CC BY
14154 Секция 10
Применение методов искусственного интеллекта для криптоанализа шифра Плейфера
Г. Куттубек-к, А. В. Старченко
Национальный исследовательский Томский государственный университет
Email: wendiya97@gmail.com
DOI: 10.24411/9999-017A-2020-10350
Криптоанализ - наука о методах расшифровки зашифрованной информации без предназначенного для этого ключа [1]. Нейронные сети не подходят для задачи подбора ключей при дешифровании текста, но вполне способны решить проблему с оценкой пригодности дешифрованного текста.
Целью работы является применение методов искусственного интеллекта в криптоанализе шифра Плейфера.
В работе представлена математическая постановка задачи криптоанализа шифра Плейфера с применением технологии нейронных сетей (ИНС), а также математическое описание модели ИНС, выбранной для решения задачи классификации текста (прямое и обратное распространение ошибки сети). Сформированы обучающая и тестовая выборки, а также процедуры предварительной обработки входных данных для ИНС.
Список литературы
1. Focardi R., Luccio F.L. Neural Cryptanalysis of Classical Ciphers // Proceedings of the 19th Italian Conference on Theoretical ComputerScience/Urbino. 2018. P. 104-115.
Segmentation of MRI images in classification tasks
A. S. Miroshnichenko1, V. M. Mikhelev'-2
lBelgorod State National Research University
2Belgorod State Technological University named after V. G. Shukhov
Email: 963565@bsu.edu.ru
DOI: 10.24411/9999-017A-2020-10269
One of the main tasks in the analysis of medical images is segmentation. Segmentation involves the allocation of certain areas of the image by a set of specific features. The article discusses methods and algorithms for image processing for automatic and semi-automatic segmentation of images of brain MRI. A comparative analysis of the methods and approaches of image segmentation for the subsequent classification of images. A study was conducted on the effectiveness of using various methods and models for the segmentation of images of brain MRI.
Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований (грант 19-07-00133_А)
References.
1. Clarke L. P. MRI segmentation: Methods and applications / L. P. Clarke, R. P. Velthuizen, M. A. Camacho еt al. // Magnetic Resonance Imaging. 1995. Vol. 13-3. Р. 343-368.
2. MiroshnichenkoA. S., Mikhelev V. M. - "The method of recognition of objects in MRI images based on a convolutional neural network" // XVIII International Conference "Computer Science: problems, methodology, technologies" (IPMT-2018) and IXED - 2018, 8-9 February, Voronezh. P. 181-185.
3. Manoj, L. L. Brain Tumor Detection and Segmentation Using Histogram Thresholding/ K. K. Manoj, Y. K. Soubrabh// International J. of Engineering and Advanced Technology. 2012. Vol. 1. Issue 04. P. 16-20.
Эволюционный синтез нелинейных моделей на основе метаэвристического программирования и темплейтов
О. Г. Монахов
Институт вычислительной математики и математической геофизики СО РАН
Email: monakhov@rav.sscc.ru
DOI: 10.24411/9999-017A-2020-10270
Рассмотрено применение алгоритма метаэвристического программирования (МР), основанного на различных биоинспирированных алгоритмах, для эволюционного синтеза нелинейных моделей. Описанный подход эволюционного синтеза объединяет преимущества генетических алгоритмов и генетического программирования, использует последовательную операторную структуру хромосомы,
Методы машинного обучения и искусственного интеллекта
155
темплейты (шаблоны, скелетоны) алгоритмов и заданные множества пар входных - выходных данных. Исследовано влияние степени специализации темплейта на характеристики алгоритма поиска при эволюционном синтезе нелинейных моделей, заданных обыкновенными дифференциальными уравнениями с недоопределенными функциями. Получены оценки трудоемкости данного алгоритма и показано значительное сокращение времени поиска при использовании темплейтов в процессе эволюционного синтеза.
Распознавание острого инсульта по изображениям мультиспиральной компьютерной томографии с использованием сетей глубокого обучения
В. М. Неделько1,2, Р. М. Козинец2, А. А. Тулупов2,3, В. Б. Бериков1,2
1Институт математики СО РАН
2Новосибирский государственный университет
3'Международный томографический центр СО РАН
Email: berikov@math.nsc.ru
DOI: 10.24411/9999-017A-2020-10271
На сегодняшний день мультиспиральная компьютерная томография (МСКТ) головного мозга занимает основное место при диагностике острого инсульта. Для повышения надежности анализа МСКТ изображений целесообразна разработка автоматизированной системы распознавания с использованием нейронных сетей глубокого обучения. В работе описан прототип системы распознавания патологических изменений вещества головного мозга на основе анализа МСКТ изображений головного мозга пациентов с перенесенным инсультом. Выборка пациентов сформирована из базы МТЦ СО РАН. Были выбраны анонимизированные изображения с диагностированными ишемическими или геморрагическими инсультами, которые были вручную сегментированы специалистами-рентгенологами. Для анализа полученных изображений использовалась модифицированная архитектура сети глубокого обучения U-net [1]. В докладе сообщается о результатах проведенных экспериментов с системой распознавания.
Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований, проект 19-29-01175.
Список литературы
1. O. Ronneberger, P. Fischer, and T. Brox "U-net: Convolutional networks for biomedical image segmentation,'' in Intern. Conference on Medical image computing and computer-assisted intervention, pp. 234-241. Springer, Cham. 2015.
Исследование свойств алгоритмов классификации с использованием ансамблевых ядер
Н. С. Одиноких1, В. Б. Бериков1,2 1Новосибирский государственный университет 2Институт математики СО РАН Email: nikita.odinokih@gmail.com DOI: 10.24411/9999-017A-2020-10272
Одним из основных способов решения задач классификации являются алгоритмы, основанные на линейном разбиении пространства объектов на области, содержащие объекты одного класса. В случае, когда множества классов являются линейно неразделимыми, используется kernel trick— перевод объектов в пространство, в котором объекты становятся линейно разделимыми. Однако выбирать функцию для данного преобразования можно множеством различных способов.
В данной работе исследуются свойства алгоритма KCCE [1]. Исследовано изменение качества и скорости работы алгоритма при различных стратегиях выбора весов в ансамбле. Проведено сравнение работы алгоритма при выборе различных стратегий с иными алгоритмами классификации на различных задачах, в том числе и с зашумленными данными.
Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований, проекты 19-29-01175, 18-07-00600.
Список литературы
1. N. Odinokikh and V Berikov, "Cluster Ensemble Kernel for Kernel-based Classification," 2019 International MultiConference on Engineering, Computer and Information Sciences (SIBIRCON), Novosibirsk, Russia, 2019. P. 0670-0674. doi.org/10.1109/SIBIRCON48586.2019.8958184.
