文章的正确链接:
Lizneva Y.S., Kostyukovich A.E., Kokoreva E.V.
使用神经网络算法在Wi-Fi网络中确定位置的可能性分析
// 软件系统和计算方法.
2024. № 4.
和。 1-12.
DOI: 10.7256/2454-0714.2024.4.72107 EDN: CSDXDU URL: https://cn.nbpublish.com/library_read_article.php?id=72107
注释,注释:
Wi-Fi网络上的室内定位属于一类任务，其中输出特性对输入变量的依赖性受到许多参数和外部因素的影响。 在解决此类问题时，有必要考虑到，在确定位置时，不仅要确定物体的静态坐标，还要预测其运动的矢量，这一点非常重要。 在对象的位置仅由从Wi-Fi网络上的几个接入点接收的信号功率水平确定的情况下，考虑到无线电波在室内传播条件的信号衰减模型的使用是困难的， 由于房间内的电磁环境因许多因素而异，因此上述模型必须适应这些变化。 由于在大量数据中寻找模式需要非标准算法，因此可以使用人工神经网络来解决定位问题。 选择能够考虑移动设备从Wi-Fi接入点接收的信号强度变化的神经网络架构非常重要。 在训练神经网络之前，对统计数据进行预处理。 例如，当设备在一个测量点检测到来自少于三个接入点的信号时，异常情况将从机器学习数据集中排除。 作为统计数据分析的结果，发现测量点之间的相同距离导致神经网络错误地确定物体的位置的事实。 论文表明，为了提高在复杂无线电放置条件下定位位置的准确性，在编制无线电地图时，有必要确定测量点之间的最佳变化距离。 所进行的实验研究，考虑到所提出的优化测量点之间距离的方法，证明绝大多数测量点的位置确定精度达到100％。
关键词:
Wi-Fi, 定位, 测量点, RSSI, 神经网络, 信号强度, 隐藏层, 机器学习, 培训样本, 一组训练数据
文章的正确链接:
Dagaev A.E., Popov D.I.
俄语文本自动概括的比较
// 软件系统和计算方法.
2024. № 4.
和。 13-22.
DOI: 10.7256/2454-0714.2024.4.69474 EDN: CSFMFC URL: https://cn.nbpublish.com/library_read_article.php?id=69474
注释,注释:
本文的研究主题是使用人工智能模型对俄语文本进行概括。 特别是，作者比较了流行的模型GigaChat，YaGPT2，ChatGPT-3.5，ChatGPT-4，Bard，Bing AI和YouChat，并对他们对俄语文本的工作进行了比较研究。 该文章使用俄语数据集，如Gazeta，XL-Sum和WikiLingua，作为后续泛化的源材料，以及英语，CNN Retail和XSum的其他数据集，用于比较泛化的有效性。 文章使用以下指标：ROUGE，BLEU score，BERTScore，METEOR和BLEURT来评估文本的泛化。 在本文中，使用人工智能模型对自动泛化过程中获得的数据进行比较分析作为研究方法。 该研究的科学新颖性是使用自然语言处理的各种神经网络模型对俄语和英语文本自动泛化的质量进行比较分析。 该研究的作者提请注意新模型GigaChat，YaGPT2，ChatGPT-3.5，ChatGPT-4，Bard，Bing AI和YouChat，考虑并分析其在文本泛化任务中的有效性。 俄语泛化的结果表明，YouChat在评级集方面表现出最高的结果，强调了模型在处理和生成文本方面的有效性，并更准确地再现了内容的关键元素。 与YouChat不同，Bard模型显示出最差的结果，代表了生成连贯和相关文本的能力最小的模型。
关键词:
自然语言处理, 总结课文, 吉加卡特, YaGPT2, 聊天-3, ChatGPT-4, 吟游诗人, 冰艾, 你聊天, 文本压缩
文章的正确链接:
Bulgakov V.D., Gvozdevsky I.N.
性能证明共识模型和算法
// 软件系统和计算方法.
2024. № 4.
和。 23-48.
DOI: 10.7256/2454-0714.2024.4.71119 EDN: NAGMFW URL: https://cn.nbpublish.com/library_read_article.php?id=71119
注释,注释:
本文基于支持水平分片函数的共识算法，探讨了性能证明（PoP）模型的操作原理。 PoP模型引入了对用于权益证明算法和基于Tendermint核心的网络的传统块结构的更改。 水平分片允许您在多个节点（分片）之间分发事务，这显着增加了网络带宽。 该研究的主要目的是探索通过动态交易分配和自适应节点管理提高区块链网络效率和可扩展性的方法。 一个重要的方面是确定节点的参数和可变特性，例如性能和可靠性，以便在网络内均匀和公平地分配负载。 这可确保系统适应不断变化的负载条件。 本文采用分析和形式化的方法来描述块结构、分配交易的机制以及分片的惩罚和奖励制度。 该研究代表了管理区块链网络的创新方法，重点关注节点性能。 与传统共识算法相比，具有水平分片的PoP模型提供了更高的网络吞吐量和可扩展性。 提出了一种基于节点权重性能的动态负载分配和自适应变化的系统，有助于提高网络的效率和可靠性。 作为研究的结果，证明了性能证明模型显着提高了交易处理的速度和区块链网络的整体性能。 应用实例证实了该模型在各种类型网络中的有效性，如DeFi平台，供应链管理系统和物联网网络。 PoP模型鼓励节点保持高性能，确保公平的负载分配并增加网络的整体稳定性。
关键词:
共识模型, 共识算法, 碎片, 座, 表现证明, 投注证明, 水平分片, 效率, 负荷分配, 区块链
文章的正确链接:
Dimitrichenko D.P.
各种类型的老虎机在放置游戏条件下的适当行为分析
// 软件系统和计算方法.
2024. № 4.
和。 49-65.
DOI: 10.7256/2454-0714.2024.4.72488 EDN: SQCVFI URL: https://cn.nbpublish.com/library_read_article.php?id=72488
注释,注释:
这项工作的研究对象是具有目的行为属性的自动机的同质集体。 本研究的主题是在实施放置游戏条件时对此类机器的不同设计进行比较。 本研究的目的是量化自动机的惯性属性和记忆深度值对放置游戏框架内自动机集体功能有效性的影响。 在所考虑的集体中，自动机在给定的栖息地中以不同程度的有效性执行动作。 自动机根据其设计，用另一个动作对输入信号作出反应。 对自动机有效性的评估定义为自动机在所考虑的时间段内接收到的正信号或负信号的总和。 这个特性既取决于机器的声明设计，也取决于它的内存深度。 有必要确定最简单的自动机设计，以最短的方式在给定环境中实现最佳效率。 环境属性和自动机动作的形式化以及所得结果的处理都是使用博弈论的装置进行的。 在这种情况下，机器功能的有效性值表示为老虎机玩家的累积奖金和损失金额。 所进行的研究的新颖之处在于构建对自动机集体行为有效性的整体评估，这使我们不仅能够追踪集体的愿望，以尽量减少奖励数量，而且还可以最大限度地减少集体内部竞争。 所获得的结果使得可以追踪以适当结构形式实施的自动机惯性质量对给定环境中功能效率的影响，并以放置游戏的形式正式化。 具有线性策略的自动机和Krylov自动机构成了接近最优的自动机策略的两个边际实现。 第一个是由于改变动作的高速度，第二个是由于长时间停留在接近最佳的状态。 所获得的结果的应用领域是使用最简单的自动机设计进一步研究更复杂的动态环境，因为在计算实现过程中的同步自动机集体很难并行化，当动态环境的结构变得更加复杂或这些优化任务增加时，会导致时间和计算成本显着增加。
关键词:
一个同质的自动机集体, 适当的行为, 奖励措施, 罚款, 强化学习, 机器, 内存深度, 博弈论, 最佳策略, 安置游戏
文章的正确链接:
Zakharov A.A.
一种基于图上神经网络的图像中物体检测方法及少量训练实例
// 软件系统和计算方法.
2024. № 4.
和。 66-75.
DOI: 10.7256/2454-0714.2024.4.72558 EDN: UTTFCH URL: https://cn.nbpublish.com/library_read_article.php?id=72558
注释,注释:
在所提出的工作中，研究的对象是计算机视觉系统。 该研究的主题是基于图形上的神经网络和少量训练示例来检测图像中物体的方法。 本主题的诸如使用场景的结构表示来提高对象检测的准确性的方面被详细讨论。 建议基于神经网络在图形上共享有关场景结构的信息，并从"多个镜头"进行训练，以增加目标检测的准确性。 类之间的关系是使用外部语义链接建立的。 为此，预先创建了一个知识图。 该方法包含两个阶段。 在第一阶段，基于具有"多个镜头"的训练来执行对象检测。 在第二阶段，使用图形上的神经网络提高了检测精度。 所开发的方法的基础是使用基于谱图理论的卷积。 每个顶点表示知识图中的一个类别，基于条件概率计算图的边权重。 基于卷积，来自相邻顶点和边的信息被组合以更新顶点值。 所开发的方法的科学新颖性在于联合使用图上的卷积网络和来自"多次拍摄"的训练，以增加目标检测的准确性。 作者对该主题研究的一个特殊贡献是使用基于知识图的卷积网络，使用少量训练示例改进目标检测方法的结果。 该方法在计算机视觉领域的图像测试集上进行了研究。 利用PASCAL VOC和MS COCO数据集，证明了该方法通过分析结构关系提高了目标检测的准确性。 与不使用结构表示的"多次拍摄"训练方法相比，使用开发的方法进行物体检测的平均准确度提高了1-5％。
关键词:
计算机视觉, 目标检测, 卷积网络, 一小组数据, 深入学习, 有限注释, 图表, 模式识别, 人工智能, 场景的结构表示
Cn
© 1998 – 2024 Nota Bene. Publishing Technologies. NB-Media Ltd.
