http://cte.eltech.ru/ojs/index.php/kio/issue/feed Компьютерные инструменты в образовании 2021-10-01T19:07:12+00:00 Поздняков С.Н. / Sergei N. Pozdniakov info@kio.spb.ru Open Journal Systems <p>Жуpнал <strong>"Компьютеpные инстpументы в обpазовании"</strong> выходит с января <strong>1998</strong> года.&nbsp; Научное направление периодического издания: интеллектуальные информационные системы , математическое моделирование, информатика и информационные технологии в науке и образовании.&nbsp; Журнал входит в перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученых степеней доктора и кандидата наук по специальности:&nbsp;<br>05.13.00 (информатика, вычислительная техника и управление). <br>Выходит в печатной и электронной версиях.</p> http://cte.eltech.ru/ojs/index.php/kio/article/view/1691 Титульный лист 2021-09-23T22:24:13+00:00 Сергей Николаевич Поздняков posova2011@gmail.com <p>-</p> 2020-03-28T00:00:00+00:00 Copyright (c) http://cte.eltech.ru/ojs/index.php/kio/article/view/1680 Анализ образцов пшеницы, основанный на вычислении мультифрактального спектра 2021-10-01T19:07:12+00:00 Иван Николаевич Муренин imurenin@gmail.com Наталья Борисовна Ампилова n.ampilova@spbu.ru <p>В настоящее время вычислительный анализ изображений пшеницы с целью иден- тификации сортов пшеницы и оценкой ее качества находит много применений в сельском хозяйстве и на производстве. В данной работе предложен и реализован подход к анализу и классификации изображений образцов пшеницы, полученных методом кристаллизации с добавлениями. Исходные данные представляют набор изображений из 5 различных классов, 12 изображений для каждого класса, которые представляют результаты экспериментов для 3 вариантов концентраций и 4 вре- менных интервалов для каждой концентрации. Все изображения имеют довольно близкие визуальные характеристики, что не позволяет успешно использовать такие известные методы, как статистики второго порядка.<br>В качестве признакового описания изображений использовался мультифракталь- ный спектр, полученный методом вычисления так называемой локальной функции плотности. Классификация проводилась с помощью различных методов машинно- го обучения, таких как линейная регрессия, наивный байесовский классификатор, машина опорных векторов и случайный лес. В некоторых случаях для сокращения размерности признаковых характеристик использовался метод главных компонент. Результаты классификации показали, что использование мультифрактального спектра в качестве классификационного признака и метода случайного леса в комби- нации с методом главных компонент позволяет идентифицировать изображения, полученные методом чувствительной кристаллизации, с наибольшей средней точ- ностью классификации в 74 %.</p> 2021-03-18T00:00:00+00:00 Copyright (c) http://cte.eltech.ru/ojs/index.php/kio/article/view/1679 О классической версии метода ветвей и границ 2021-09-17T21:19:21+00:00 Борис Феликсович Мельников bf-melnikov@yandex.ru Елена Анатольевна Мельникова ya.e.melnikova@yandex.ru <p>В литературе описано очень много задач, которые могут быть названы задачами дискретной оптимизации: от шифровки информации в Интернете (включая создание программ для криптовалют) до поиска групп «по интересам» в социальных сетях. Ча- сто эти задачи очень сложны для решения на компьютере, откуда и идёт их название «труднорешаемые». Точнее, сложны для решения (описания алгоритмов, програм- мирования) возможные подходы к быстрому решению этих задач, переборное же решение, как правило, программируется просто, но работает соответствующая про- грамма гораздо медленнее.<br>Практически каждую из таких труднорешаемых задач можно назвать математиче- ской моделью. При этом часто и сама модель, и алгоритмы, предназначенные для её решения, создаются для одной предметной области, но могут найти применение и во многих других областях. Примером такой модели является задача коммивояжёра. Особенностью задачи является то, что при относительной простоте её постанов- ки нахождение оптимального решения (оптимального маршрута) является весьма сложным и относится к так называемому классу NP-полных проблем. Более того, согласно имеющейся классификации, задача коммивояжёра является примером оптимизационной проблемы, входящей в самый сложный подкласс этого класса. Однако основной предмет статьи — это не задача, а метод её решения, метод ветвей и границ. Он состоит из нескольких связанных между собой эвристик, и в моногра- фической литературе подобная мультиэвристичость метода ветвей и границ ранее отмечена, по-видимому, не была: разработчики алгоритмов и программ это должны были понимать сами. При этом сам метод может быть применён с небольшими изменениями и ко многим другим задачам дискретной оптимизации.<br>Итак, классический вариант метода ветвей и границ — основной предмет настоящей статьи, но почти столь же важен и второй её предмет — задача коммивояжёра, тоже в классической её постановке. Речь идёт о применении метода ветвей и границ при решении задачи коммивояжёра, причём в отношении этого применения также можно употребить прилагательное «классическое». Однако в дополнение к класси- ческой версии этой реализации мы рассматриваем новые эвристики, связанные с необходимостью разработки алгоритмов реального времени.</p> 2021-03-18T00:00:00+00:00 Copyright (c) http://cte.eltech.ru/ojs/index.php/kio/article/view/1683 Выявление участков повышенной опасности на дорогах Массачусетса в 2013-2018 годах 2021-09-16T22:28:24+00:00 Аркадий Михайлович Герштейн ArkadyGer@gmail.com Андрей Николаевич Терехов a.terekhov@spbu.ru <p>Для выявления участков повышенной опасности на дорогах штата Массачусетс применяется метод кластеризации DBSCAN. Исследуются серьезные (т.е. приведшие к летальному исходу или травмам) дорожно-транспортные происшествия (ДТП) с 2013 по 2018 годы. Алгоритм DBSCAN&nbsp;был также применен к набору равномерно распределенных по дорожной сети точек для определения порога в численности ДТП, после которого кластер можно считать статистически достоверным. Было произведено сравнение двух метрик расстояния: эвклидовой и сетевой. Показано, что обе метрики эквивалентны, если минимальное расстояние между отдельными ДТП в кластере не превышает 10 метров. Последний результат позволяет обосновать <em>гибридный метод кластеризации</em>, применимый для нахождения участков повышенной опасности на дорогах: для нахождения компактных кластеров можно использовать обычные эвклидовы расстояния между ДТП, а дорожную сеть использовать только для генерации равномерно распределенных по сети точек, нужных для выявления достоверных кластеров методом Монте-Карло. Гибридный метод позволяет обработать десятки тысяч ДТП, располагая сравнительно скромными вычислительными ресурсами. Анализ кластеров, выявленных на протяжении нескольких последовательных лет позволяет сделать вывод о их стабильности и прогностической ценности.</p> 2021-03-18T00:00:00+00:00 Copyright (c) http://cte.eltech.ru/ojs/index.php/kio/article/view/1687 Комбинированный подход к выявлению аномалий в беспроводных сенсорных сетях на примере системы управления водоснабжением 2021-09-16T22:28:42+00:00 Алексей Викторович Мелешко meleshko.a@iias.spb.su Антон Андреевич Шулепов aoshyleo@gmail.com Василий Алексеевич Десницкий desnitsky@comsec.spb.ru Евгения Сергеевна Новикова novikova@comsec.spb.ru <p>Статья описывает подход к выявлению аномалий применительно к беспроводным сенсорным сетям (WSN). Он основан на комбинировании методов визуального анализа данных и методов машинного обучения. Данный подход апробирован на примере WSN управления водоснабжением. Для проверки разработаны программно-аппаратный прототип системы и программная модель для генерации необходимых наборов данных для формирования моделей детектирования и их тестирования. Проведенные эксперименты показали высокое качество детектирования, что показывает применимость комбинированного подхода для выявления аномалий к использованию на практике</p> 2021-03-18T00:00:00+00:00 Copyright (c) http://cte.eltech.ru/ojs/index.php/kio/article/view/1671 Онтология дискретной математики в образовании 2021-09-24T23:08:28+00:00 Иван Игоревич Молотков molotkov.ivan.igorevich@gmail.com Федор Александрович Новиков fedornovikov51@gmail.com <p>В настоящее время онтологии широко используются в информатике для формализованного представления знаний о различных предметных областях. Разработаны и успешно применяются специальные формальные языки описания онтологий, которые позволяют описывать онтологии в форме, доступной для использования как человеком, так и компьютером. Среди разнообразных вариантов использования онтологий особое место занимает применение онтологий в образовании, поскольку систематизация и упорядочение знаний, будучи главным конкурентным преимуществом онтологического подхода, одновременно является одной из главных целей образовательного процесса. В статье предложены оригинальные приёмы построения онтологий для использования в образовательном процессе высшей школы. Центральной идеей является построение фасетных, иначе говоря, — многогранных онтологий, в которых различные аспекты одной и той же предметной области описываются концептуально схожими, но синтаксически различными средствами. Такой подход обеспечивает более точное и семантически адекватное описание при сохранении известной лаконичности и наглядности обозначений. В качестве языка описания онтологий предлагается использовать унифицированный язык моделирования UML 2, прекрасно зарекомендовавший себя при формализации во многих случаях. Изложение ведётся на примере построения онтологии дискретной математики, причём приводимые в статье диаграммы онтологий внедрены в учебные процессы Академического и Политехнического университетов Санкт-Петербурга.</p> 2021-03-18T00:00:00+00:00 Copyright (c) http://cte.eltech.ru/ojs/index.php/kio/article/view/1666 Компьютерные инструменты преподавателя 2021-09-24T23:12:50+00:00 Юрий Борисович Сениченков senyb@dcn.icc.spbstu.ru <p>В статье обсуждаются проблемы, связанные с электронным и дистанционным образованием. Приводятся нормативные документы, мнения о готовности нашей образовательной системы применять новые методы и средства обучения, связанные с цифровыми технологиями. Ставиться вопрос о унификации понятий и терминов, относящихся к образовательным цифровым технологиям.</p> 2021-03-18T00:00:00+00:00 Copyright (c)