CC BY
0
УДК 004.81
DOI: 10.24412/2071-6168-2023-10-47-48
РАЗРАБОТКА АЛГОРИТМА УПРАВЛЕНИЯ КОГНИТИВНЫМИ ФУНКЦИЯМИ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ БЕЗОПАСНОСТИ
П.А. Панилов, Т.Ю. Цибизова, Е.В. Чернега
Разработка алгоритма управления когнитивными функциями в интеллектуальных системах безопасности - это активно исследуемая область, которая направлена на разработку инновационных подходов к управлению когнитивными функциями человека в системах безопасности. Эти подходы включают методы искусственного интеллекта и машинного обучения для создания интеллектуальных систем, способных адаптироваться к изменяющимся условиям и динамически управлять когнитивными функциями человека в режиме реального времени. Представлены обзор и анализ существующих подходов к разработке алгоритмов управления когнитивными функциями в интеллектуальных системах безопасности. Описываются основные проблемы и вызовы, связанные с управлением когнитивными функциями в системах безопасности, а также различные методы и подходы, используемые в исследованиях в этой области. Анализируются возможности для будущих исследований и разработок в этой области, которые могут привести к созданию более эффективных и интеллектуальных систем безопасности.
Ключевые слова: когнитивные функции, интеллектуальные системы безопасности, алгоритмы машинного обучения, нейронные сети, генетические алгоритмы, деревья решений, метод опорных векторов, рекуррентные нейронные сети, управление, безопасность, анализ данных.
Введение. В последние десятилетия в различных областях наблюдается значительный рост использования интеллектуальных систем, например, кибербезопасности, физической безопасности и транспортной безопасности [1, 2]. Однако существующие системы безопасности обычно не учитывают когнитивных функций человека, т.е. внимание, память, восприятие и мышление [3, 4]. Это может привести к ошибкам в принятии решений и недостаточной защите от угроз.
Развитие современных технологий способствует возникновению сложных и многоуровневых угроз безопасности в различных сферах жизни. В настоящее время для борьбы с ними применяются интеллектуальные системы безопасности, которые позволяют эффективно обнаруживать, анализировать угрозы и своевременно реагировать на них. Однако для достижения максимальной эффективности и надежности таких систем необходимо разработать алгоритмы управления и контроля их когнитивными функциями.
Интеллектуальные системы безопасности. Интеллектуальные системы безопасности представляют собой комплексные системы, которые используют различные методы и технологии, включая искусственный ин-
47
теллект (ИИ), машинное обучение и обработку естественного языка [5, 6]. Они способны автоматически обнаруживать, анализировать и реагировать на угрозы и аномалии в реальном времени. Интеллектуальные системы безопасности предоставляют более эффективные и автоматизированные решения для обнаружения и предотвращения инцидентов безопасности, а также для анализа и прогнозирования потенциальных угроз [7].
Когнитивные функции. Когнитивные функции относятся к высшим психическим процессам, которые позволяют нам воспринимать, анализировать, запоминать, мыслить, принимать решения и взаимодействовать с окружающей средой [8, 9]. Они играют ключевую роль в нашей способности адаптироваться к новым ситуациям и решать сложные проблемы. Когнитивные функции (рис. 1) включают в себя внимание, память, восприятие, мышление, язык и множество других аспектов познавательной деятельности.
Рис. 1. Граф когнитивных функций
1. Восприятие. Восприятие является одной из основных когнитивных функций, которая позволяет нам получать информацию о внешнем мире через органы чувств. В контексте интеллектуальных систем безопасности восприятие играет важную роль в сборе и анализе данных, поступающих от различных источников, таких как видеокамеры, аудиозаписи, датчики движения и другие сенсоры. Интеллектуальные системы безопасности используют алгоритмы обработки сигналов и компьютерного зрения для распознавания объектов, обнаружения аномалий и идентификации потенциальных угроз.
2. Внимание. Внимание является способностью фокусироваться на определенных объектах или событиях, игнорируя ненужные или малозначимые. В контексте интеллектуальных систем безопасности внимание играет важную роль в определении приоритетов и фокусировке ресурсов на наиболее значимых событиях или угрозах. Алгоритмы управления внима-
48
нием в интеллектуальных системах безопасности позволяют системе выделять и отслеживать подозрительные действия, опасные объекты или нежелательные события.
3. Память. Память относится к способности сохранять и восстанавливать информацию. В контексте интеллектуальных систем безопасности память играет важную роль в хранении и доступе к данным о предыдущих событиях, угрозах и опыте. Алгоритмы управления памятью позволяют системе эффективно организовывать и сохранять данные, чтобы обеспечить быстрый доступ к необходимой информации для анализа и принятия решений и, таким образом, обнаруживать шаблоны и тренды, а также использовать прошлый опыт для прогнозирования и предотвращения потенциальных угроз.
4. Мышление. Мышление в контексте интеллектуальных систем безопасности означает способность системы анализировать и интерпретировать данные, проводить логические рассуждения и формировать выводы. Алгоритмы мышления в интеллектуальных системах безопасности позволяют системе анализировать события и угрозы, идентифицировать связи между ними, проводить категоризацию и классификацию данных, что помогает системе понимать контекст и значимость различных факторов безопасности, а также принимать обоснованные и информированные решения.
5. Решение проблем. Решение проблем является важной когнитивной функцией, которая позволяет системе безопасности идентифицировать проблемы или угрозы, разрабатывать стратегии и принимать меры для их предотвращения или устранения. Алгоритмы решения проблем в интеллектуальных системах безопасности помогают системе анализировать ситуацию, оценивать возможные варианты действий, предлагать оптимальные решения и прогнозировать результаты. Это позволяет системе безопасности эффективно реагировать на различные угрозы и инциденты, минимизируя потенциальный ущерб и повышая общую безопасность.
Все эти когнитивные функции (рис. 2) взаимодействуют в интеллектуальных системах безопасности, создавая целостную систему, способную анализировать, понимать и принимать решения на основе сложных данных и контекста безопасности. Разработка эффективных алгоритмов управления этими когнитивными функциями является ключевой задачей для создания интеллектуальных систем безопасности, которые могут эффективно обнаруживать, предотвращать и реагировать на угрозы и инциденты безопасности.
Алгоритмы машинного обучения для управления когнитивными функциями
1. Нейронные сети. Нейронные сети являются мощным инструментом для управления когнитивными функциями в интеллектуальных системах безопасности. Они способны обрабатывать большие объемы данных и
обнаруживать сложные паттерны и зависимости. Нейронные сети состоят из множества взаимосвязанных искусственных нейронов, которые работают совместно для обучения и принятия решений [10]. Они могут быть обучены на основе различных алгоритмов, таких как обратное распространение ошибки, и могут быть настроены для выполнения различных задач, связанных с когнитивными функциями, таких как обнаружение объектов, классификация событий и предсказание поведения.
На рис. 3 показано, как создается нейронная сеть для интеллектуальной системы безопасности. Узлы представляют каждый этап обработки данных, включая входные данные, обработку данных, анализ данных, принятие решений и выходные данные. Ребра обозначают поток данных между этапами обработки.
Восприятие
Рис. 2. Граф взаимодействия когнитивных функций
Входные данные
Обработка данных
Анализ данных
Принятие решений
Выходные данные
Рис. 3. Граф нейронной сети для интеллектуальной системы безопасности
50
2. Генетические алгоритмы. Генетические алгоритмы представляют собой эволюционные алгоритмы, которые используют механизмы воспроизводства и мутации, аналогичные естественному отбору, для оптимизации и поиска решений [11, 12]. В контексте управления когнитивными функциями генетические алгоритмы могут использоваться для оптимизации параметров и структуры системы. Они могут искать оптимальные комбинации параметров алгоритмов управления, чтобы достичь лучших результатов в задачах восприятия, внимания, памяти, мышления и решения проблем.
На рис. 4 показан пример создания графического представления генетического алгоритма для интеллектуальной системы безопасности. Узлы представляют собой каждый этап генетического алгоритма, включая начало, инициализацию популяции, оценку приспособленности, отбор особей, скрещивание, мутацию, получение новой популяции, оценку останова и конец. Ребра обозначают поток выполнения между этапами генетического алгоритма.
Конец
Оценка останова
Получение новой,популяции
Мутация
Инициализация популяции
Скре! |ние
Оценка приспособленности
Отбор особей
Рис. 4. Граф генетического алгоритма для интеллектуальной системы безопасности
3. Деревья решений. Деревья решений представляют собой структуры данных, которые используются для принятия решений на основе логических правил [13]. В контексте управления когнитивными функциями деревья решений могут быть использованы для классификации и принятия решений на основе полученных данных. Они позволяют системе безопасности принимать быстрые и информированные решения, основываясь на предыдущем опыте и знаниях.
На рис. 5 показано создание графического представления алгоритма деревьев решений для интеллектуальной системы безопасности. Узлы представляют каждый этап алгоритма, включая выбор признака, разделе-
ние данных, построение поддерева, продолжение разделения, листовои узел и конец. Ребра обозначают поток выполнения между этапами алгоритма.
Конец
Построение поддерева
Листовой узел
Разделение данных
Продолжение разделения
Выбор признака
Начало
Рис. 5. Граф алгоритма «деревья решений» для интеллектуальной системы безопасности
4. Метод опорных векторов. Метод опорных векторов (Support Vector Machines, SVM) является алгоритмом машинного обучения, который используется для задач классификации и регрессии [14]. В контексте управления когнитивными функциями в интеллектуальных системах безопасности метод опорных векторов может быть применен для анализа и классификации данных. Он строит оптимальную разделяющую гиперплоскость, которая разделяет данные разных классов с максимальным зазором. Метод опорных векторов может быть использован для обнаружения аномалий, идентификации подозрительного поведения и принятия решений на основе обученных моделей.
На рис. 6 показано создание графического представления алгоритма «Метод опорных векторов (SVM)» для интеллектуальной системы безопасности. Узлы представляют собой каждый этап алгоритма, включая выбор гиперплоскости, разделение классов, построение опорных векторов, настройку гиперплоскости и конец. Ребра обозначают поток выполнения между этапами алгоритма.
5. Рекуррентные нейронные сети. Рекуррентные нейронные сети (Recurrent Neural Networks, RNN) являются классом нейронных сетей, способных работать с последовательными и временными данными [15]. В контексте управления когнитивными функциями рекуррентные нейронные сети могут использоваться для анализа и предсказания последовательностей событий, обработки данных с временными зависимостями и моделирования динамических процессов. Они позволяют системе безопасности
52
адаптироваться к изменяющимся условиям и долгосрочным зависимостям, что делает их полезными инструментами для управления когнитивными функциями в интеллектуальных системах безопасности.
Разделение классов
Выбор гиперплоскости
Построение опорных векторов
Начало
Настройка гиперплоскости
Конец
Рис. 6. Граф алгоритма «метод опорных векторов» для интеллектуальной системы безопасности
В примере рис. 7 показано создание графического представления алгоритма «рекуррентные нейронные сети (RNN)» для интеллектуальной системы безопасности. Узлы представляют собой каждый этап алгоритма, включая входные данные, рекуррентные слои, выходной слой, прогнозирование и конец. Ребра обозначают поток выполнения между этапами алгоритма.
Рекуррентные слои
Входные данные
Выходной слой
Прогнозирование
Конец
Рис. 7. Граф алгоритма «рекуррентные нейронные сети» для интеллектуальной системы безопасности
Примеры применения алгоритмов машинного обучения для управления когнитивными функциями в интеллектуальных системах безопасности
1. Обнаружение аномального поведения. Одним из ключевых аспектов безопасности является обнаружение аномального поведения, которое может указывать на потенциальные угрозы. Алгоритмы машинного обучения, такие как нейронные сети и метод опорных векторов, могут быть использованы для создания моделей, способных выявлять аномальное поведение на основе обучающих данных. Например, система безопасности может обучиться распознавать подозрительные действия на видеозаписях, звуковые сигналы, а также анализировать данные с датчиков для обнаружения необычных паттернов, которые могут свидетельствовать о нарушениях безопасности.
2. Классификация событий. Интеллектуальные системы безопасности могут использовать алгоритмы машинного обучения, такие как деревья решений и рекуррентные нейронные сети, для классификации различных событий. Например, система может классифицировать события на основе их приоритетности или типа угрозы. Это позволяет системе эффективно реагировать на различные ситуации и принимать соответствующие меры безопасности.
3. Анализ и прогнозирование. Алгоритмы машинного обучения также могут быть применены для анализа и прогнозирования данных, связанных с безопасностью. Например, система может использовать рекуррентные нейронные сети для анализа последовательности событий и предсказания будущих событий или возможных угроз. Это позволяет системе принимать предупреждения и предпринимать проактивные меры для предотвращения потенциальных угроз безопасности.
4. Адаптивное обучение. Алгоритмы машинного обучения также позволяют системам безопасности адаптироваться к изменяющимся условиям и новым угрозам. Например, система может использовать генетические алгоритмы для оптимизации параметров моделей машинного обучения на основе обратной связи и результатов анализа. Это позволяет системе непрерывно улучшать свою производительность и эффективность в реальном времени.
5. Интеграция данных и совместная работа. Алгоритмы машинного обучения позволяют интегрировать данные из различных источников, таких как видеокамеры, аудиозаписи, датчики и базы данных, для более полного и всестороннего анализа безопасности. Например, система может использовать нейронные сети для обработки и анализа больших объемов данных, выявления скрытых паттернов и связей между различными событиями. Это позволяет системе получать более глубокое понимание ситуации и принимать более точные решения.
54
Преимущества и недостатки использования алгоритмов машинного обучения
Алгоритмы машинного обучения представляют собой мощный инструмент для управления когнитивными функциями в интеллектуальных системах безопасности. Они способны анализировать данные, выявлять паттерны, классифицировать события и прогнозировать угрозы. Однако, как и любая технология, они имеют свои преимущества и недостатки, которые следует учитывать при их применении.
Преимущества использования алгоритмов машинного обучения
1. Высокая точность. Алгоритмы машинного обучения могут обрабатывать большие объемы данных и находить скрытые зависимости, что позволяет достичь высокой точности в анализе и прогнозировании угроз безопасности. Это способствует более эффективному обнаружению и предотвращению потенциальных проблем.
2. Автоматизация и быстрота. Использование алгоритмов машинного обучения позволяет автоматизировать процессы анализа и принятия решений, что существенно ускоряет реакцию на угрозы безопасности. Системы могут быстро обрабатывать данные в реальном времени и предлагать соответствующие меры для немедленного реагирования.
3. Гибкость и адаптивность. Алгоритмы машинного обучения способны адаптироваться к изменяющимся условиям и новым угрозам. Они могут обучаться на новых данных, оптимизировать свои модели и прогнозировать будущие события. Это обеспечивает гибкость и эффективность систем безопасности при обнаружении и предотвращении угроз.
Недостатки использования алгоритмов машинного обучения
1. Зависимость от данных. Качество работы алгоритмов машинного обучения напрямую зависит от качества и представительности обучающих данных. Если данные неполные, несбалансированные или содержат ошибки, это может привести к неправильным выводам и принятию ошибочных решений.
2. Объяснимость и интерпретируемость. Некоторые алгоритмы машинного обучения, особенно сложные модели, могут быть трудны для интерпретации. Это может создавать сложности при объяснении принятых решений и оправдании системы перед заинтересованными сторонами. В контексте систем безопасности, где прозрачность и объяснимость играют важную роль, это может быть недостатком.
3. Необходимость больших вычислительных ресурсов. Некоторые алгоритмы машинного обучения, особенно глубокие нейронные сети и рекуррентные нейронные сети, требуют значительных вычислительных ресурсов для своей работы. Это может быть проблематичным, особенно для масштабных систем безопасности, где требуется обработка больших объемов данных в режиме реального времени.
4. Необходимость качественных обучающих данных. Для эффективного обучения алгоритмов машинного обучения требуются качественные обучающие данные, которые должны быть предоставлены для каждого типа угрозы или события. Это может потребовать значительных усилий и ресурсов для сбора и подготовки данных, особенно если события редки или уникальны.
5. Риск ошибок и нежелательных результатов. Несмотря на высокую точность, алгоритмы машинного обучения не гарантируют полной защиты от угроз безопасности. Существует риск ложных срабатываний (false positives) или пропуска угроз (false negatives), что может привести к нежелательным результатам. Это требует тщательной настройки и оценки алгоритмов для минимизации таких ошибок.
Разработка алгоритма управления когнитивными функциями
Разработка оптимального алгоритма управления когнитивными функциями в интеллектуальных системах безопасности требует комплексного подхода и учета различных факторов. Рассмотрим предлагаемый оптимальный алгоритм управления когнитивными функциями (рис. 8).
Рис. 8. Граф алгоритма управления когнитивными функциями для интеллектуальной системы безопасности
1. Сбор и предварительная обработка данных. Алгоритм начинает со сбора данных из различных источников, таких как видеокамеры, аудиозаписи и датчики. Затем данные предварительно обрабатываются, включая фильтрацию шума, сжатие и нормализацию.
2. Восприятие и выделение наиболее значимых событий. С использованием алгоритмов компьютерного зрения и обработки сигналов система выделяет наиболее значимые и подозрительные события из общего потока данных. Это может включать обнаружение движения, распознавание лиц, распознавание звуков и другие техники.
3. Анализ и интерпретация данных. Используя алгоритмы машинного обучения, включая нейронные сети, деревья решений и рекуррентные нейронные сети, система анализирует и интерпретирует данные. Это включает выявление шаблонов, классификацию событий, определение уровня угрозы и идентификацию потенциальных проблем.
4. Принятие решений и стратегий действий. На основе анализа данных и обучения система принимает решения о дальнейших шагах и предлагает оптимальные стратегии действий для предотвращения или устранения угроз безопасности. Это может включать активацию аварийной сигнализации, передачу сообщений ответственным лицам, активацию физических барьеров и т.д.
5. Обратная связь и обучение. Система собирает обратную связь о результате принятых решений и эффективности примененных стратегий. Эта информация используется для дальнейшего улучшения алгоритма и обучения модели, что позволяет системе становиться более точной и эффективной в обнаружении и предотвращении угроз безопасности.
6. Мониторинг и обновление. Алгоритм управления когнитивными функциями в интеллектуальных системах безопасности включает постоянный мониторинг системы и обновление алгоритма с учетом изменяющихся условий и новых угроз.
7. Интеграция с другими системами безопасности. Алгоритм должен быть способен интегрироваться с другими системами безопасности, такими как системы контроля доступа, системы видеонаблюдения и системы сигнализации. Это позволяет создать единый интеллектуальный комплекс для обеспечения максимальной безопасности.
8. Обеспечение конфиденциальности и защиты данных. При разработке алгоритма управления когнитивными функциями необходимо уделять особое внимание защите конфиденциальности данных. Это включает использование шифрования, установку правил доступа и обеспечение безопасности хранения данных.
9. Тестирование и оценка производительности. Алгоритм должен проходить систематическое тестирование и оценку производительности для проверки его эффективности и точности. Это позволяет выявить возможные проблемы и улучшить алгоритм в соответствии с требованиями безопасности.
10. Обучение персонала. Наконец, важно обучить персонал, который будет использовать и поддерживать систему управления когнитивными функциями. Обучение должно включать основы работы с алгоритмом, интерпретацию результатов и правильное реагирование на возможные угрозы безопасности.
Заключение. В данной научной статье были рассмотрены алгоритмы машинного обучения для управления когнитивными функциями в интеллектуальных системах безопасности: нейронные сети, генетические алгоритмы, деревья решений, метод опорных векторов и рекуррентные нейронные сети.
Оптимальное управление когнитивными функциями играет важную роль в обеспечении безопасности систем и защите от угроз. Рассмотренные алгоритмы машинного обучения предоставляют эффективные инструменты для анализа данных, принятия решений и стратегий действий, а также для обучения и адаптации систем безопасности.
Нейронные сети позволяют обрабатывать и анализировать сложные данные, выявлять паттерны и прогнозировать потенциальные угрозы. Генетические алгоритмы могут применяться для оптимизации параметров системы безопасности и выбора наиболее эффективных стратегий. Деревья решений предоставляют простую и интерпретируемую модель для классификации и принятия решений. Метод опорных векторов позволяет эффективно разделять данные и строить границы принятия решений. Рекуррентные нейронные сети обладают способностью моделировать последовательные данные и учитывать контекст для более точного анализа и предсказания.
Каждый из этих алгоритмов имеет свои преимущества и ограничения, и выбор конкретного алгоритма зависит от особенностей задачи и доступных данных.
Использование алгоритмов машинного обучения для управления когнитивными функциями в интеллектуальных системах безопасности позволяет значительно повысить эффективность и надежность систем, обеспечить более точное прогнозирование и более быструю адаптацию к изменяющимся условиям.
Кроме рассмотренных алгоритмов, в рамках данной статьи был разработан собственный алгоритм управления когнитивными функциями в интеллектуальных системах безопасности, который учитывает особенности конкретной системы, использует комбинацию различных методов машинного обучения и предоставляет более точное и индивидуальное управление системой безопасности.
Разработка собственного алгоритма позволяет адаптировать его под специфические требования и цели системы безопасности, а также обеспечить гибкость и расширяемость для будущих улучшений и инноваций.
Таким образом, применение алгоритмов машинного обучения, включая рассмотренные в данной статье и собственный алгоритм, в управлении когнитивными функциями в интеллектуальных системах безопасности является важным шагом в обеспечении безопасности и защиты от угроз. Дальнейшее развитие и исследования в этой области позволят еще более точно анализировать и предсказывать потенциальные угрозы, адаптироваться к изменяющейся среде и обеспечивать высокую надежность и эффективность интеллектуальных систем безопасности.
Список литературы
1. Массель А.Г., Пяткова Н.И. Применение методов когнитивного моделирования для анализа угроз энергетической безопасности // Информационные и математические технологии в науке и управлении. 2020. № 4 (20). С. 24 - 33.
2. Цибизова Т.Ю., Панилов П.А., Кочешков М.А. Мониторинг безопасности системы защиты информации критической информационной инфраструктуры на основе когнитивного моделирования // Известия Тульского государственного университета. Технические науки. 2023. Вып. 6. С. 33 - 41.
3. Системный анализ целей, направлений и технических решений для исследования процессов зрительного восприятия и памяти человека / Ю.М. Брумштейн, Д.А. Молимонов, А.И. Кривенко, А.Ю. Гроцкая // Физика и радиоэлектроника в медицине и экологии - ФРЭМЭ'2020: труды XIV Международной научной конференции с научной молодежной школой им. И.Н. Спиридонова. 2020. С. 336 - 341.
4. Суханов В.А., Цибизова Т.Ю. Архитектура системы развития и поддержки профессиональной интеллектуальной деятельности // Динамика сложных систем - XXI век. 2020. Т. 14. № 1. С. 23 - 31.
5. Молоканова Д.В. Алгоритмы машинного обучения для классификации угроз информационной безопасности // Информационные технологии и системы: управление, экономика, транспорт, право. 2022. № S1. С. 27 - 28.
6. Ульянов С.В., Мамаева А.А., Шевченко А.В. Технология когнитивного интеллектуального управления: оптимизатор баз знаний на мягких вычислениях и глубокое машинное обучение // Нечеткие системы и мягкие вычисления. 2018. Т. 13. № 2. С. 166 - 182.
7. Пролетарский А.В., Скворцова М.А., Терехов В.И. Гибридная интеллектуальная система оценки рисков на основе неструктурированной информации // Нейрокомпьютеры: разработка, применение. 2017. № 1. С. 66 - 74.
8. Закиева Е.Ш. Алгоритм интеллектуальной поддержки принятия управленческих решений на основе нечеткой когнитивной модели оценки уровня безопасности // Современные наукоемкие технологии. 2021. № 11 - 1. С. 43 - 48.
9. Капитонов Д.Д. Разработка прототипа системы моделирования процессов обработки и хранения визуальной и слуховой информации человеком // Вестник Российского нового университета. Сер. «Сложные системы: модели, анализ и управление». 2023. № 1. С. 29 - 36.
10. Защита изображения человека от распознавания нейросетевой системой на основе состязательных примеров / С.А. Сакулин, А.Н. Ал-фимцев, Д.А. Локтев, А.О. Коваленко, В.В. Девятков // Вестник компьютерных и информационных технологий. 2020. Т. 17. № 2 (188). С. 32 - 38.
11. Применение генетического алгоритма для оптимизации нейронных сетей ВР / Ц. Сюй, Н.В. Лукьянова, С. Лун, Т.Ю. Цибизова, В. Тань // Автоматизация. Современные технологии. 2020. Т. 74. № 6. С. 259 - 263.
12. Фам С.Ф., Цибизова Т.Ю. Методы построения математических моделей: генетические алгоритмы // Достижения вузовской науки: труды международной научно-практической конференции. 2014. С. 158 - 162.
13. Кондратова Д.А., Гайдук Н.В. Алгоритм дерева принятия решений как метод интеллектуального анализа данных // Цифровизация экономики: направления, методы, инструменты: сборник материалов IV Всероссийской научно-практической конференции. Краснодар, 2022. С. 228 -232.
14. Дивеев А.И. Машинное обучение систем интеллектуального управления // Интеллектуальные системы. Теория и приложения. 2022. Т. 26. № 1. С. 35 - 43.
15. Масленников О.В. Динамика искусственной рекуррентной нейронной сети в задаче моделирования когнитивной функции // Известия высших учебных заведений. Прикладная нелинейная динамика. 2021. Т. 29. № 5. С. 799 - 811.
Панилов Павел Алексеевич, ассистент, panilovp.a@,bmstu.ru, Россия, Москва, МГТУ им. Н.Э. Баумана,
Цибизова Татьяна Юрьевна, д-р пед. наук, доцент, профессор, [email protected], Россия, Москва, МГТУ им. Н.Э. Баумана,
Чернега Елена Владимировна, ассистент, e. v. chernega@,bmstu. ru, Россия, Москва, МГТУ им. Н.Э. Баумана
DEVELOPMENT OF AN ALGORITHM FOR MANAGING COGNITIVE FUNCTIONS
IN INTELLIGENT SECURITY SYSTEMS
P.A. Panilov, T.Y. Tsibizova, E.V. Chernega
The development of an algorithm for managing cognitive functions in intelligent security systems is an actively researched area that aims to develop innovative approaches to managing human cognitive functions in security systems. These approaches include artificial intelligence and machine learning methods to create intelligent systems capable of adapting to changing conditions and dynamically managing human cognitive functions in real time. The article presents an overview and analysis of existing approaches to the development of algorithms for managing cognitive functions in intelligent security systems. The main problems and challenges associated with the management of cognitive functions in security systems are described, as well as various methods and approaches used in research in this area are presented. It offers opportunities for future research and development in this area, which may lead to the creation of more efficient and intelligent security systems.
Key words: cognitive functions, intelligent security systems, machine learning algorithms, neural networks, genetic algorithms, decision trees, support vector machine, recurrent neural networks, management, security, data analysis.
Panilov Pavel Alekseevich, assistant, panilovp.a@,bmstu.ru, Russia, Moscow, Moscow Bauman State Technical University,
Tsibizova Tatiana Yurievna, doctor of pedagogical sciences, docent, professor, mumc@,bmstu.ru, Russia, Moscow, Moscow Bauman State Technical University,
Chernega Elena Vladimirovna, assistant, [email protected], Russia, Moscow, Moscow Bauman State Technical University
УДК 581.613
DOI: 10.24412/2071-6168-2023-10-61-62
НАВИГАЦИОННЫЙ КОМПЛЕКС С ИНТЕЛЛЕКТУАЛЬНОЙ КОМПОНЕНТОЙ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМА УПРАВЛЕНИЯ КАЧЕСТВЕННЫМИ КРИТЕРИЯМИ СЕЛЕКЦИИ ДЛЯ ВЫСОКОМАНЕВРЕННОГО ЛЕТАТЕЛЬНОГО АППАРАТА
М.С. Селезнева
Предложена структура навигационного комплекса с интеллектуальной компонентой для высокоманевренного летательного аппарата. В состав комплекса входят различные системы и датчики навигационной информации. Разработанное алгоритмическое обеспечение осуществляет комплексную обработку информации, поступающей от датчиков, и с помощью критериев степени наблюдаемости, управляемости и параметрической идентифицируемости происходит выбор наиболее точной информации, на основе которой в дальнейшем осуществляются прогноз состояния комплекса на следующем шаге и подтверждение режима полета летательного аппарата. Для получения наиболее точной прогнозирующей модели предлагается использовать алгоритм управления критериями селекции алгоритма самоорганизации, которые формируются в зависимости от режима полета.
Ключевые слова: навигационный комплекс, алгоритм комплексирования, степень наблюдаемости, степень управляемости, степень параметрической идентифицируемости, критерии селекции, алгоритм самоорганизации.
Введение. В настоящее время постоянно повышаются требования, предъявляемые к измерительным системам летательных аппаратов (ЛА). В частности, повышаются требования к точности измерений навигационных систем и комплексов [1, 2]. Повышение точности навигационной информации предлагается достигать алгоритмическим путем, поскольку это дает возможность получить желаемый результат за минимальное время с минимальными финансовыми затратами.
Для повышения точности в навигационном комплексе (НК) предлагается использовать информацию только от тех измерительных систем и датчиков, компоненты векторов состояния моделей погрешностей которых обладают повышенными характеристиками наблюдаемости, управляемости и параметрической идентифицируемости [3, 4]. Используя только
61
