CC BY
62
Заключение
Из всего вышесказанного можно сделать вывод: разработанный гидростатический двигатель позволяет получать бесплатную работу и энергию, работая лишь на двух основных силах - тяжести и Архимеда. В качестве рабочей жидкости можно использовать, к примеру, пресную или солёную воду.
В заключение можно отметить, что традиционные ТЭС, АЭС, ГЭС даже при быстрой их модернизации не смогут решить многие проблемы, связанные с загрязнением окружающей среды, а также производством и надежной поставкой электроэнергии потребителям. Необходимо уже сейчас создавать, проводить экспериментальные исследования и внедрять новые технические разработки. Вполне возможно, что разработанный гидростатический двигатель сможет эффективно работать и производить электрическую энергию в XXI веке.
Намечены пути дальнейших исследований. Список использованной литературы:
1. Электроэнергетика мира [Электронный ресурс]. - Режим доступа: https://xstud.ru/132485/geografiya/elektroenergetika_mira, свободный. - (дата обращения 22.02.2021). 7
2. Загрязнение окружающей среды: экологические проблемы природы [Электронный ресурс]. - Режим доступа: https://tion.ru/blog/zagryaznenie-okruzhayushchej-sredy/, свободный. - (дата обращения 22.02.2021). 8
3. Тепловые машины и их влияние на окружающую среду [Электронный ресурс]. - Режим доступа: https://cleanbin.ru/problems/heat-machines, свободный. - (дата обращения 22.02.2021). 9
4. Рульс В.В. Вечный двигатель второго рода и становление II закона термодинамики // Актуальные проблемы авиации и космонавтики. Социально-экономические и гуманитарные науки. Секция «Концепции современного естествознания». 2012. - С. 436-437. 10
5. Поплавковая гидроэлектростанция: пат. 1665 на полезную модель Респ. Беларусь №20040058/ Степанович Н.И.; заявл. 18.02.2004; опубл. 30.12.2004. 3 с. ГОСТ: ГОСТ Р 7.0.5-2008. 1
6. Поплавковая волновая электростанция: пат. 2513070 Рос. Федерация №2012146780/06 / Сеньков А.П., Калмыков А Н., Сеньков А.А.; заявл. 01.11.2012; опубл. 20.04.2014. Бюл. №11. 9 с. ГОСТ: ГОСТ Р 7.0.5-2008. 2
7. Вечный двигатель гидравлический: заявка на изобретение Рос. Фед. №2017127648 / Алтунин К.В.; заявл. 01.08.2017; опубл. 04.02.2019. Бюл. №04. 1 с. ГОСТ: ГОСТ Р 7.0.5-2008. 3
8. Закон Архимеда [Электронный ресурс]. - Режим доступа: https://ru.wikipedia.org/wiki/Закон_Архимеда, свободный. - (дата обращения 22.02.2021). 4
9. Архимеда закон // Большая российская энциклопедия : [в 35 т.] / гл. ред. Ю.С. Осипов. - М.: Большая российская энциклопедия, 2004-2017. 5
10. Третий закон Ньютона [Электронный ресурс]. - Режим доступа: https://ru.wikipedia.org/wiki/Третий_закон_Ньютона, свободный. - (дата обращения 22.02.2021). 6
© Алтунин К.В., 2021
УДК 004.83
Гарифуллин И.М.
Студент гр. 11-921 Казанский (Приволжский) федеральный университет Институт информационных технологий и интеллектуальных систем
г. Казань, Российская Федерация
ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕЙ ДЛЯ ВЫЯВЛЕНИЯ МОШЕННЕЧЕСКИХ ТРАНЗАКЦИЙ
Аннотация
В данной статье затронута тема использования нейросетей для выявления, обнаружения и
предотвращения мошеннических транзакций. Статья интересна тем, что нейросети в последнее время все больше используются в работе банков. Проведена методика работы нейросетей.
Ключевые слова
Нейросети, машинное обучение, искусственный интеллект, мошенническая транзакция,
банк, платежная система.
В настоящее время искусственный интеллект, или как его называют Mashine Learning помогает заменить и дополнить, то есть облегчить труд человека машинными алгоритмами. Можно выделить следующие ключевые направления применения технологий искусственного интеллекта в банковской сфере: использование ИИ в финансовой сфере AML (anti-money laundering) - это системы, которые противодействуют отмыванию денег, построены на интеллектуальной поверке данных; создание антифрондовых систем для борьбы с мошенничеством; прогнозировании поведения клиентов и автоматическом создании первоначальных предложений, автоматизации работы с голосом в контакт-центрах (чат-бот, голосовой помощник) и обработке графических документов.
В международном отчете Artificial Intelligence Report указывается, что в способности проводить точный синтетический анализ сложных запросов (более 40 слов) ИИ почти сравнялся с человеческим мозгом машины могут с этим справляться так же, как человек в 94% случаев. В распознавании объектов по картинке или фотографии, машинный мозг превосходит человеческий.
Банковский сектор РФ является лидером по внедрению инновационных технологий по сравнению с европейскими странами [2]. Объяснение этому лежит в плоскости деятельности финансового регулятора РФ - Банка России, регламентирующего деятельность инфраструктурных проектов и вопросы кибербезопасности [1; 2].
В Сбербанке разработана и внедрена система идентификации клиентов, которая сравнивает фотографий из базы с изображениями, получаемыми веб-камерами на стойках - АС САФИ. В результате потери от получения средств по поддельным документам физических лиц сократились в 10 раз. Суммарный объем потерь от мошенничества в банковской сфере очень велик и для предотвращения незаконных действий банкам следует распознавать мошенничество заранее, еще до того, как оно состоялось.
Это обширная и очень сложная задача. Сегодня разработано много методик, по большей части опирающихся на такое направление Data science, как обнаружение аномалий. В зависимости от доступного датасета большинство из этих методик можно свести к двум основным сценариям: сценарий 1: датасет содержит достаточное количество образцов мошенничества; сценарий 2: в датасете нет образцов мошенничества.
В первом случае решается задача обнаружения мошенничества с помощью классических методик машинного обучения или статистического анализа. Можно обучить модель или вычислить вероятности для двух классов (легитимные и мошеннические транзакции), и применять модель к новым транзакциям для определения их легитимности. Работают все алгоритмы машинного обучения с учителем, предназначенные для решения задач классификации - случайный лес, логистическая регрессия. Во втором случае нет примеров мошеннических транзакций, поэтому нужно проявить изобретательность. Есть лишь образцы легитимных транзакций, нужно сделать так, чтобы этого было достаточно. Есть два варианта: рассматривать мошенничество либо как отклонение, либо как аномальное значение, и использовать соответствующий подход. В первом случае можно применять изолирующий лес, а во втором случае классическим решением является автокодировщика. Основная идея - использования большого ансамбля решающих деревьев, каждое из которых само по себе даёт очень невысокое качество классификации, но за счёт их большого количества результат получается хорошим.[3]
Автокодировщик - специальная архитектура искусственных нейросетей, применяющая обучение без учителя и использует метод обратного распространения ошибки. На промежуточный слой автокодировщика накладывают ограничения: промежуточный слой должен быть или меньшей размерности, чем входной и выходной слои, или искусственно ограничивается количество одновременно
активных нейронов промежуточного слоя - разрежённая активация. Ограничения заставляют нейросеть искать обобщения и корреляцию в поступающих на вход данных, выполнять их сжатие. Нейросеть автоматически обучается выделять из входных данных общие признаки, которые кодируются в значениях весов искусственной нейронной сети. При обучении сети на наборе различных входных изображений, она сама обучается распознавать линии и полосы под различными углами.
Список использованной литературы: 1.Васильков А.В. Информационные системы и их безопасность: Учебное пособие. - М.: Форум, 2016. - 528 c. 3. Обзор методики работы машинного обучения Сообщество IT-специалистов «Хабр» [Электронный ресурс] - URL: https://habr.com/ru/company/nix/blog/478286/.
3. Николенко С.И., Кадурин А.А., Архангельская Е.О. Глубокое обучение. Погружение в мир нейросетей. //Библиотека программиста, 2019- 480 с.
© Гарифуллин И М., 2021
УДК 336
Кулакин А.А.
Сотрудник Академия ФСО России г. Орёл, РФ
МЕТОДЫ НАРАЩИВАНИЯ СКОРОСТИ ПРИЕМА НА СЛУХ ТЕЛЕГРАФНОГО КОДА МОРЗЕ
Аннотация
Статья посвящена наращиванию скорости приема на слух телеграфного кода Морзе, как этапу обучения и подготовки специалистов в области радиотелеграфии. Показаны факторы, влияющие на увеличение скорости работы. Перечислены конкретные методы для обучения и выработки устойчивых навыков работы на заданных скоростях.
Ключевые слова:
Прием на слух, метод, наращивание скорости.
Одним из важнейших требований к подготовке радиотелеграфистов является высокое качество приема телеграфного кода Морзе, так как этот этап непосредственно влияет на актуальность и достоверность принимаемой информации. Следует отметить, что под высоким качеством подразумевается не только правильность, но и скорость приема информации. Если первый параметр достигается уверенным приемом на слух телеграфной азбуки, то второй лишь упорными тренировками по наращиванию скорости работы с сохранением заданного качества. Однако необходимо сказать о том, что переходить к последнему этапу в освоении дисциплины следует только после достижения достаточных первичных навыков работы.
Наращивание скорости приема на слух до необходимого уровня достигается путем увеличения количества принимаемых символов в минуту, а оно в свою очередь достигается за счет:
- уменьшения пауз между символами и группами при сохранении темпа звучания символов;
- увеличение темпа звучания символов при сохранении соотношения пауз;
- изменения длительности пауз и темпа звучания символов пропорционально друг другу;
Наиболее эффективным способом в данном случае является третий, так как с его помощью
обучаемый быстрее переходит на новые скорости.
Целями этапа наращивания скорости приема на слух являются:
- умение безошибочно принимать на слух буквенный и цифровой текст на новой скорости работы;
- умение запоминать и держать в уме символы на приеме, упреждая запись на 1-2 знака;
- быстро и безошибочно записывать принимаемый текст;
Приступим к описанию некоторых методов наращивания скорости приема на слух.
