Цель работы: состоит в анализе и выборе наиболее подходящих алгоритмов машинного обучения для решения задач прогнозирования технического состояния средств радиосвязи.
Метод исследования: алгоритмы линейной и логистической регрессии, деревья решений, случайные леса, градиентный бустинг, метод опорных векторов, K-ближайших соседей и искусственные нейронные сети.
Результаты исследования: В статье представлен анализ существующих зарубежных и отечественной национальных стратегий развития искусственного интеллекта, основные определения, направления и применяемые технологии. Более подробно рассмотрено одно из направлений искусственного интеллекта — машинное обучение, применяемое для решения различных задач прогнозирования, в том числе прогнозирования технического состояния средств радиосвязи искусственные нейронные сети, являющиеся одним из самых популярных методов машинного обучения, которое, в свою очередь, является одним из направлений искусственного интеллекта, наиболее предпочтительны для решения задач прогнозирования технического состояния средств радиосвязи. Также в статье подробно представлено пошаговое описание работы алгоритмов, их достоинства и недостатки.
Практическая ценность: новые возможности, связанные с использованием искусственного интеллекта, открывают новые горизонты для развития современных технологий, в том числе на основе применения искусственных нейронных сетей. Прогнозирование технического состояния средств радиосвязи является ключевым элементом управления и эксплуатации радиосистем и позволяет создавать надежные системы связи, способные эффективно функционировать в любых условиях, минимизировать время простоя и оптимизировать процессы обслуживания.
The purpose of the work is to analyze and select the most suitable machine learning algorithms for solving the problems of predicting the technical condition of radio communication facilities.
Research method: linear and logistic regression algorithms, decision trees, random forests, gradient boosting, support vector method, K-nearest neighbors, and artificial neural networks.
Research results: The article presents an analysis of existing foreign and domestic national strategies for the development of artificial intelligence, the main definitions, directions and technologies used. One of the areas of artificial intelligence is considered in more detail — machine learning, which is used to solve various forecasting problems, including predicting the technical condition of radio communication facilities Artificial neural networks, which are one of the most popular methods of machine learning, which, in turn, is one of the areas of artificial intelligence, the most preferable for solving the problems of predicting the technical condition of radio communication facilities. The article also provides a detailed step-by-step description of the algorithms, their advantages and disadvantages.
Practical value: new opportunities associated with the use of artificial intelligence open up new horizons for the development of modern technologies, including those based on the use of artificial neural networks. Predicting the technical condition of radio communication equipment is a key element in the management and operation of radio systems and allows you to create reliable communication systems that can function effectively in any conditions, minimize downtime and optimize maintenance processes.
Источники финансирования не указаны.
No funding sources reported.
-
Мусаев А. А.. Интеллектуальный анализ данных. // СПб.: СПбГТИ(ТУ).. 2018. С. 56–56.
Мусаев А. А.. Intellektual'nyj analiz dannyh. // SPb.: SPbGTI(TU).. 2018. -
Воронина В. В., Михеев А. В., Ярушкина Н. Г., Святов К. В.. Теория и практика машинного обучения. // Ульяновский
государственный технический университет, Ульяновск.. 2017. С. 290–290.
Воронина В. В., Михеев А. В., Ярушкина Н. Г., Святов К. В.. Teorija i praktika mashinnogo obuchenija. // Ul'janovskij gosudarstvennyj tehnicheskij universitet, Ul'janovsk.. 2017. -
Хенрик Б., Джозеф Р., Марк Ф.. Машинное обучение. // СПб.: Питер. 2017. С. 336–336.
Хенрик Б., Джозеф Р., Марк Ф.. Mashinnoe obuchenie. // SPb.: Piter. 2017. -
Вьюгин В. В.. Математические основы машинного обучения и прогнозирования. // М.:. 2013, 2018. С. 484–484.
Вьюгин В. В.. Matematicheskie osnovy mashinnogo obuchenija i prognozirovanija. // M.:. 2013, 2018. -
Морозова В. И.. Прогнозирование методом машинного обучения // Молодой ученый. 2022. № 21 (416). С. 202–204.
Морозова В. И.. Prognozirovanie metodom mashinnogo obuchenija // Molodoj uchenyj. 2022. -
Аллакин В. В.. Анализ методов оценки временных рядов сервером мониторинга информационно-телекоммуникационной сети общего
пользования // Техника средств связи. 2021. № 2 (154). С. 60–80.
Аллакин В. В.. Analiz metodov ocenki vremennyh rjadov serverom monitoringa informacionno-telekommunikacionnoj seti obshhego pol'zovanija // Tehnika sredstv svjazi. 2021. -
Шелест А. В., Пархоменко К. А.. Обзор методов и моделей прогнозирования временных рядов // Компьютерное проектирование и
технология производства электронных систем: сборник тезисов 54 научной конференции аспирантов, магистрантов и студентов.
2018. С. 112–113.
Шелест А. В., Пархоменко К. А.. Obzor metodov i modelej prognozirovanija vremennyh rjadov // Komp'juternoe proektirovanie i tehnologija proizvodstva jelektronnyh sistem: sbornik tezisov 54 nauchnoj konferencii aspirantov, magistrantov i studentov. 2018. -
Пономарева К. А.. Применение искусственных нейронных сетей при решении задач прогнозирования // Наука без границ. 2020. №
1(41). С. 42–47.
Пономарева К. А.. Primenenie iskusstvennyh nejronnyh setej pri reshenii zadach prognozirovanija // Nauka bez granic. 2020. -
Горева Т. И., Портнягин Н. Н., Пюкке Г. А.. Нейросетевые модели диагностики технических систем // Вестник КРАУНЦ. Физ-мат.
науки.. 2017. № 1 (4). С. 31–43.
Горева Т. И., Портнягин Н. Н., Пюкке Г. А.. Nejrosetevye modeli diagnostiki tehnicheskih sistem // Vestnik KRAUNC. Fiz-mat. nauki.. 2017. -
Хаханов В. И.. Применение искусственных нейронных сетей для диагностирования цифровых сетей // Радиоэлектронные и
компьютерные системы.. 2017. № 5 (46). С. 15–20.
Хаханов В. И.. Primenenie iskusstvennyh nejronnyh setej dlja diagnostirovanija cifrovyh setej // Radiojelektronnye i komp'juternye sistemy.. 2017. -
Шмидт А. А., Косырев А. В.. Анализ научно-методического аппарата диагностики и контроля, мониторинга и прогнозирования
технического состояния военной техники связи // Техника средств связи.. 2023. № 4 (164). С. 81–92.
Шмидт А. А., Косырев А. В.. Analiz nauchno-metodicheskogo apparata diagnostiki i kontrolja, monitoringa i prognozirovanija tehnicheskogo sostojanija voennoj tehniki svjazi // Tehnika sredstv svjazi.. 2023. -
Будко П. А., Шмидт А. А., Голюнов М. В., Сафиулов Д. М.. Прогнозирование технического состояния в системе технического
обеспечения связи и автоматизированных систем управления // IX Межвузовская научно-практическая конференция «Проблемы
технического обеспечения войск в современных условиях». Труды конференции: Сборник материалов.. 2024. С. 40–44.
Будко П. А., Шмидт А. А., Голюнов М. В., Сафиулов Д. М.. Prognozirovanie tehnicheskogo sostojanija v sisteme tehnicheskogo obespechenija svjazi i avtomatizirovannyh sistem upravlenija // IX Mezhvuzovskaja nauchno-prakticheskaja konferencija «Problemy tehnicheskogo obespechenija vojsk v sovremennyh uslovijah». Trudy konferencii: Sbornik materialov.. 2024. -
Будко П. А., Шмидт А. А., Голюнов М. В., Сафиулов Д. М.. Анализ методов прогнозирования технического состояния средств
радиосвязи // IX Межвузовская научно-практическая конференция «Проблемы технического обеспечения войск в современных
условиях». Труды конференции: Сборник материалов.. 2024. С. 45–49.
Будко П. А., Шмидт А. А., Голюнов М. В., Сафиулов Д. М.. Analiz metodov prognozirovanija tehnicheskogo sostojanija sredstv radiosvjazi // IX Mezhvuzovskaja nauchno-prakticheskaja konferencija «Problemy tehnicheskogo obespechenija vojsk v sovremennyh uslovijah». Trudy konferencii: Sbornik materialov.. 2024.