2015. Том 2. Номер 3

Системный анализ

О пороговых уровнях развития экономики Санкт-Петербурга

К. А. Замураев*, А. В. Прасолов**
*Северо-Западный банк ОАО «Сбербанк России»
**Санкт-Петербургский государственный университет
Аннотация. В работе на примере экономики Санкт-Петербурга рассмотрена возможность применения различных эконометрических и статистических методов для мониторинга порогов ее развития. Приведены алгоритмы подобных методов, построены модели на известных данных, сделаны прогнозы на будущий интервал времени.
Литература
  • [1] https://gov.spb.ru/gov/otrasl/c_econom/statistic/
  • [2] Koenker К., Hallock K. F. Quantile Regression // Journal of Economic Perspectives. 2001. Vol. 15. No. 4. P. 143–156.
  • [3] Prasolov A. V., Zamuraev K. A. On guaranteed forecast estimation // Вестник Санкт-Петербургского университета. Серия 10: Прикладная математика. Информатика. Процессы управления. 2014. № 4. С. 82–96.
  • [4] Tong H., Lim K. S. Threshold Autoregression, Limit Cycles and Cyclical Data // Journal of the Royal Statistical Society. Series B (Methodological). 1980. Vol. 42. No. 3. P. 245–292.
  • [5] Прасолов А. В., Хованов Н. В. О прогнозировании с использованием статистических и экспертных методов // Автоматика и телемеханика. 2008. № 6. С. 129–142.

Таксономия методов машинного обучения и оценка качества классификации и обучаемости

Р. И. Мухамедиев*, Е. Л. Мухамедиева*, Я. И. Кучин**
*Институт информационных и вычислительных технологий
**Компания «Геотехносервис», Казахатомпром
Аннотация. В работе рассматриваются так называемые интеллектуальные методы и как их важная составляющая — сфера машинного обучения (machine learning — ML), относящаяся к части слабого искусственного интеллекта. Приведена таксономия методов ML и описаны показатели оценки точности классификации. Рассмотрены способы использования «кривых обучения» для оценки методов ML в динамике роста числа обучающих примеров.
Литература
  • [1] Srinivasa N., Cruz-Albrecht J. M. Systems of Neuromorphic Adaptive Plastic Scalable Electronics // IEEE Engineering in Medicine and Biology Society. 2014. Vol. 3. No. 1. P. 51–56.
  • [2] Блейксли С., Хокинс Дж. Об интеллекте. — М.; СПб.; Киев : Изд. дом «Вильямс», 2007.
  • [3] Weiss G. Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence. — Cambridge: MIT Press, 1999.
  • [4] Russell S., Norvig P. Artificial Intelligence: A modern approach. — New Jersey: Upper Saddle River, 2010.
  • [5] Городецкий В. И. Самоорганизация и многоагентные системы. I. Модели многоагентной самоорганизации // Известия РАН. Теория и системы управления. 2012. № 2. C. 92–120.
  • [6] Городецкий В. И. Самоорганизация и многоагентные системы. II. Приложения и технологии разработки // Известия РАН. Теория и системы управления. 2012. № 3. C. 55–75.
  • [7] Machine learning [Электронный ресурс] Wikipedia http://en.wikipedia.org/wiki/ Machine_learning
  • [8] Tim Jones M. Artificial Intelligence: A Systems Approach — Hingham, Massachusetts, New Delhi : Infinity Sci. press LLC, 2008.
  • [9] Кохонен Т. Ассоциативная память. — М. : Мир, 1980.
  • [10] Нейрокомпьютеры: учеб. пособие для вузов. — М. : МГТУ им. Н. Э. Баумана, 2004.
  • [11] Minsky M. L., Papert S. A. Perceptrons. An Introduction to Computational Geometry. — MIT, 1969.
  • [12] Python for artificial Intelligence [Электронный ресурс] https://wiki.python.org.
  • [13] Weka. The University of Waikato [Электронный ресурс] http://www.cs.waikato.ac.nz/ml/ weka
  • [14] Van der Baan M., Jutten C. Neural networks in geophysical applications // Geophysics. 2000. Vol. 65. No. 4. P. 1032–1047.
  • [15] Baldwin J. L., Bateman R. M., Wheatley C. L. Application of a neural network to the problem of mineral identification from well logs // The Log Analyst. 1990. Vol. 31. No. 5. P. 279–293.
  • [16] Benaouda B., Wadge G., Whitmark R. B., Rothwell R. G., MacLeod C. Inferring the lithology of borehole rocks by applying neural network classifiers to downhole logs — an example from the Ocean Drilling Program // Geophysical Journal International. 1999. Vol. 36. No. 2. P. 477— 491.
  • [17] Saggaf M. M., Nebrija Ed. L. Estimation of missing logs by regularized neural networks // AAPG Bulletin. 2003. No. 8. P. 1377–1389.
  • [18] Тененев В. А., Якимович Б. А., Сенилов М. А., Паклин Н. Б. Интеллектуальные системы интерпретации геофизических исследований скважин // Штучний інтелект. 2002. № 3.
  • [19] Yelbig K., Treitel S. Computational Neural Networks For Geophysical Data Processing / Eds. Poulton M. M. Vol. 30. — PERGAMOV, 2001.
  • [20] Borsaru M., Zhou B., Aizawa T., Karashima H., Hashimoto T. Automated lithology prediction from PGNAA and other geophysical logs // Applied Radiation and Isotopes. 2006. Vol. 64. No. 2. P. 272–282.
  • [21] Rogers S. J., Chen H. C., Kopaska-Merkel D. C., Fang J. H. Predicting permeability from porosity using artificial neural networks // AAPG Bulletin. 1995. Vol. 79. No. 12. P. 1786–1796.
  • [22] Kapur L., Lake L., Sepehrnoori K., Herrick D., Kalkomey C. Facies prediction from core and log data using artificial neural network technology // SPWLA 39th Society of Professional Well Log Analysts Annual Logging Symposium, — Keystone, Colorado, 1998.
  • [23] Алешин С. П., Ляхов А. Л. Нейросетевая оценка минерально-сырьевой базы региона по данным геофизического мониторинг // Нові технології. 2011. № 1 (31). C. 39–43.
  • [24] Rogers S. J., Chen H. C., Kopaska-Merkel D. C., Fang J. H. Predicting permeability from porosity using artificial neural networks // AAPG Bulletin. 1995. Vol. 79. No. 12. P. 1786–1796.
  • [25] Костиков Д. В. Инструментальные средства интерпретации геофизических исследований скважин на основе преобразованных каротажных диаграмм с помощью многослойной нейронной сети: дис. ... канд. техн. наук. — М., 2007.
  • [26] Zhang G. P. Neural Networks for Classification: A Survey // IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews. 2000. Vol. 30. No. 4. P. 451–462.
  • [27] Kriesel D. A Brief Introduction to Neural Networks [Электронный ресурс] http://www.dkriesel.com/en/science/neural_networks
  • [28] Cruz J. A., Wishart D. S. Wishart Applications of Machine Learning in Cancer Prediction and Prognosis // Cancer Informatics. 2006. Vol. 2. P. 59–77.
  • [29] Shoeb A. H., Guttag J. V. Application of machine learning to epileptic seizure detection // Proceedings of the 27th International Conference on Machine Learning. 2010. P. 975–982.
  • [30] Andrea M., Sabatini A. M. Machine learning methods for classifying human physical activity from on-body accelerometers // Sensors. 2010. Vol. 10. № 2. P. 1154–1175.
  • [31] Ballester P. J., Mitchell J. B. O. A machine learning approach to predicting protein—ligand binding affinity with applications to molecular docking // Bioinformatics. 2010. Vol. 26. No. 9. P. 1169–1175.
  • [32] Farrar C. R., Worden K. Structural health monitoring: a machine learning perspective. — John Wiley & Sons, 2012.
  • [33] Recknagel F. Application Of macine Learning To Ecological Modelling // Ecological Modelling. 2001. Vol. 146. No. 1. P. 303–310.
  • [34] Clancy C., Hecker J., Stuntebeck E., Shea T. O. Applications of machine learning to cognitive radio networks // IEEE Wireless Communications. 2007. Vol. 14. No. 4. P. 47–52.
  • [35] Ball N. M., Brunner R. J. Data mining and machine learning in astronomy // International Journal of Modern Physics D. 2010. Vol. 19. No. 7. P. 1049–1106.
  • [36] Szepesv´ari C. Algorithms for Reinforcement Learning. Synthesis Lectures on Artificial Intelligence and Machine. — Learning series by Morgan & Claypool Publishers, 2009.
  • [37] Zhu X. Semi-Supervised Learning Literature Survey // Comp. Sci. Tech. Rep. 1530. — University of Wisconsin-Madison, 2008.
  • [38] Kohonen T. Self-Organized Formation of Topologically Correct Feature Maps // Biological Cybernetics. 1982. Vol. 43. No. 1. P. 59–69.
  • [39] Jain A. K., Murty M. N., Flynn P. J. Data Clustering: A Review // ACM Computing Surveys. 1999. Vol. 31. №. 3. P. 264–323.
  • [40] Barbakh W. A., Wu Y., Fyfe C. Review of Clustering Algorithms // Non-Standard Parameter Adaptation for Exploratory Data Analysis. Studies in Computational Intelligence. 2009. Vol. 249. P. 7–28.
  • [41] Ayodele T. O. Types of Machine Learning Algorithms. New Advances in Machine Learning. — INTECH Open Access Pub., 2010. P. 19–48.
  • [42] Ibrahim H. A. H., Nor S. M., Mohammed A., Mohammed, A. B. Taxonomy of Machine Learning Algorithms to classify realtime Interactive applications // International Journal of Computer Networks and Wireless Communications. 2012. Vol. 2. No. 1. P. 69–73.
  • [43] Cohen J. A coefficient of agreement for nominal scales // Educational and Psychological Measurement. 1960. Vol. 20. No. 1. P. 37–46.
  • [44] RapidMiner and RapidAnalytics [Электронный ресурс] http://www.rapid-i.com

Использование экспертных инженерных знаний при концептуальном проектировании новых технических решений

А. В. Андрейчиков*, О. Н. Андрейчикова**
*Московский государственный университет путей сообщения
**Центральный экономико-математический институт Российской академии наук
Аннотация. Рассмотрен подход по выявлению, формализации и практическому использованию экспертных инженерных знаний о способах устранения технических противоречий при морфологическом синтезе новых технических решений на стадии концептуального проектирования. Реализован программный комплекс, позволяющий накапливать и многократно использовать экспертные инженерные знания совместно с базами данных запатентованных технических изобретений. Инструментальное программное средство можно адаптировать к различным предметным областям техники. Приведен пример синтеза новых технических решений в области систем управления виброизоляцией транспортных объектов.
Литература
  • [1] Nielsen J., Mack R. L. (eds.) Usability Inspection Methods. — New York: John Willey, 1994.
  • [2] Yoshikawa H. Design Theory for CAD/CAM Integration // Annals of the CIPR. 1985. Vol. 34, № 1.
  • [3] Борисов А. Н., Крумберг О. А., Федоров И. П. Принятие решений на основе нечетких моделей. — Рига : Зинатне, 1990.
  • [4] Букатова И. Л., Михасев Ю. И., Шаров А. М. Эвоинформатика: теория и практика эволюционного моделирования. — М. : Наука, 1991.
  • [5] Заде Л. А. Основы нового подхода к анализу сложных систем и процессов принятия решений // В кн.: «Математика сегодня». — М. : Знание, 1974. C. 5–49.
  • [6] Интеллектуальные системы принятия проектных решений / Алексеев В. А., Борисов А. Н., Вилюмс Э. Р. и др. — Рига : Зинатне, 1997.
  • [7] Искусственный интеллект. Справочник. В 3-х кн. — М. : Радио и связь, 1990.
  • [8] Кини Р., Райфа Х. Принятие решений при многих критериях: Предпочтения и замещения. — М. : Радио и связь, 1981.
  • [9] Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах // Открытые системы. 1997. № 4. C. 41–44.
  • [10] Клир Дж. Системология. Автоматизация решения системных задач. — М. : Радио и связь, 1990.
  • [11] Князевская Н. В., Князевский В. С. Принятие рискованных решений в экономике и бизнесе. — М. : Контур, 1998.
  • [12] Ковалев А. П. Обеспечение экономичности разрабатываемых изделий машиностроения. — М. : Машиностроение, 1986.
  • [13] Ковалев В. В. Методы оценки инвестиционных проектов. — М. : Финансы и статистика, 1998.
  • [14] Ковальков Ю. А., Дмитриев О. Н. Эффективные технологии маркетинга. — М. : Машиностроение, 1994.
  • [15] Корячко В. П., Курейчик В. М., Норенков И. П. Теоретические основы САПР. — М. : Энергоатомиздат, 1987.
  • [16] Краснощеков П. С., Морозов В. В., Федоров В. В. Внешнее проектирование в условиях неопределенности // Изв. АН СССР. Cер. «Техническая кибернетика». 1979. № 3. C. 15–27.
  • [17] Краснощеков П. С., Морозов В. В., Федоров В. В. Внутреннее проектирование технических систем в условиях неопределенности // Изв. АН СССР. Cер. «Техническая кибернетика». 1982. № 2. C. 56–62.
  • [18] Краснощеков П. С., Морозов В. В., Федоров В. В. Последовательное агрегирование в задачах внутреннего проектирования технических систем // Изв. АН СССР. Cер. «Техническая кибернетика». 1979. № 5. C. 5–12.
  • [19] Краснощеков П. С., Петров А. А., Федоров В. В. Информатика и проектирование. — М. : Знание, 1986.
  • [20] Краснощеков П. С., Федоров В. В., Флеров Ю. А. Элементы математической теории принятия проектных решений // Автоматизация проектирования. 1997. № 1. C. 15–23.
  • [21] Zwicky F. Entdecken, Erfinden, Forschen im Morphologischen Weltbild, Munchen. — Zurich : Droemer-Knaur, 1971.
  • [22] Андрейчиков А. В., Андрейчикова О. Н. Системный анализ и синтез стратегических решений в инноватике: Математические, эвристические, интеллектуальные методы системного анализа и синтеза инноваций. — М. : Книжный дом «ЛИБРОКОМ», 2012.
  • [23] Андрейчиков А. В., Андрейчикова О. Н. Интеллектуальная система эволюционного синтеза сложных объектов // Известия РАН. Теория и системы управления. 2006. № 4. С. 94–107.
  • [24] Андрейчиков А. В., Андрейчикова О. Н., Табунов Е. В. Развитие интеллектуальной системы поддержки изобретательства // Качество. Инновации. Образование. 2013. № 1. С. 32–38.
  • [25] Андрейчиков А. В., Андрейчикова О. Н. Интеллектуальная система концептуального проектирования «IT QFD & AHP» на основе структурирования функции качества и анализа иерархий // Качество. Инновации. Образование. 2013. № 3.
  • [26] Андрейчиков А. В., Андрейчикова О. Н., Табунов Е. В., Фирсов Ю. А. Концептуальное проектирование технических инноваций с использованием интеллектуальной системы «IT QFD & AHP» // Качество. Инновации. Образование. 2013. № 4.
  • [27] Андрейчиков А. В. Использование методов анализа иерархий и сетей в системах поддержки принятия решений // Известия РАН. Теория и системы управления. 2004. № 6. С. 80–99.
  • [28] Альтшуллер Г. С. Творчество как точная наука. — М. : Советское радио, 1979.
  • [29] Альтшуллер Г. С. Алгоритм изобретательства. — М. : Московский рабочий, 1973.

Большие данные и облачные технологии

The Ethics of Big Data: Analytical Survey

L. Giber, N. Kazantsev
National Research University «Higher School of Economics» (HSE)
Abstract. The number of recent publications on the matter of ethical challenges of the implementation of Big Data has signified the growing interest to all the aspects of this issue. The proposed study specifically aims at analyzing ethical issues connected with Big Data.
References
  • [1] Cukier K., Mayer-Schoenberger V. (2013) Rise of Big Data: How it's Changing the Way We Think about the World. Foreign Affairs, 92(3):28–40. Doi: 10.2469/dig.v43.n4.65
  • [2] Snijders C., Matzat U., Reips U.-D. (2012) Big data: Big gaps of knowledge in the field of internet science. International Journal of Internet Science, 7(1):1–5.
  • [3] Inglehart R. (1998) Political values. Comparative Politics: The Problem of Equivalence, Ed. Jan van Deth. Routledge, pp. 60–85.
  • [4] F ranklin M. (2008) Quantitative analysis. Approaches and Methodologies in the Social Sciences: A Pluralist Perspective. Eds.: D. della Porta and M. Keating. Cambridge University Press, pp. 240–262.
  • [5] Heritier A. (2008) Causal Explanation. Approaches and Methodologies in the Social Sciences: A Pluralist Perspective. Eds.: D. della Porta and M. Keating. Cambridge University Press, pp. 61-79.
  • [6] King G., Keohane R., Verba S. (1994) Designing Social Inquiry. Scientific Inference in Qualitative Research. Princeton University Press. Chapter 2, pp. 34–74.
  • [7] Greenleaf G. (2014) Sheherezade and the 101 data privacy laws: origins, significance and global trajectories. Journal of Law, Information & Science, 23(4).
  • [8] Velasquez M., Andre, C., Shanks, T. Meyer, M. (1996) Thinking Ethically: A Framework for Moral Decision Making, Santa Clara University. Available: www.scu.edu/ethics/practicing/decision/thinking.html
  • [9] So K. (2011) Cloud computing security issues and challenges. International Journal of Computer Networks, 3(5):247–255.
  • [10] Davis K. (2012) Ethics of Big Data: Balancing risk and innovation. O'Reilly Media, Inc.
  • [11] Zins C. (2007) Conceptual approaches for defining data, information, and knowledge. Journal of the American Society for Information Science and Technology, 58:479–493.
  • [12] Sharma N. (2008) The origin of the “data information knowledge wisdom” hierarchy. Available: http://www-personal.si.umich.edu/~nsharma/dikw_origin.htm
  • [13] Ackoff R. L. (1989) From Data to Wisdom. Journal of Applies Systems Analysis, 16:3–9.
  • [14] Bellinger G., Castro D., Mills A. (2004). Data, information, knowledge, and wisdom. Available: http://geoffreyanderson.net/capstone/export/37/trunk/research/ackoffDiscussion.pdf
  • [15] What is Big Data? University Alliance at Villanova University. Available: http://www.villanovau.com/resources/bi/what-is-big-data/
  • [16] De Mauro A., Greco M., Grimaldi M. (2015) What is big data? A consensual definition and a review of key research topics. AIP Conference Proceedings, 1644: 97–104.
  • [17] Dann S. (2010). Redefining social marketing with contemporary commercial marketing definitions. Journal of Business Research, 63(2), 147–153.
  • [18] Peters B. (2012) The Age of Big Data. Forbes Magazine, 12.

Using Big Data for the Optimization of Internal Supply Chains of Multinational Companies

I. Tikhonov
Bauman Moscow State Technical University
Abstract. In the modern global economy the rise of globalization accentuates the problems of effective management of international companies. The models of after tax profit maximization are widely studied. There are several approaches to this problem. We point out their shortcomings and propose an approach based on the graph of production and logistics system of the company. This approach of model formation allows to generate models for companies with any number of stages and with any number of distribution centers in the supply chain. We showcase the platform on which the future model can be realized.
References
  • [1] Miller T., de Matta R. (2014) Profit Maximization Modeling for Supply Chain Planning. Encyclopedia of Business Analytics and Optimization. John Wang (Ed.). 5 Volumes. IGI Global, pp. 1910–1921. Doi: 10.4018/978-1-4666-5202-6.
  • [2] Nieckels L. (1976) Transfer Pricing in Multinational Firms: A Heuristic Programming Approach and a Case Study. New York: John Wiley.
  • [3] Vidal C. J., Goetschalckx M. (2001) A global supply chain model with transfer pricing and transportation cost allocation. European Journal of Operational Research, 129:134–158.
  • [4] Perron S., Hansen P., Le Digabel S., Mladenovic N. (2008) Transfer Pricing in a Global Supply Chain. GERAD, G–2008–17.
  • [5] Sukhobokov A. A. (2009) Issledovanie i razrabotka modelej i arhitektury sredstv kontrol-linga dlja mezhregional'nyh predprijatij v sostave sistem klassa ERP II. PhD Thes. MGTU Baumana, 2009. (In Rus)
  • [6] Goetschalckx M., Vidal C. J., Hernández J. I. (2012) Measuring the impact of transfer pricing on the configuration and profit of an international supply chain: perspectives from two real cases. Congreso Latino-Iberoamericano de Investigacion Operativa, Simposio Brasileiro de Pesquisa Operacional. Rio de Janeiro, Brazil, pp. 1659–1669.
  • [7] Miller T., de Matta R. (2008) A global supply chain profit maximization and transfer pricing model. Journal of Business Logistics, 29(1):175–199.
  • [8] Miller T., de Matta R. (2015) Formation of a strategic manufacturing and distribution network with transfer prices. European Journal of Operational Research, 241(2, 1): 435–448.
  • [9] Danilov N. N., Inozemceva L. P. Osnovy matematicheskoj jekonomiki. Uchebnik po matematicheskoj jekonomike s teoriej i zadacham. http://www.math.kemsu.ru/kmk/subsites/matekon/zaglav.html
  • [10] Sukhobokov A.A Lakhvich D.S (2015) Impact tools BigData on the development of scientific disciplines related to the simulation. // Science and Education. MSTU N. E. Bauman, 3:207–240. http://technomag.edu.ru/doc/761354.html (In Rus)
  • [11] Burdett D., Tripathi R. (2013) CIO Guide. How to Use Hadoop with Your SAP® Software Landscape. SAP AG. URL: http://hortonworks.com/wpcontent/uploads/2013/09/CIO.Guide_.How_.to_.Use_.Hadoop.with_.Your_.SAP_.Software.Landscape.pdf.

Supply Chains and Transfer Prices Optimization Using Apache Hadoop Infrastructure and IBM ILOG CPLEX Solver

Dmitry Lakhvich
Bauman Moscow State Technical University
Abstract. Article presents the model, mathematical formulation and heuristical algorithm of supply chains and transfer prices problem in case of multinational companies. It demonstrates a solution to this problem based on Apache Hadoop cluster and IBM CPLEX Solver. The presented solution can be applied to problems that can not be solved on a single supercomputer, it divides the original problem into many subtasks that are calculated on a set of computers in the cluster at the same time. Also, the solution space is formed that can be further analyzed and used for other purposes.
Reference
  • [1] Vidal C. J., Goetschalckx M. (2001) A global supply chain model with transfer pricing and transportation cost allocation. European Journal of Operational Research, 129(1):134–158. Doi: 10.1016/S0377-2217(99)00431-2
  • [2] Goetschalckx M., Vidal C. J., Hernandez J. I. (2012) Measuring the impact of transfer pricing on the configuration and profit of an international supply chain: perspectives from two real cases. Congreso Latino-Iberoamericano de Investigacion Operativa, Simposio Brasileiro de Pesquisa Operacional, Rio de Janeiro, Brazil, pp. 1659–1669.
  • [3] Miller T., de Matta R. (2015) Formation of a strategic manufacturing and distribution network with transfer prices. European Journal of Operational Research, 241(2, 1): 435–448.
  • [4] Miller T., de Matta R. (2008) A global supply chain profit maximization and transfer pricing model. Journal of Business Logistics, 29(1):175–199.
  • [5] Hadoop: The Definitive Guide (2012) 3rd Edition Storage and Analysis at Internet Scale By Tom White O'Reilly Media/Yahoo Press.
  • [6] Sukhobokov A.A Lakhvich D.S (2015) Impact tools BigData on the development of scientific disciplines related to the simulation. // Science and Education. MSTU N. E. Bauman, 3:207–240. http://technomag.edu.ru/doc/761354.html (In Rus)

Applying Machine Learning to Build a Website Interface Adaptation System

Egor Mateshuk, Alexander Chernyshev
Moscow Institute of Physics and Technology
Abstract. In this article we present the architecture and model of a website interface optimization system. We describe how we use clustering and genetic algorithms to automatically select a website interface with the highest conversion from website visitor to website user. In particular, we describe an algorithm for streamed clustering, which allows for real-time analysis of high traffic website users.
References
  • [1] Luzik M. (2014) A/B testing and usability assessment methods in small companies. Aalto University.
  • [2] Koza J. R. (1992) Genetic programming: on the programming of computers by means of natural selection. Vol. 1. MIT press. 

  • [3] Goldberg, D. E., Kalyanmoy D. (1991) A comparative analysis of selection schemes used in genetic algorithms. Foundations of genetic algorithms, 1:69–93.
  • [4] Kohonen T., Honkela T. (2007) Kohonen network. Scholarpedia, 2(1): 1568. 

  • [5] Hartigan J. A., Wong M. A. (1979) A K-means clustering algorithm. Applied Statistics. 28:100–108. 

  • [6] Kaufman L., Rousseeuw P. J. (1990) Partitioning around medoids (program pam). Finding groups in data: an introduction to cluster analysis, 68–125.
  • [7] Astakhova N. N., Demidova L. A., Nikulchev E. V. (2015) Forecasting method for grouped time series with the use of k-means algorithm. Applied Mathematical Sciences, 9(97):4813–4830.
  • [8] Demidova L., Sokolova Yu., Nikulchev E. (2015) Use of Fuzzy Clustering Algorithms Ensemble for SVM Classifier Development. International Review on Modelling and Simulations, 8(4):446–457.

Пакеты прикладных программ

Web Application Syntool as a Tool to Perform Sea Surface Monitoring in the Arctic Region

I. Bolkhovsky, V. Shebanov
Russian State Hydrometeorological University
Abstract. Syntool is a webapplication for environmental monitoring in the Arctic region. Its functionality makes comprehensive analysis on volumes of satellite, in situ and model data. The result of such analysis can be used to reveal different natural and artificial phenomena on a sea surface such as polar lows or oil slicks. Continuous data source renewal allows user to trace a development of a phenomenon in time up to the near real time monitoring. The application allows to select a set of products for a given date which should be displayed on a basemap. In this way each product is presented by a separate layer and can be combined with others to get a complete picture of what is happening in the region. It is possible to change visibility and opacity for each particular layer. Along with various satellite products the application’s catalog offers such data sources as meteorological model data, in situ measurements, ship and polar station tracks. Any combination of layers including their order and opacity can be shared or saved by user for later investigation. Zoom capability is activated when user wants to explore some particular region in detail. Being a simple and intuitive action on a clientside it is supported by a huge set of serverside technologies: on-demand data subsetting, tiling and caching. For vector data, such as wind speed and direction or air pressure, we developed a web feature service (WFS) by contributing to an opensource project and adopting it to serve meteorological model data. All of the above allows to cut off unnecessary detalization on low zoom levels and to provide high resolution data on high zoom levels without losing in user interface responsivity.

Средства автоматизации обработки данных геофизического исследования скважин на месторождениях урана пластово-инфильтрационного типа

Р. И. Мухамедиев*, Я. И. Кучин**
*Институт информационных и вычислительных технологий
**ТОО «Геотехносервис»
Аннотация. В статье рассмотрены геофизические методы исследования скважин, а также их роль при отработке пластово-инфильтрационных месторождений урана Казахстана. Сделан анализ существующих программ для обработки данных и показана необходимость создания системы, позволяющей выполнять интерпретацию данных каротажа в автоматическом режиме, возможно с предварительным обучением на данных, проинтерпретированных экспертами.
Литература
  • [1] Методические рекомендации по комплексу геофизических методов исследования скважин при подземном выщелачивании урана. — Алматы : ЗАО НАК «Казатомпром». ТОО ИВТ, 2003.
  • [2] Техническая инструкция по проведению геофизических исследований в скважинах на пластово инфильтрационных месторождениях урана. — Алматы: ТОО ГРК, 2010.
  • [3] Кучин Я. И. Система комплексной интерпретации результатов геофизических исследований скважин на пластово-инфильтрационных месторождениях урана // Известия НАН РК. Серия геологическая. 2009. № 4. С. 67–78.

Исследование надежности распознавания речи системой Google Voice Search

Д. В. Бобкин*, К. Ю. Жигалов**
*Московский технологический институт,
**Институт проблем управления имени В. А. Трапезникова РАН
Аннотация. В настоящее время продолжаются попытки создания систем распознавания речи. Google, Apple и Dragon Systems являются одним из самых успешных разработчиков подобных программ. Программа Google Voice Search поддерживает русский язык с 2010 г. Данное расширение браузера Google Chrome позволяет осуществлять поиск различных сведений в Интернете с помощью устной речи. Так же Google Voice Search встроен в Google Maps для телефонов и планшетов. Политика Google — вставлять функцию распознавания речи в любой из их продуктов, есть функция поиска информации.
Целью исследования является определить реальные возможности данной системы, ее сильные и слабые стороны, определить, на что данная система в первую очередь нацелена — на выдачу результатов, которые будут в первую очередь опираться на статистику, или на выдачу результатов, которые будут совпадать по фонемам и по буквам со словом, которое было сказано в запросе. Так как Google Voice Search имеет закрытый код, проверить надежность этой системы можно только экспериментальным путем.
Литература
  • [1] История развития систем распознавания речи: как мы пришли к Siri [Электронный ресурс] URL: http://geektimes.ru/post/131945/
  • [2] Ли У. А. Методы автоматического распознавания речи. — М. : Мир, 1983.
  • [3] Михайлов В. Г., Златоустова Л. В. Измерение параметров речи. — М. : Радио и связь, 1987.
  • [4] Распознавание речи. Часть 1. Классификация систем распознавания речи [Электронный ресурс] URL: http://geektimes.ru/post/64572/
  • [5] Реформатский А. А. Введение в языковедение. — М. : Аспект Пресс, 1967.
  • [6] Juang B. H., Rabiner L. R. Automatic Speech Recognition. A Brief History of the Technology Development. — USCB, 2012.
  • [7] Roebuck K. Speech Recognition: High-impact Emerging Technology — What You need to Know: Definitions, Adoptions, Impacts, Benefits, Maturity, Vendors. — Emereo Pty Limited, 2011.

Образовательные технологии

Программное уравнение или ФМИ

В. Ф. Очков, Е. П. Богомолова, Д. А. Иванов
Национальный исследовательский университет «МЭИ»
Аннотация. В статье обсуждается возможность и целесообразность преподавания математики, физики и информатики в рамках одной учебной дисциплины с условным названием ФизМатИнформика (ФМИ). На примере решения задачи о подвесной канатной дороге (цепь с подвешенным движущимся грузом) обсуждается новый тип уравнения ─ программное уравнение. Обсуждаются вопросы использования анимации для верификации решения задачи.
Литература
  • [1] Меркин Д. Р. Введение в механику гибкой нити. — М. : Наука, 1980. (http://www.twirpx.com/file/357235)
  • [2] Очков В. Ф. Что нам стоит… мост построить // КомпьютерПресс. 2000. № 3. (http://twt.mpei.ac.ru/ochkov/Bridge/Bridge.htm)
  • [3] Очков В. Ф., Богомолова Е. П., Иванов Д. А., Писачич К. Движения планет: расчет и ви-зуализация в среде Mathcad или Часы Кеплера // Cloud of Science. 2015. T. 2. № 2. С. 177–215. (http://twt.mpei.ac.ru/ochkov/Planets.pdf)
  • [4] Wang C. Y. The optimum spanning catenary cable // European Journal of Physics. 2015. Vol. 36. No. 2. (http://scholars.opb.msu.edu/pubDetail.asp?t=pm&id=84923163833&o_id=54)
  • [5] Очков В. Ф., Герк С. Активность на форумах — важная часть учебы и последующей инженерной деятельности студента // Открытое образование. 2014. № 5. (http://twt.mpei.ac.ru/ochkov/Ochkov-Gurke-OE-5-2014.pdf)
  • [6] Очков В. Ф. Формулы в научных публикациях: проблемы и решения // Cloud of Science. 2014. T. 1. № 3. С. 421–456. (http://twt.mpei.ac.ru/ochkov/formula/index.html)
  • [7] Wang C. Y.; Wang C. M. Analytical solutions for catenary domes // Journal of Engineering Mechanics. 2015. Vol. 141. No. 2. (http://scholars.opb.msu.edu/pubDetail.asp?t=pm&id= 84921388086&n=Chang+Y+Wang&u_id=2597&oe_id=1&o_id=38)
  • [8] Рабинович И. М. Курс строительной механики стержневых систем. — М., 1950. (http://dwg.ru/dnl/8150)
  • [9] http://www.youtube.com/watch?feature=player_detailpage&v=yFSMLHovlak
  • [10] Очков В. Ф. Mathcad и нечеткие множества // КомпьютерПресс. 1998. № 1. (http://twt.mpei.ac.ru/ochkov/F_sets.htm)
  • [11] Очков В. Ф., Богомолова Е. П. Интерполяция, экстраполяция, аппроксимация или «Ложь, наглая ложь и статистика» // Cloud of Science. 2015. T. 2. № 1. С. 61–88. (http://twt.mpei.ac.ru/ochkov/stat.html)