№ 1 (2024)

Проведено имитационное моделирование структуры и конкретных способов кодирования сигнала, разнесённого приёма, методов совместной обработки сигналов, принятых несколькими приёмными пунктами системы приёма телеметрической информации. С учётом условий передачи, приёма и распространения сигнала определены характеристики качества приёма информации (вероятность битовых ошибок, пропускная способность и надёжность канала).

Статья посвящена сравнению двух разработанных методов проведения самодиагностики для определения состояния нейронов самомаршрутизирующегося аналого-цифрового преобразователя на базе распределённой системы встроенного контроля и анализу отношения быстродействия к размерам нейронной сети. В основе системы диагностики лежит использование местного фрагментарного устройства управления и метода «эхолокации» для маршрутизации сигналов, которые позволяют исключать из сети отказавшие нейроны, при этом сохраняя возможность измерения на оставшихся в сети исправных нейронах. В результате работы выбран лучший алгоритм из предложенных, разработана структура базовой группы нейронов – «структура с избыточной связью», а также сделан вывод о размере базовой группы нейронов, позволяющей обеспечить высокое быстродействие системы самодиагностики. Кроме того, определены направления дальнейших исследований, связанных с диагностикой системы управления нейрона, использованием нескольких базовых групп нейронов и применением предложенных алгоритмов при высокой нагрузке на аналого-цифровой преобразователь.

Для выделения наиболее подходящей нейросетевой модели и последующих рекомендаций в статье приведено сравнение нескольких нейросетевых моделей глубокого обучения в формате тестирования в схожих условиях на различных платформах с целью их дальнейшего применения для решения задач распознавания дорожных знаков в автопилотированиии транспортных средств. Описаны результаты проведённого сравнительного анализа работы нейросетевых моделей DenseNet, GoogleNet, LeNet, MobileNet и ResNet50 с целью определения наиболее подходящей для обучения беспилотных автомобилей под управлением искусственного интеллекта. В качестве базы данных применялся набор записей TSRD с изображениями дорожных знаков. В ходе анализа приведены результаты исследования как с центральными, так и с графическими процессорами. Установлено, что для используемого тестового набора данных размер изображения из выбранной области интересов не всегда влиял на точность выходных данных. В ходе экспериментов показано, что использование глубоких моделей с большим временем обучения также не всегда способствовало увеличению точности вывода.

Предложена и продемонстрирована простая сенсорная квазираспределённая сеть контроля уровня воды на основе адресного мультиплексирования волоконно-оптических датчиков в дискретных точках расходного бака подготовки растворов реагентов для очистных сооружений химического производства. Основной принцип работы сенсорной сети основан на измерении оптической мощности сигнала биений двух компонент фазовой адресной волоконной брэгговской структуры, амплитуды которых зависят от коэффициента френелевского отражения на торце волоконно-оптических датчиков при изменении показателя преломления окружающей его среды (воздух или вода). Разработана математическая модель и оценены характеристики сети, проанализированы её преимущества по сравнению с самым распространенным аналогом – сенсорной сетью на основе плотного волнового мультиплексирования. По результатам статистической обработки данных, полученных при двадцатидневном цикле испытаний, относительная погрешность измерения уровня составила 0,3 %, а в абсолютных значениях погрешность измерений составила 2 мм. Данные значения по первой величине соответствуют группе электронных уровнемеров, работающих по давлению в дискретных точках, а по второй – группе микроволновых уровнемеров-радаров. При этом обе указанные группы измерителей не всегда могут быть применены в условиях химических производств.