CC BY
0
2. Коровин В.П. Океанологические наблюдения в прибрежной зоне моря. Учебное пособие. СПб.: РГГМУ, 2007. 434 с.
3. Грязин Д.Г. Теория, расчет и проектирование буев для измерения морского волнения / Д.Г. Грязин, К.А. Глеб, О.О. Белова. СПб.: Крыловский государственный научный центр, 2022. 240 с.
4. Коровин В. П. Морская гидрометрия: учебник / В. П. Коровин, Е. И. Чверткин. Ленинград : Гидроме-теоиздат, 1988. 262 с.
5. Патент № 2631965 C1 Российская Федерация, МПК B63B 22/00, G01C 13/00, G01W 1/04. Волномер-ный буй с инерциальным измерительным модулем на основе микромеханических датчиков : № 2016137459 : заявл. 19.09.2016 : опубл. 29.09.2017 / Д. Г. Грязин, О. О. Белова, Л. П. Старосельцев; заявитель Акционерное общество "Концерн "Центральный научно-исследовательский институт "Электроприбор".
Колесникова Александра Геннадьевна, магистрант, gentle_visual@mail. ru, Россия, Тула, Тульский государственный университет,
Матвеев Валерий Владимирович, д-р техн. наук, заведующий кафедрой, matweew.valery@yandex. ru, Россия, Тула, Тульский государственный университет
INFORMATION-MEASURING SYSTEM OF A WAVE-MEASURING BUOY FOR SEA WAVE CHARACTERIZATION
A.G. Kolesnikova, V.V. Matveev
This paper considers the main parameters of sea waves and presents various means for their measurement depending on the research objectives. A mathematical description and block diagram of the algorithm of the information-measuring system (IMS) of a wave buoy (WB) for determining the sea wave parameters are proposed. The results of comparison of algorithms with aperiodic links and the traditional method with integrating links for determining the sea wave height are given. A mockup sample of the WB with its technical characteristics, developed in laboratory conditions, is presented.
Key words: wave buoy, information-measuring system, algorithm, wave height, inertial measurement module.
Kolesnikova Alexandra Gennadievna, master's, gentle [email protected], Russia, Tula, Tula State University,
Matveev Valery Vladimirovich, doctor of technical sciences, head of the department, matweew. valery@yandex. ru, Russia, Tula, Tula State University
УДК 004.8
DOI: 10.24412/2071-6168-2024-10-299-300
МУЛЬТИСВЕРТОЧНАЯ НЕЙРОСЕТЬ ДЛЯ ОПРЕДЕЛЕНИЯ СИГНАЛОВ АКСЕЛЕРОМЕТРА И АНАЛИЗА ПРОИЗВОДСТВЕННОЙ АКТИВНОСТИ
И.А. Матыцина, В.В. Баркалов, В.С. Науменко
Система анализа эффективности работы сотрудников, использующая нейросетевые технологии, направлена на увеличение производительности и сокращение затрат в пищевой промышленности, особенно на предприятиях по переработке растительного масла. Эта разработка основана на применении нейросетей для выявления ключевых факторов производительности, обнаружения скрытых резервов и предотвращения ошибок. Приложение на платформе Wear OS собирает данные с акселерометра, фиксируя движения работников, что позволяет анализировать их активность. Архитектура многоканальной нейросети (MCNN) обеспечивает высокую точность распознавания паттернов в временных рядах, что делает систему эффективной для мониторинга и оптимизации производственных процессов.
Ключевые слова: анализ эффективности, нейросети, пищевой промышленность, MCNN, мониторинг персонала, производственные процессы, оптимизация затрат.
Классификация временных рядов становится всё более востребованной задачей — в последние годы объёмы данных буквально взлетают. В 2023 году, например, общий объём информации в мире перевалил за впечатляющие 120 зеттабайт, и эксперты предсказывают дальнейший рост на 30% ежегодно. Примечательно, что значительная часть этих данных представлена именно временными рядами: показания различных датчиков, финансовые котировки, медицинские измерения — всё это приходит к нам в виде последовательностей, меняющихся во времени.
Работать с такими данными не так просто. Из-за шума данные бывают скрытыми и сложно уловимыми. Кроме того, временные ряды часто содержат как долгосрочные, так и мгновенные колебания, что усложняет их анализ и классификацию.
Временные ряды - это последовательность данных, упорядоченные во времени. Они отражают изменения самых разных показателей: температуры, частоты сердечных сокращений, уровня сахара в крови, курса валют и многого другого. Интересно, что с их помощью можно не только проследить развитие того или иного явления, но и обнаружить скрытые тенденции, сезонные колебания или даже аномалии. Наблюдая за изменениями, можно понять поведение системы, что открывает перед исследователями возможность для прогнозирования и принятия более обоснованных решений.
Классификация временных рядов — задача, где на кону точность и быстрота реакции. В медицине анализ временных рядов может отличить здоровый ритм сердца от патологии. В финансовых системах — предсказать изменения на рынке. В промышленности — обнаружить отклонения в работе оборудования. Примечательно, что гра-
299
мотная классификация позволяет выявить особенности поведения каждого временного ряда, а значит, помогает строить системы, способные моментально реагировать на изменения.
Однако методы анализа таких данных сталкиваются с проблемами. Временные ряды, как правило, отличаются по масштабу и часто содержат шум, который затрудняет выделение важных признаков. В некоторых случаях значимые особенности могут проявляться и в долгосрочных трендах, и в быстрых скачках, что усложняет задачу для традиционных моделей. Такие модели порой ограничены одним временным масштабом или требуют ручного подбора характеристик, что делает их менее универсальными.
Традиционные методы классификации временных рядов. Классификация временных рядов задача непростая. У каждого метода свои плюсы и минусы, и выбрать нужный — значит понять, как он соотносится с задачей. Один из популярных подходов основывается на измерении расстояний между рядами. Основная идея в том, чтобы выяснить, насколько они похожи. Алгоритм динамического искривления времени, или DTW, буквально ис-кревляет временные ряды, выравнивая их ключевые точки.
Благодаря этому удается уловить общие черты, даже если данные немного смещены по времени или растянуты. Интересно, что DTW часто используется в паре с методом k-ближайших соседей (k-NN), что помогает находить сходство среди известных структур и, таким образом, классифицировать ряды.
Однако у этого подхода есть и свои ограничения. В первую очередь, такие методы довольно сильно зависят от выбранных метрик сходства, и если алгоритм не способен "увидеть" сложные закономерности, то точность классификации может пострадать. Кроме того, для крупных наборов данных они могут оказаться слишком медленными, ведь каждый ряд нужно будет сравнить с каждым. В случае, когда нужна высокая скорость или глубокий анализ необычных временных паттернов, подобные методы могут подвести.
Другой подход — методы, основанные на признаках. Здесь временной ряд сначала "упаковывается" в набор характеристик, которые лучше всего отражают его особенности. Это могут быть простые статистические показатели, как среднее значение или разброс, а также более сложные спектральные характеристики, помогающие понять частотные свойства данных. Получив такой набор признаков, временной ряд можно представить как вектор, с которым уже можно работать с помощью классических методов классификации — например, с помощью метода опорных векторов (SVM) или деревьев решений.
Интересно, что такой подход часто применяется в медицине для прогнозирования состояния пациентов. К примеру, временной ряд данных о сердечном ритме можно разбить на короткие временные окна и для каждого из них вычислить ключевые статистики: среднее, максимум, минимум и другие. Эти признаки затем объединяются в единый вектор, который позволяет выявить различия между нормальными показателями и состояниями, требующими вмешательства.
Конечно, методы на основе признаков имеют свои недостатки. Один из них — необходимость заранее выбрать, какие именно характеристики извлекать, что не всегда просто. Ошибка в выборе признаков может привести к тому, что модель просто "не заметит" важных деталей. Кроме того, такой подход может не учитывать динамику временного ряда, что ограничивает его гибкость и применимость в более сложных задачах, где важна не только структура данных, но и их изменения во времени.
Основная идея MCNN. Современные задачи классификации временных рядов всё чаще решаются с использованием сверточных нейронных сетей, в частности, мульти-масштабных сверточных сетей (MCNN). В отличие от традиционных подходов, где выделение признаков и их анализ идут как бы отдельно, MCNN объединяет эти процессы, позволяя сети автоматически находить значимые черты временного ряда и сразу применять их для классификации. Это значительно упрощает процесс анализа: нет нужды вручную подбирать и тестировать признаки — MCNN делает это за нас, и в итоге точность классификации возрастает.
В его основе — параллельные слои, каждый из которых нацелен на свои временные и частотные масштабы, словно разложенные линзы в объективе. Эти слои специально подбираются, чтобы фиксировать как общие долговременные тенденции, так и кратковременные всплески, которые могли бы ускользнуть при стандартном подходе. Такой подход позволяет MCNN одновременно и анализировать общий фон, и замечать редкие отклонения — сигналы, которые обычно не так-то просто уловить.
Преимущество этого метода особенно заметно в тех случаях, где стандартные методы могут оказаться излишне ограниченными. MCNN автоматически подстраивается под временную структуру данных, снимая с нас необходимость в длительной настройке и кропотливом выборе признаков. Более того, модель отлично работает на GPU, так что её можно применять на больших массивах данных, не теряя в скорости. Это открывает путь к её использованию в таких областях, где важны и скорость, и точность: медицинская диагностика, финансовая аналитика, контроль производственных процессов. В итоге MCNN не только ускоряет классификацию, но и делает анализ более надёжным, минимизируя вероятность упустить важные особенности.
Можно сказать, что MCNN позволяет «смотреть» на данные под разными углами, выявляя закономерности и аномалии, которые могли бы остаться незамеченными. Примечательно, что при изменении скорости или длительности колебаний модель всё равно сохраняет точность анализа. Это делает её действительно универсальным и мощным инструментом, идеально подходящим для решений, где ошибки обходятся дорого.
Архитектура MCNN (Multi-Channel Neural Network) - это структура, состоящая из трёх последовательных этапов, каждый из которых нацелен на поэтапное «вглядывание» во временной ряд, чтобы выделить значимые особенности. Эта поэтапная стратегия позволяет сети более эффективно анализировать и классифицировать те признаки, которые традиционным методам обычно ускользают.
Первый этап - преобразование данных. На начальной стадии применяется серия преобразований, призванная представить данные с разной степенью детализации. Интересно, что тут могут использоваться как простые техники (например, исходное представление ряда), так и более «глубокие» методы, такие как преобразование Фурье или вейвлет-преобразование. Каждый метод обработки по-своему раскрывает временные и частотные характеристики данных, обеспечивая разнообразие информации для анализа. Это закладывает основу для точного выделения признаков на последующих этапах.
Второй этап - локальная свёртка. Следующим шагом каждая из преобразованных версий ряда передаётся в свою сверточную ветвь, где используются фильтры, способные выделять мелкие, но значимые детали: от пиковой активности до кратковременных колебаний. Такие паттерны могут быть особенно важны для классификации, по-
скольку их появление часто характеризует особенности данных. Важное преимущество MCNN на этом этапе - её способность фокусироваться на ключевых признаках в коротких временных интервалах, которые могли бы быть незаметны при традиционной обработке.
Третий этап - полная свёртка и обобщение. После того как каждая сверточная ветвь выделила свои особенности, нейросеть объединяет результаты для создания обобщённого представления временного ряда. Завершающий слой softmax превращает всю эту многоуровневую обработку в предсказание вероятностей, на основе которых и происходит окончательная классификация.
Преимущества такой архитектуры состоит в адаптации нейросети к различным типам данных, эффективно выделяя более сложные и многомасштабные паттерны по сравнению с традиционными методами. Это делает её особенно полезной для анализа сложных временных рядов, где важно учитывать и временные, и частотные особенности данных.
Сравнение MCNN с другими методами:
- Эксперименты: Авторы провели обширные тесты, чтобы сравнить MCNN с существующими методами классификации временных рядов. Для этого использовались эталонные наборы данных, в которых MCNN демонстрировала более высокую точность по сравнению с традиционными методами.
- Результаты: MCNN показала себя особенно хорошо на наборах данных, где важно учитывать многомасштабные признаки. Она превосходила другие методы по точности, и её использование позволяло получать более устойчивые результаты даже при наличии шума.
- Значимость результата: Эти эксперименты показали, что MCNN не только равнозначна лучшим существующим методам, но и превосходит их по многим критериям, особенно когда требуется работа с большими объёмами временных данных.
Многоканальная свёрточная нейронная сеть (MCNN) объединяет в себе сразу два критически важных этапа — извлечение признаков и их классификацию — в единую модель. Это объединение позволяет значительно повысить точность при анализе временных рядов. Важным преимуществом MCNN является её способность эффективно работать с данными разного масштаба. В мире временных рядов, где ключевые особенности могут прятаться на разных временных уровнях, эта модель оказывается практически незаменимой.
Говоря о сильных сторонах, нельзя не отметить её способность автоматически выделять сложные, многослойные признаки, которые иначе сложно выявить. Кроме того, модель показывает высокую гибкость, легко адаптируясь к изменению временных масштабов. Её структура как будто специально создана для обработки больших объёмов данных, что открывает широкие горизонты для применения в реальных задачах. Ещё один немаловажный аспект: обучить MCNN на крупномасштабных наборах данных не составляет труда, что только расширяет возможности её использования.
С учётом высокой точности и гибкости, MCNN вполне может найти себе место во множестве областей, будь то медицина, финансы или промышленность. Где требуется выявление скрытых закономерностей или работа с массивными, сложными данными — MCNN явно на высоте. Например, в медицине её можно было бы использовать для анализа временных данных о здоровье пациентов, помогая выявить тенденции или потенциальные риски. А в финансовом секторе она могла бы стать инструментом для предсказания рыночных трендов, что особенно актуально в условиях стремительных изменений на биржевых рынках.
Список литературы
1. Бишоп К.М. Распознавание образов и машинное обучение. М.: Вильямс, 2011. 1104 с.
2. Кузнецов М.Д. Классификация временных рядов методом динамического искривления времени // Компьютерные науки и информационные технологии. 2019. Т. 1, № 2. С. 58-67.
3. Лешина А.В. Современные методы обработки временных рядов и их применение в медицине / А. В. Лешина, Н. П. Лапшин // Журнал медицинских технологий. 2021. № 3. С. 103-115.
4. Wang Z., Yan W., Oates T. Time series classification from scratch with deep neural networks: A strong baseline // International Joint Conference on Artificial Intelligence (IJCAI). 2017. P. 1570-1576.
5. Cui Z., Chen W., Chen Y. Multi-scale Convolutional Neural Networks for Time Series Classification // Journal of Machine Learning Research. 2016. Vol. 17, No. 4. P. 1-40.
6. Wu Y., Lin Y. Time series analysis and forecasting with deep learning methods: Survey // Neurocomputing. 2022. Vol. 446. P. 135-155.
7. Исследование нейронных сетей для классификации временных рядов [Электронный ресурс]. URL: https://example-neural-tsc-research.com (дата обращения: 11.11.2024).
Матыцина Ирина Александровна, канд. техн. наук, доцент, [email protected], Россия, Воронеж, Воронежский филиал Государственный университет морского и речного флота имени адмирла С.О. Макарова,
Баркалов Вадим Владиславович, обучающийся, vadimbarkalov367@gmail. com, Россия, Воронеж, Воронежский филиал Государственный университет морского и речного флота имени адмирла С.О. Макарова,
Науменко Владимир Сергеевич, обучающийся, [email protected], Россия, Воронеж, Воронежский филиал Государственный университет морского и речного флота имени адмирла С.О. Макарова
MULTI-CONVOLUTIONAL NEURAL NETWORK FOR DETERMINING ACCELEROMETER SIGNALS AND ANALYZING
PRODUCTION ACTIVITY
I.A. Matytsina, V. V. Barkalov, V.S. Naumenko
An employee performance analysis system using neural network technologies is aimed at increasing productivity and reducing costs in the food industry, especially in vegetable oil processing enterprises. This development is based on the
301
use of neural networks to identify key performance factors, detect hidden reserves and prevent errors. The Wear OS platform application collects data from the accelerometer, recording the movements of workers, which allows you to analyze their activity. The multi-channel neural network (MCNN) architecture provides high accuracy of pattern recognition in time series, which makes the system effective for monitoring and optimizing production processes.
Key words efficiency analysis, neural networks, food industry, MCNN, personnel monitoring, production processes, cost optimization.
Matytsina Irina Aleksandrovna, candidate of technical sciences, docent, irina210390@mail. ru, Russia, Voronezh, Voronezh branch of Admiral Makarov State University of Maritime and Inland Shipping,
Barkalov Vadim Vladislavovich, student, vadimbarkalov367@gmail. com, Russia, Voronezh, Voronezh branch of Admiral Makarov State University of Maritime and Inland Shipping,
Naumenko Vladimir Sergeevich, student, nauvlas@mail. ru, Russia, Voronezh, Voronezh branch of Admiral Makarov State University of Maritime and Inland Shipping
УДК 535.8
Б01: 10.24412/2071-6168-2024-10-302-303
ЗАДАЧА СБЛИЖЕНИЯ ДВУХ РОБОТОВ ПРИ УПРАВЛЕНИИ ПО ЛАЗЕРНОМУ КАНАЛУ СВЯЗИ
П.В. Черкасова, В.В. Матвеев
В статье рассматриваются преимущества использования способа передачи информации сигналов управления по лазерному каналу связи в сравнении с радиоканалом и проводным способом передачи данных. Рассмотрен способ применения лазерного канала связи в робототехнике. Представлен метод сближения по лучу на примере задачи робототехники.
Ключевые слова: оптические системы, лазерный канал связи, передача информации, лазер, оптическая связь, управление подвижным объектом
Развитие связи и передачи различного рода информации во многом повлияло на историю всего человечества. На протяжении долгого времени происходила эволюция средств передачи информации, люди общались между собой посредством передачи на большие расстояния различных знаков - звуковых и световых сигналов.
Многовековая эволюция передачи данных содержит немало исторически важных событий, среди которых: изобретения телеграфа, радио, телевизионного передатчика и т.д.
Первые опыты по передаче электрических сигналов по проводам относятся к XIX веку. Проводная связь, несмотря на появление новых беспроводных технологий, сохраняет ряд важных преимуществ и сейчас, однако, помимо достоинств, у проводной связи есть некоторые недостатки: необходимость прокладки линий связи, что требует больших материальных затрат, линии связи уязвимы к повреждениям при стихийных бедствиях, ограниченная мобильность - привязка к месту расположения точки подключения.
Дальнейшее развитие науки и техники позволило использовать для передачи информации радиосвязь. Несмотря на простоту в использовании: они являются популярным выбором для из-за их простоты и удобного интерфейса, такой тип связи обладает следующим недостатком - нарушение ее работы специальными станциями помех.
Однако научно-технический прогресс предъявляет все новые и новые требования к системам передачи информации. В настоящее время бурно развиваются так называемые лазерные каналы связи. Основными достоинством лазерной передачи данных является высокая скорость передачи и возможность передачи больших объемов данных на большие дальности [1].
В определенных условиях работы, например, высокочастотные помехи или ограничения по радиочастотному спектру, лазерная связь может предоставить стабильное соединение между передающей и принимающей аппаратурами управления.
Некоторые исследования показывают, что лазерная связь может обеспечивать скорости передачи данных до 100 Гбит/с, что значительно превышает возможности традиционных радиочастотных систем [2].
Целью настоящей статьи является исследование сближения роботов с применением лазерного канала связи.
Применение лазерного канала связи в управлении подвижными объектами. Применение лазерных каналов связи в робототехнике для управления за роботами в луче лазера является одним из интересных и перспективных направлений. Лазерный луч может использоваться для определения точного положения и ориентации робота в пространстве, данные о местоположении могут передаваться по лазерному каналу для улучшения навигации робота в сложных средах. Задачи управления сближением материальных точек возникают в различных областях техники. Так, например, в робототехнике - при наведении схвата на подвижную деталь [3].
Рассмотрим один из методов управления роботами - сближение по лучу лазерного канала.
Сближение по лучу состоит в том, что робот-преследователь (Рп) должен оставаться на прямой, соединяющий главный робот (Рг) и точку, из которой ведется управление.
Для решения задачи сближения роботов введем следующие предположения:
1. Главный робот движется по прямой и не совершает никаких маневров.
2. Скорости главного и робота-преследователя не изменяются во времени;
3. Точка управления лазерного канала неподвижна;
302
