе обученной модели нейронной сети

В качестве точки прогнозирования рассмотрим гидропост на р. Белая (хутор Грозный, Республика Адыгея). Выполним расчет градиента локального поля температуры за период повышения уровня воды до опасного - от 26.02.2004 г. по 8.03.2004 г.

Для прогноза использованы данные: среднесуточная температура воздуха метеостанций г.Сочи, г.Ростов-на-Дону, г.Армавир, г.Керчь, являющихся граничными точками выделенной области локального поля температуры, и в точке прогнозирования; а также уровни подъема воды в точке прогнозирования (таблица 1).

Таблица 1
Мониторинг параметров области локального поля температуры и уровней подъема воды в точке прогнозирования (за период от 26.02.2004 г. по 8.03.2004 г.)
Дата	х. Грозный, р. Белая	Среднесуточная температура
Уровень воды, см	Среднесуточная температура	Армавир	Керчь	Ростов	Сочи
1	2	3	4	5	6	7
26.2	167	+8	5.3	6.4	2.8	11
27.2	218	11	6.1	8.7	2.1	12.6
28.2	223	11	8.9	10.1	6.9	17.4
29.2	250	13.5	12.5	9.6	10.1	15.8
1.3	245	9.5	10.1	10.8	6.8	13.9
2.3	290	9	8.2	3.6	4.7	9.7
3.3	218	8	7.9	3.1	2.5	9.2

Продолжение таблицы 1
1	2	3	4	5	6	7
4.3	206	4.5	6.4	2	1.8	8.5
5.3	445	-1.4	2.3	0.3	-0.3	5.4
6.3	330	-2.5	-1.7	-2	-2.4	3.1
7.3	246	-3.5	-4.4	-1.2	-2.8	1.3
8.3	210	-2.5	-4	1.2	1.4	1.7

По данным таблицы 1 с применением формул (3, 4) строится градиент локального поля температуры в точке прогнозирования относительно граничных точек на каждый день наблюдения. Определяется градиент локального поля температуры в точке прогнозирования по формуле (8).

Расчет градиента локального поля температуры в точке прогнозирования на 26.02.2004 показан на фигуре 2.

Вычисление градиента локального поля температуры производится на каждый день периода мониторинга (таблица 2; фигура 3).

Таблица 2
Градиент локального поля температуры (за период с 26.02.2004 г. по 8.03.2004 г.; х.Грозный, р.Белая)
Дата	Уровень воды, см	Градиент локального поля температуры в точке прогнозирования	Координаты градиента в полярной системе координат
Координата X	Координата Y	Радиус (R), метрическая система координат	Угол (F), градусы
1	2	3	4	5	6
26.2	167	-0.024782236	-0.060389499	0.065276725	202.3119358
27.2	218	-0.037572007	-0.074365104	0.083317611	206.8045975
28.2	223	-0.030417526	-0.081579334	0.087065571	200.4483845
29.2	250	-0.001086306	-0.040638289	0.040652805	181.5312137

Продолжение таблицы 2
1	2	3	4	5	6
1.3	245	-0.008493515	-0.041758108	0.042613136	191.4970112
2.3	290	0.009796154	-0.030228818	0.031776502	162.0442163
3.3	218	0.013826699	-0.033871286	0.036584718	157.7940793
4.3	206	0.01640906	-0.03440038	0.038113559	154.4987508
5.3	445	0.010936389	-0.054374313	0.055463236	168.6277427
6.3	330	-0.0082315	-0.042329224	0.043122161	191.0046076
7.3	246	-0.027612763	-0.041777137	0.050077878	213.4628661
8.3	210	-0.035711525	-0.041110183	0.054455121	220.9801383

Вычисленные значения градиента локального поля температуры сохраняют в базе данных и подают на вход обученной модели нейронной сети вместе со значениями уровня воды для построения прогноза. Входной вектор содержит значения перечисленных параметров за предыдущие 8 дней и состоит из 24 компонент. График прогноза и соответствующих фактических значений уровней воды в пункте прогнозирования приведен на фигуре 4.

Условия осуществления действий

Обязательными условиями осуществления действий служат:

- положение точки прогнозирования вблизи центра выделенной локальной области поля температуры;

- наличие ежесуточных данных по уровням воды в точке прогнозирования и значениям температуры в граничных точках локальной области поля температуры и точке прогнозирования за период, не меньший, чем период естественного изменения климатической системы;

- наличие данных по уровням воды и значениям температуры в граничных точках локальной области поля температуры за предшествующие прогнозу 8 дней.

Чувствительность математической модели нейронной сети позволяет прогнозировать ситуации, не зарегистрированные за период наблюдения. В этом случае получение достоверных результатов прогнозирования обеспечивает возможность подстройки модели нейронной сети под изменения климатической системы путем дообучения исходя из решаемой задачи.

1. Способ прогнозирования времени наступления и уровня паводков путем введения информации о предшествующих значениях хода ежесуточных признаков синоптической ситуации и уровня воды, включая предпрогнозные значения параметров и получения прогноза уровня воды, отличающийся тем, что
в качестве признака синоптической ситуации и предиктора используется вычисляемое значение в точке прогнозирования градиента локального поля температуры,
реализация способа осуществляется математической моделью нейронной сети, представляющей гибридную сеть с каскадным подключением распределяющего слоя Кохонена и прогнозирующей двухслойной персептронной сети,
входной вектор математической модели нейронной сети включает ежесуточные значения градиента локального поля температур, выраженные координатами, и соответствующие значения уровня воды за предшествующие восемь дней в точке прогнозирования,
перед использованием математической модели нейронной сети для прогноза проводится ее обучение, в результате которого слой Кохонена накапливает информацию о классах хода значений градиента локального поля температуры и уровня воды в точке прогнозирования путем выделения кластеров значений, соответствующих наблюденным синоптическим ситуациям,
обучение математической модели нейронной сети проводится на ежесуточных 20-летних данных по уровням воды и значениям градиента локального поля температуры в точке прогнозирования, представляющих период естественного изменения климатической системы,
при прогнозировании на вход слоя Кохонена подается входной вектор, включающий ежесуточные значения градиента локального поля температур и соответствующие значения уровня воды за предшествующие восемь дней, на выходе слоя Кохонена формируется вектор значений, соответствующий определенному кластеру, который затем подается на вход персептронной сети, которая на основе аппроксимации сложной нелинейной зависимости между значениями градиента локального поля температуры в точке прогнозирования и уровнем воды вычисляет прогнозные значения градиента локального поля температуры и уровня воды.

2. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение градиента локального поля температуры в точке прогнозирования, вычисляемого в плоской Декартовой системе координат.

3. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение градиента локального поля температуры в точке прогнозирования, вычисляемого по локальному полю температуры, заданного граничными пунктами (граничными точками) наблюдений с известными значениями температур.

4. Способ по п.1, отличающийся тем, что в качестве предиктора используется значение градиента локального поля температуры в точке прогнозирования gradT_i0, вычисляемое как сумма градиентов локального поля температуры в точке прогнозирования относительно граничных точек gradT_i0,j, выраженные через координаты векторов x_j, y_j
.

5. Способ по п.1, отличающийся тем, что для обучения математической модели нейронной сети используются алгоритм нейронного газа для слоя Кохонена и итерационный градиентный алгоритм обратного распространения ошибки для двухслойной персептронной сети.

Изобретение относится к области компьютерных сетей. .

Автоматизированное рабочее место офтальмомикрохирурга по детской хирургии // 2460116

Изобретение относится к области компьютерных сетей. .

Локальная компьютерная офтальмомикрохирургическая сеть операций по кератопластике // 2459235

Изобретение относится к области компьютерных сетей. .

Способ автоматизированной робастной классификации радиосигналов по структурно-временным параметрам // 2450356

Изобретение относится к технике связи и может быть использовано в системах радиомониторинга для автоматизированной классификации радиосигналов по структурно-временным параметрам.

Способ интеллектуальной обработки информации в нейронной сети // 2427914

Изобретение относится к вычислительной технике. .

Локальная компьютерная офтальмомикрохирургическая операционная сеть // 2417441

Изобретение относится к области компьютерных сетей. .

Способ и устройство интеллектуальной обработки информации в нейронной сети // 2413304

Изобретение относится к бионике, моделированию функциональных аспектов человека. .

Нейронная сеть основного деления модулярных чисел // 2400813

Изобретение относится к вычислительным модулярным нейрокомпьютерным системам и предназначено для выполнения основной операции деления модулярных чисел. .

Нейросетевое операционное устройство // 2394274

Изобретение относится к вычислительной технике и может быть использовано при построении систем обработки дискретной информации. .

Устройство спектрального обнаружения и коррекции ошибок в кодах полиномиальной системы классов вычетов // 2390051

Изобретение относится к вычислительной технике и, в частности, к модулярным нейрокомпьютерным средствам и предназначено для определения ошибок в кодовых конструкциях непозиционного кода полиномиальной системы классов вычетов (ПСКВ), представленных в расширенных полях Галуа GF(2v).

Способ интеллектуальной обработки информации в нейронной сети // 2483356

Способ интеллектуальной обработки информации в нейронной сети // 2502133

Способ и устройство автоматического распознавания типов манипуляции радиосигналов // 2510077

Группа изобретений относится к области обработки и распознавания радиосигналов, в частности к распознаванию вида и параметров манипуляции радиосигналов, и может быть использована в радиотехнических устройствах для распознавания манипуляции радиосигналов. Техническим результатом является автоматическое распознавание типов манипуляции радиосигналов в условиях отсутствия высокоточной синхронизации по несущей частоте для более широкого класса типов манипуляции (амплитудной, амплитудно-фазовой, фазовой и частотной). Устройство содержит антенну, аналого-цифровой преобразователь, блок формирования синфазной и квадратурной составляющих сигнала, блок расчета кумулянтов, блок нейронной сети. 2 н.п. ф-лы, 3 ил.

Способ интеллектуальной обработки информации в нейронной сети // 2514931

Изобретение относится к бионике, моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем. Техническим результатом является повышение глубины и интеллектуальности обработки информации. Сущность способа в том, что в многослойную рекуррентную нейронную сеть с управляемыми синапсами в качестве сигнала, предварительно разложенного на составляющие, с каждой составляющей, преобразованной в последовательность единичных образов с частотой повторения как предварительно заданной функцией от амплитуды составляющей, подают групповой сигнал, состоящий из полезного сигнала, просуммированного с первой частью предварительно сформированного маломощного шума, и из второй такой же части этого шума. Представляют групповой сигнал в виде последовательных групповых совокупностей единичных образов. При передаче от слоя к слою групповых совокупностей единичных образов копируют из сигнально-шумовых групп единичные образы, относящиеся к полезному сигналу, в соответствующие этим группам шумовые группы. Формируют из шумовых групп копии сигнально-шумовых групп единичных образов и обрабатывают эти копии с учетом изменения форм поперечных сечений расходящихся единичных образов и поворотов этих образов вокруг направлений их передачи с учетом текущих состояний слоев. 7 ил.

Способ управления компьютерной сетью // 2542901

Изобретение относится к области управления компьютерными сетями с использованием алгоритмов искусственного интеллекта. Техническим результатом является снижение времени простоя рабочих объектов компьютерной сети за счет увеличения точности прогноза изменений основных показателей. Способ заключается в том, что формируют прогнозные нейронные сети на основании получаемых в результате опроса рабочих объектов компьютерной сети, значений показателей, определяющих их состояние; формируют прогноз изменений значений через некоторый фиксированный интервал времени. Формируют запоминающие нейронные сети, которые выполняют функции индикатора необходимости переобучения для соответствующей прогнозной нейронной сети, если полученные в результате мониторинга значения существенно отличаются от значений, использованных в обучающей выборке. После переобучения прогнозные нейронные сети способны сформировать прогноз изменений показателей с заданным уровнем точности, на основании которого выполняются управляющие воздействия на объекты вычислительной сети. 8 з.п. ф-лы, 7 ил.

Способ биометрической защиты анонимности свидетелей при судебном делопроизводстве // 2543956

Изобретение относится к средствам биометрической защиты анонимности свидетелей при судебном делопроизводстве. Техническим результатом является повышение надежности защиты анонимности свидетеля. Способ биометрической защиты анонимности свидетелей при судебном делопроизводстве заключается в том, что создают множество электронных одноразовых удостоверений личности свидетеля без указания его имени, получаемых генерированием случайного кода - К, используемого далее при обучении нейронной сети преобразовывать параметры примеров биометрического образа свидетеля в код - К, параметры обученной нейронной сети защищают самошифрованием на фрагментах кода - К, вычисляют хэш-функцию кода - К, одноразовое электронное удостоверение личности свидетеля формируют путем размещения в нем уникального номера удостоверения, шифротекста защищенных параметров обученной нейронной сети и значения хеш-функции кода - К, эти данные орган анонимной регистрации охватывает своей цифровой подписью, далее все примеры биометрических образов свидетеля и случайные коды - К уничтожают, далее при каждом К-том вызове анонимного свидетеля пересылают ему его К-тое электронное удостоверение, пользуясь которым, свидетель предъявляет свой биометрический образ и тем самым анонимно подтверждает свою личность, также, предъявив свой биометрический образ, свидетель получает выходной код - К, проверку которого осуществляют вычислением его хеш-функции и сравнением ее с эталоном, размещенным ранее в одноразовом удостоверении личности. 2 з.п. ф-лы.

Способ управления внешними устройствами с использованием технологии нейрокомпьютерного интерфейса // 2550545

Изобретение относится к информационным технологиям и нейрофизиологии. Техническим результатом изобретения является повышение скорости работы технологий нейрокомпьютерного интерфейса. В заявленном способе управления внешними устройствами с использованием технологии нейрокомпьютерного интерфейса регистрируются данные активности различных отделов головного мозга с использованием, как по отдельности, так и в совокупности, любой из методик электроэнцефалографической, магнитно-резонансной томографии, транскраниальной оксиметрии, а полученный сигнал обрабатывается по известным для каждого типа нейрокомпьютерных интерфейсов формулам, причем предварительно происходит обучение классификатора применительно к решаемым пользователем задачам, так что каждой возможной реакции пользователя присваиваются определенные апостериорные вероятности, отражающие индивидуальный характер предпочтений пользователя и которые могут пересматриваться в процессе работы устройства; при этом веса классификатора команд изменяются таким образом, что для более часто встречающихся случаев требуется меньше итерация процесса для получения команды и, наоборот, для более редко встречающихся - больше.

Способ интеллектуальной обработки информации в нейронной сети // 2553074

Изобретение относится к моделированию функциональных аспектов человека и может найти применение в вычислительной технике при построении интеллектуальных машин и систем. Техническим результатом является повышение интеллектуальности обработки информации, улучшение запоминания, распознавания и извлечения сигналов из сети. Сущность способа состоит в том, что при интеллектуальной обработке информации в двухслойной рекуррентной нейронной сети с управляемыми синапсами сигнал представляют в виде последовательных совокупностей единичных образов, разделенных на пары частных совокупностей этих образов. Частные совокупности единичных образов из каждой такой пары продвигают вдоль слоев сети по двойной спирали с изменяемым диаметром. 7 ил.

Способ интеллектуального анализа оценки устойчивости инфокоммуникационной системы к деструктивному воздействию электромагнитного излучения // 2560803

Изобретение относится к области радиотехники и может быть использовано для интеллектуального анализа оценки устойчивости инфокоммуникационной системы. Техническим результатом является повышение устойчивости функционирования системы связи при воздействии деструктивных электромагнитных излучений на ее структурные элементы за счет оперативной реконфигурации и обработки характера деструктивных воздействий. Систему связи приводят в рабочее состояние, фиксируют деструктивные воздействия на ее структурные элементы, формируют имитационную модель системы связи, моделируют на ней деструктивные воздействия, по результатам моделирования реконфигурируют имитационную модель системы связи и представляют математическую модель функционирования системы, определяют параметры электромагнитных полей, воздействующих на подсистемы инфрокоммуникационной системы, и осуществляют оценку воздействия этих электромагнитных полей на работоспособность отдельных элементов и узлов системы, а также системы в целом, формируют сценарии электромагнитных воздействий на узлы инфокоммуникационной системы, учитывая модели электромагнитных излучений во всем диапазоне частот, проводят анализ информационного потока, обрабатываемого инфокоммуникационными узлами, и выявляют закономерности появления искаженных пакетов информации, периодичность и кратность частоты появления которых определяют на частоте формирования импульсов известными источниками электромагнитного излучения, при обнаружении факта воздействия известных источников электромагнитных излучений блокируют искаженную информацию и реконфигурируют систему, проводят сравнительный анализ соответствия данных требованиям используемого телекоммуникационного протокола, дополнительно проводят анализ сценариев поведения инфокоммуникационной системы при действии на ее элементы и узлы электромагнитных воздействий, с учетом моделей электромагнитного излучения на всем диапазоне частот, осуществляют расчет целевых показателей, характеризующих устойчивость системы в целом и его отдельных подсистем к воздействию электромагнитных излучений. 1 ил.

Способ идентификации компонентов бензина и определения его состава в режиме реального времени // 2568330

Изобретение относится к измерительным системам и устройствам и может быть использовано для идентификации компонентов бензина и определения его состава. Техническим результатом является обеспечение идентификации в режиме реального времени с оперативным внесением поправок в технологический процесс. Способ заключается в том, что идентификацию компонентов производят по минимуму целевой функции и активному состоянию нейронов искусственной нейронной сети идентификации, изменяя при этом коэффициенты синаптических связей, расчет значений активации нейронов определяют в соответствии с функцией активации, при этом концентрацию компонентов бензина производят по минимуму целевой функции и активному состоянию нейрона искусственной нейронной сети состава, изменяя коэффициенты синаптических связей, а расчет значения активации нейрона состава производят в соответствии с функцией активации, и при активном состоянии нейрона состава принимают значения концентрации компонентов в смеси численно равным значениям коэффициентов синаптических связей. 5 табл., 5 ил.