Выбор каталога
Сортировать по:
1. Статья из журнала
bookCover
Зеленский, А. А. (Автор МИЭТ, НПК ТЦ; Zelenskii, A. A.).
Характеристическая функция акторной вычислительной системы / А. А. Зеленский, А. А. Грибков. - Текст : электронный
// МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. - Воронеж : ВИВТ, 2024. - № 4. - Ст. 16. - URL: https://moitvivt.ru/ru/journal/article?id=1722 (дата обращения: 09.07.2025). - Режим доступа: свободный.
Авторы: Зеленский, А. А., Грибков, А. А.
Ключевые слова: Вычислительные системы, Акторная модель, Память-ориентированная архитектура, Осуществимость, Реализуемость, Вычислимость, Разрешимость, Перечислимость, Доверие, Computing system, Actor model, Memory-oriented architecture, Feasibility, Realisability, Computability, Solvability, Enumerability, Confidence
Аннотация: Статья посвящена исследованию задачи определения для акторной вычислительной системы комплексного показателя осуществимости, который может быть выражен в виде бинарной характеристической функции. Эта функция зависит от разрешимости и перечислимости множества промежуточных значений параметров решаемой вычислительной задачи, реализуемости вычислительной системы, т. е. ее способности выполнять весь комплекс необходимых вычислительных операций за заданный ограниченный интервал времени (цикл вычислений), а также от степени доверия к функциональной надежности и информационной безопасности вычислительной системы, выражаемых в виде интегрального показателя доверия. В статье излагается описание акторной модели вычислительной системы в рамках теории чисел. Предлагаемое описание опирается на представление вычислительной системы в виде композиции акторов – носителей функций, определения вычислимости этих функций, а также разрешимости и перечислимости числовых множеств значений параметров, задаваемых для вычислительной системы и возникающих в ней в процессе решения поставленных задач. Рассмотрены подходы к обеспечению разрешимости, реализуемости и доверия к вычислительной системе. Констатировано, что выбор память-ориентированной архитектуры вычислений, исходя из требования реализуемости, также является целесообразным с точки зрения обеспечения разрешимости, перечислимости и обеспечения доверия к вычислительной системе
Для просмотра необходимо войти в личный кабинет
2. Статья из журнала
bookCover
Чирков, А. В. (Автор МИЭТ (аспирант); Chirkov, A. V.).
Алгоритм формирования обучающих и тестовых выборок для анализа характера данных / А. В. Чирков. - Текст : электронный
// МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. - Воронеж : ВИВТ, 2024. - № 4. - Ст. 25. - URL: https://moitvivt.ru/ru/journal/article?id=1663 (дата обращения: 09.07.2025). - Режим доступа: свободный.
Авторы: Чирков, А. В.
Ключевые слова: ANFIS, Нейро-нечеткие модели, Адаптивное формирование выборок, Диагностика оборудования, Временные ряды, Аномальные данные, Промышленная диагностика, Электротехническое оборудование, Neuro-fuzzy model, Adaptive dataset formation, Equipment diagnostics, Time series, Anomalous data, Industrial diagnostics, Electrical equipment
Аннотация: В статье представлен алгоритм адаптивного формирования обучающих и тестовых выборок для системы ANFIS, используемой для диагностики технического состояния электротехнического оборудования. Особенностью предложенного подхода является учет временных зависимостей и аномальных данных, что позволяет повысить точность и полноту распознавания неисправных состояний оборудования. Описан процесс тестирования алгоритма на синтетических данных, включающих параметры вибрации, температуры, тока и напряжения. Проведенный анализ показывает, что адаптивное разбиение данных улучшает способность системы к идентификации аномалий по сравнению с классическим методом разбиения выборок. Алгоритм успешно применим для задач диагностики оборудования в промышленности, где важно учитывать динамические изменения параметров и редкие аномальные события. Для оценки эффективности алгоритма было проведено сравнение с традиционными методами формирования выборок. Эксперимент показал, что предложенный метод позволяет улучшить качество классификации аномальных состояний оборудования. Кроме того, применение алгоритма снижает вероятность ложных срабатываний при обнаружении неисправностей. Важной особенностью разработки является возможность адаптации алгоритма к различным типам оборудования, что делает его универсальным решением для диагностики в различных промышленных отраслях. Перспективы применения алгоритма связаны с его интеграцией в системы предиктивного обслуживания и мониторинга, что позволит повысить надежность работы оборудования и снизить затраты на его ремонт и обслуживание
Для просмотра необходимо войти в личный кабинет