Компьютерные инструменты в образовании

Титульный лист

Сергей Николаевич Поздняков — 2020-03-28

Анализ образцов пшеницы, основанный на вычислении мультифрактального спектра

Иван Николаевич Муренин — 2021-03-18

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.
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 %.

О классической версии метода ветвей и границ

Борис Феликсович Мельников — 2021-03-18

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.
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.
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.

Выявление участков повышенной опасности на дорогах Массачусетса в 2013-2018 годах

Аркадий Михайлович Герштейн — 2021-03-18

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 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 гибридный метод кластеризации, 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.

Комбинированный подход к выявлению аномалий в беспроводных сенсорных сетях на примере системы управления водоснабжением

Алексей Викторович Мелешко — 2021-03-18

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

Онтология дискретной математики в образовании

Иван Игоревич Молотков — 2021-03-18

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.

Компьютерные инструменты преподавателя

Юрий Борисович Сениченков — 2021-03-18

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.