| Авторы |
Игорь Анатольевич Кубасов, доктор технических наук, доцент, профессор кафедры информационных технологий, Академия управления МВД России, (Россия, г. Москва, ул. Зои и Александра Космодемьянских, 8), E-mail: igorak@list.ru
Александр Иванович Иванов, доктор технических наук, доцент, ведущий научный сотрудник, Пензенский научно-исследовательский электротехнический институт (Россия, г. Пенза, ул. Советская, 9), E-mail: ivan@pniei.penza.ru
|
| Аннотация |
Актуальность и цели. Исследованы пути решения проблемы устранения возможной противоречивости мнений разных экспертов при оценке рейтинга сравниваемых по параметрам надежности и качества сложных систем. Данная проблема возникает в силу того, что выбор интегрального показателя и установление интегрального критерия оценки сложных систем, учитывающих значения параметров надежности и качества, могут быть отличными у разных экспертов. При этом теоретически возможна ситуация, когда голоса экспертов «за» и «против» делятся ровно пополам и тогда принимаемое решение по формированию рейтинга сложных систем будет неустойчивым. Материалы и методы. Обоснована целесообразность сравнения нескольких лидеров рейтинга сравниваемых сложных систем не между собой, а со среднестатистической системой рассматриваемого множества сложных систем. При этом возникающий эффект ьсмазывания различия между лидерами рейтинга устраняется методом обучения нейросети (с большим числом нейронов) разделению сравниваемых лидеров, а затем контроля расстояний Хэмминга и/или разности энтропии между лидерами по отношению к расстояниям до среднестатистической системы. Результаты. Применение предлагаемого энтропийно-нейросетевого метода позволяет объективно определить первого лидера рейтинга по максимальному скачку энтропии кодовых откликов до второго лидера по порядку. Выводы. Предлагается новый метод устранения возможной противоречивости мнений разных экспертов, позволяющий получить объективный результат по формированию рейтинга сложных систем, построенный на полностью автоматическом обучении нейросетей и автоматическом классифицировании нейросетями всех сравниваемых сложных систем.
|
| Список литературы |
1. Хайкин С. Нейронные сети: полный курс. М. : Вильямс, 2006. С. 1104.
2. Тихомиров Н. Т., Тихомирова Т. М., Ушмаев О. С. Методы эконометрики и многомерного статистического анализа : учебник. М. : Экономика, 2011. 647 с.
3. Николенко С., Кудрин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб. : Питер, 2018.
4. Чару А. Нейронные сети и глубокое обучение. СПб. : Диалектика, 2020. 756 с.
5. Волчихин В. И., Иванов А. И. Нейросетевая молекула: решение обратной задачи биометрии через программную поддержку квантовой суперпозиции на выходах сети искусственных нейронов // Вестник Мордовского университета. 2017. Т. 27, № 4. С. 518–523.
6. Иванов А. И. Искусственный интеллект высокого доверия. Ускорение вычислений и экономия памяти при тестировании больших сетей искусственных нейронов на малых выборках // Системы безопасности. 2020. № 5. С. 60–62.
7. Язов Ю. К., Волчихин В. И., Иванов А. И. [и др.]. Нейросетевая защита персональных биометрических данных / под ред. Ю. К. Язова. М. : Радиотехника, 2012. 157 с.
8. Ахметов Б. С., Иванов А. И., Фунтиков В. А. [и др.]. Технология использования больших нейронных сетей для преобразования нечетких биометрических данных в код ключа доступа : монография. Алматы : LEM, 2014. 144 c. URL: http://portal.kazntu.kz/files/publicate/2014-06-27-11940.pdf
9. Иванов А. И., Кубасов И. А. Сильный искусственный интеллект: повышение качества нейросетевых решений с переходом к обработке входных данных большого объема // Надежность и качество сложных систем. 2021. № 1. С. 9–16.
10. Иванов А. И., Кубасов И. А., Самокутяев А. М. Тестирование больших нейронных сетей на малых выборках // Надежность и качество сложных систем. 2020. № 3. С. 72–79.
11. Ложников П. С. Биометрическая защита гибридного документооборота. Новосибирск : Изд-во СО РАН, 2017. 130 с.
12. Иванов А. И., Сулавко А. Е. Использование сетей корреляционных нейронов с многоуровневым квантованием: защита от извлечения знаний из параметров решающего правила : препринт. Пенза : Изд-во ПГУ, 2020. 48 с.
13. Кобзарь А. И. Прикладная математическая статистика. Для инженеров и научных работников. М. : Физматлит, 2006. 816 с.
14. Иванов А. И., Банных А. Г., Безяев А. В. Искусственные молекулы, собранные из искусственых нейронов, воспроизводящих работу классических статистических критериев // Вестник Пермского университета. Сер.: Математика. Механика. Информатика. 2020. № 1. С. 26–32.
15. Иванов А. И. Искусственные математические молекулы: повышение точности статистических оценок на малых выборках (программы на языке MathCAD) : препринт. Пенза : Изд-во ПГУ, 2020. 36 с.
16. Иванов А. И., Золотарева Т. А. Искусственный интеллект в защищенном исполнении: синтез статистико-нейросетевых автоматов многокритериальной проверки гипотезы независимости малых выборок биометрических данных : препринт. Пенза : Изд-во ПГУ, 2020. 105 c.
17. Волчихин В. И., Иванов А. И., Фунтиков В. А., Малыгина Е. А. Перспективы использования искусственных нейронных сетей с многоуровневыми квантователями в технологии биометрико-нейросетевой аутентификации // Известия высших учебных заведений. Поволжский регион. Технические науки. 2013. № 4. С. 88–99.
18. Малыгина Е. А. Биометрико-нейросетевая аутентификация: перспективы применения сетей квадратичных нейронов с многоуровневым квантованием биометрических данных : препринт. Пенза : Изд-во ПГУ, 2020. 114 с.
19. Кубасов И. А., Мельников А. В., Мальцев С. А., Нарушев И. Р. Кластеризация объектов со слабо формализуемыми признаками на основе нейронной сети в виде слоя Кохонена // Вестник Воронежского государственного университета инженерных технологий. 2018. Т. 80, № 3. С. 86–91.
20. Кубасов И. А., Нарушев И. Р., Черников Д. Н. Решение задачи классификации технических объектов с использованием персептрона в условиях их близости к границе линейной разделимости // Охрана, безопасность, связь. 2019. № 4-2. С. 132–138.
|
