Методическое пособие 662

определенных условий, и формирование рекомендаций для каждого сегмента клиентской базы (рис. 1).

Рис. 1. Модель работы с клиентами

Сегментация клиентов на группы по различным характеристикам помогает продавцам в полной мере удовлетворить потребность каждой группы клиентов. При этом, чем больше количество групп клиентов, тем больше вероятность учесть мельчайшие детали потребностей каждой группы. Важно отметить, что параметры, по которым выполняется сегментация, подразделяются на статические и динамические данные. Статические данные относятся к данным, которые не часто меняются, то есть личные данные клиента, такие как имя клиента, адрес, возраст, пол и доход. Динамическими являются данные, которые время от времени изменяются, такие как данные транзакции клиента – вид товара, частоту покупки и объем потребления клиента.

Решение данной задачи может основываться на нейронных сетях с узким горлом. Так как именно умение нейросетей в нахождении нелинейных связей между различными параметрами делает реальным возможность предоставлять более компактно большой объем связанных данных.

Как минимум три слоя входят в состав структуры нейросети с узким горлом. Входные данные кодируются непосредственно на первом уровне, средний слой, который и будет называться «узким горлом», после обучения сможет отдавать сжатое представление данных. Декодером будет являться последний слой нейронной сети.

Итак, пусть на наборе d-мерных данных xa ` обучается m линейных нейронов:

80

Рис. 2. Слой линейных нейронов.

Изменение исходного правила обучения нейронов может помочь исключить многократное дублирование, которое может быть спровоцировано независимым от других обучением ряда нейронов, расположенных в выходном слое. В результате образования взаимосвязи между нейронами, на выходе будут получены несколько содержательных признаков.

Одним из наиболее известных правил обучения при сжатии данных является правило обучения Хебба. Согласно правилу Хебба изменение весов нейрона при предъявлении ему примера пропорционально его входам и выходу:

Нейрон, выполняющий обучение по правилу Хебба старается увеличить амплитуда своего выхода:

На данном шаге усреднение выполняется по обучающей выборке {xa}. Считается, что обучение с учителем строится на принципе уменьшения среднего отклонения от образца. В отсутствии образца минимизировать нечего, поэтому уменьшение амплитуды выхода может привести только лишь к минимизации чувствительности выходов к значениям входов.

81

Таким образом присутствие ошибки E(w) в данной ситуации невозможно,

поэтому описанное отличие в целях обучения несет принципиальный характер. В связи с этим обучение нейронов по правилу Хебба, описанное ранее в реальной практике невозможно из-за возможности приведения к безграничному увеличению амплитуды весов.

Для исключения этого недостатка можно воспользоваться правилом обучения Ойа для одного нейрона:

Это правило позволяет при ограниченной амплитуде весов максимизировать восприимчивость выхода нейрона, то есть нейрон будет стремится повторить значения собственных выходов по установленному выходу. Таким образом получим способ оптимального сжатия информации, так как описанное обучение пытается максимально увеличить чувствительность единственного выход индикатора к многомерной входной информации. Теперь можем сформулировать правило Ойа для однослойной сети:

Такое обучение эквивалентно сети с узким горлом из скрытых линейных нейронов, обученной воспроизводить на выходе значения своих выходов.

Рис. 3. Линейная автоассоциативная сеть с узким горлом

Литература

1.Ogwueleka F. Neural Network and Classification Approach in Identifying Customer Behaviour in the Banking Sector: A Case Study of an International Bank/Francisca Nonyelum Ogwueleka, Sanjay Misra, Ricardo Colomo-Palacios, Luis Fernandez . - Department of Computer Science, Federal University of Technology – 18 с.

2.Sharma A., Dr. Prabin K. / A Neural Network based Approach for Predicting Customer Churn in Cellular Network Services / Anuj Sharma, Dr. Prabin

82

Kumar Panigrahi // International Journal of Computer Applications (0975 – 8887), 2011. – с. 26 – 31.

3.Аджемов С.С. Снижение размерности признакового пространства в задачах идентификации излучающих объектов по данным радиомониторинга с использованием искусственных нейронных сетей / Аджемов С.С., Терешонок М.В., Чиров Д.С. // T-Comm #8: МТУСИ, 2008 – с. 25-27.

4.Нейрокомпьютинг и его применения в экономике и бизнесе – Учебный курс. – ИНТУИТ. Национальный открытый университет.

Воронежский государственный технический университет

УДК 681.3

И. Я. Львович, А. П. Преображенский, О. Н. Чопоров

ВОПРОСЫ ОПТИМИЗАЦИИ СИСТЕМ ПЕРЕДАЧИ ДАННЫХ В СИСТЕМЕ ИНТЕРНЕТ-ВЕЩЕЙ

Если анализировать технологию Интернет-вещей, то в ней можно указать некоторые особенности [1,2]. Разработчики большей частью ориентируются на то, что применяются действующие известные коммуникационные инфраструктуры. Есть возможности по идентификации каждого из объектов должным способом. Получение данных происходит на базе отправленной или принятой информации по объектам. Есть возможности применения персональных сетей или сети Интернет.

Обозначение идентификатора по IoT может быть относительно каждой из вещей. В совокупности идет формирование континуума вещей. Есть возможности для поддержки среди них взаимодействий. Временные или постоянные сети могут быть созданы. Автоматизация по процессам логистики осуществляется вследствие, доступности сведений относительно текущих геопозиций. Реализация адаптации ведется вследствиетого, что встроен интеллект в вещах.

Необходимо понимать единство протоколов для Интернет-вещей. Поэтому можно считать равноправие по сервисам в любых сетевых узлах.

Есть связь сервисов и определенных услуг, которые относятся к процессам доставки данных. Еще есть возможности для того, чтобы принимались команды от других узлов. Поэтому реализуется решение по общим вычислительным задачам и есть взаимодействие по интернет узлам. Локальные сети по Интернет-вещам бывает, что объединяются. Ими будет обслуживаться одна зона.

Как перспективная в настоящее время считается технология FDT. Идет интеграция на ее базе разных сетей, систем, устройств. При этом говорят о

83

комплексной автоматизации. Есть зависимость промышленности 4.0 и промышленного интернета вещей от того, каким образом идет развитие подобных технологий. Есть большое число возможностей для того, чтобы поддерживать разные функции. Говорят о функциях, связанных с децентрализацией, совместимостью, интеграцией. Проводится унифицированный обзор относительно всех данных и процессов [3].

Поскольку развивается, активным способом создаются большие проекты. Внутри них идет группировка тысяч устройств, поддерживающих ввод/вывод. В созданных организациях формируется единая системная инфраструктура. Основывается она я на технологиях промышленного интернет вещей.

Идет стандартизация разнородных активов автоматизации в инфраструктуре. Высокие показатели эффективности работы компаний получаются за счет удаленного доступа к объединенным компьютерам [4]. Помимо этого, идет группировка производственных активов и устройств. Оптимизация вследствие использования технологии FDT достигается при глобальном мониторинговом обзоре и локальном управлении при их комбинировании. Поэтому в «больших данных» есть возможности выделения контекста. Помимо этого, процессы, связанные с принятием решений, будут более быстрыми и эффективными.

За счет внедрения технологий FDT можно достичь заметного снижения рисков информационной безопасности.

Литература

1.Преображенский Ю. П. Оценка эффективности применения системы интеллектуальной поддержки принятия решений [Текст] / Ю. П. Преображенский // Вестник Воронежского института высоких технологий, 2009. № 5. С. 116-119.

2.Тишуков Б. Н. Разработка математического обеспечения для синхронизации режимов поисковой оптимизации и дуального моделирования в интегрированной вычислительной среде [Текст] / Б. Н.Тишуков, Я. Е.Львович // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии, 2017. № 2. С. 28-32.

3.Львович Я. Е. Оптимизация перераспределения инвестиций на развитие ИКТ в регионе с использованием экспертных знаний [Текст] / Я. Е.Львович, Д. А.Недосекин // Вестник Воронежского государственного технического университета, 2013. Т. 9. № 4. С. 82-83.

4.Мишин Я. А. О системах автоматизированного проектирования в беспроводных сетях [Текст] / Я. А.Мишин // Вестник Воронежского института высоких технологий, 2013. № 10. С. 153-156.

Воронежский институт высоких технологий Воронежский государственный технический университет

84

УДК 681.3

И. Я. Львович, А. П. Преображенский, О. Н. Чопоров

.

ПРИМЕНЕНИЕ МУЛЬТИАГЕНТНЫХ ТЕХНОЛОГИЙ В УПРАВЛЕНИИ ТЕХНИЧЕСКИМИ ОБЪЕКТАМИ

В существующих условиях видно совершенствование в разных механизмах, исполняющих соответствующие функции. Отмечается уменьшение в размерах вычислительных устройств.

Поэтому возникает большое число возможностей для того, чтобы была управляемость сложных систем при помощи интеллектуальных подходов [1]. Такие подходы необходимо использовать тогда, когда известные математические модели нет возможности использовать в силу определенных причин.

Известные подходы, которые для систем используют в ходе анализа и управлении имеют недостатки - известна априори модель описания окружающей среды.

Это наблюдается не во всех случаях. Бывает, что требуется привлекать приближенные модели. Есть влияние различных шумов, есть трудности в выборе удобного алгоритма для вычислений [2]. В составляющих систем могут возникать технические сбои. Они оказывают влияние на характеристики целостности, работоспособности систем. Идет изменение пространства состояний. Есть ограничения в реализации механических систем, когда ведется адаптивное управление. Есть неопределенность. Один из подходов при решении базируется на математических моделях. Например, идет повышение точности датчиков, уменьшение их размеров. Как результат, идет сбор более подробной информации по окружающей среде [3].

Можно указать переменную структуру по пространству состояний для разных природных объектов. Изменения в самой структуре также наблюдаются. А вследствие взаимодействий среди элементов в системе, идет изменение в ее характеристиках.

Реализуется это для биологических, экономических, социологических систем. Мы интересуемся техническими системами. Нет возможностей обеспечения полноты по фиксированному набору переменных с тем, чтобы дать описание по неравновесным процессам. Это продемонстрировали исследователи, относящиеся, например, к неравновесной статистической механике.

Поэтому на базе традиционных дифференциальных моделей в динамических системах нет возможностей полным способом обеспечить описание по неравновесным техническим системам.

Поэтому необходимо применение математических моделей, которые будут более гибкими.

85

В качестве перспектив можно считать использование мультиагентных технологий. Для них характеристики эффективности достигаютсч вследствие замен больших моделей по наборам более простых локальных моделей. Идет уменьшение в размерности состояний при том, что согласуются группы агентов. Некоторые группы агентов подвергаются воздействию внешней среды. Поэтому растет размерность. На практике подобные технологии используют для распределенных сетей (транспортных, компьютерных [4], электрических), робототехнических и внутри датчиковых систем и др.

Литература

1.Преображенский Ю. П. Оценка эффективности применения системы интеллектуальной поддержки принятия решений [Текст] / Ю. П. Преображенский // Вестник Воронежского института высоких технологий, 2009. № 5. С. 116-119.

2.Тишуков Б. Н. Разработка математического обеспечения для синхронизации режимов поисковой оптимизации и дуального моделирования в интегрированной вычислительной среде [Текст] / Б. Н.Тишуков, Я. Е.Львович // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2017. № 2. С. 28-32.

3.Львович Я. Е. Оптимизация перераспределения инвестиций на развитие ИКТ в регионе с использованием экспертных знаний [Текст] / Я. Е.Львович, Д. А.Недосекин // Вестник Воронежского государственного технического университета. 2013. Т. 9. № 4. С. 82-83.

4.Мишин Я. А. О системах автоматизированного проектирования в беспроводных сетях [Текст] / Я. А. Мишин // Вестник Воронежского института высоких технологий. 2013. № 10. С. 153-156.

Воронежский институт высоких технологий Воронежский государственный технический университет

УДК 681.3

Ю. А. Клименко

ОСОБЕННОСТИ ОПТИМИЗАЦИОННОГО МОДЕЛИРОВАНИЯ РАСПРЕДЕЛЕННЫХ ЭЛЕКТРИЧЕСКИХ СИСТЕМ

Когда анализируются особенности распределения электроэнергии, инженерам и теоретикам приходится рассматривать различные режимы оптимизации. Идет оптимизация параметров и режимов для систем, которые связаны с передачей и распределением электрической энергии.

86

Существуют вопросы для стадий, когда идет проектирование особенностей функционирования или конструкций для электрических сетей. В эксплуатации сетей подразумевается оптимизация для режимов в текущей работе [1].

Важно понимать необходимость применения больших материальных затрат. При этом формируются, проектируются, а также эксплуатируются объекты внутри электрических сетей.

Требуется стремление к максимальной эффективности применения подобных затрат.

Так как электроэнергетические системы считаются достаточно сложными, при этом ошибки, полученные на начальных этапах их разработки, потом обусловят то, что последствия будут достаточно заметные. Исправлять их будет сложнее, чем сразу [2]. Но проявление ошибки может быть по прошествии определенного времени. Не всегда при этом есть возможность прогноза значений нагрузок относительно определенных узлов в сети. Это бывает вследствие неопределенности, недостаточной достоверности для исходной информации. Идет задание трех уровней нагрузок, когда при решении подобных задач используют упрощенные подходы. Потом параметры выбирают относительно всех выбранных уровней. Затем делают выбор по решению. Например, можно при этом привлекать экспертные подходы. Выбор критерия оптимизации происходит, основываясь на том, какие параметры будут оптимизироваться. Иногда требуется привлечение нескольких критериев, а не одного. Они анализируются как показатели эффективности решений. Тогда происходит решение многокритериальной (многоцелевой) задачи. Рассматривать характеристики пропускной способности сетей, надежности, данные капитальных затрат можно в виде критериев.

Разные исследователи дают большое число способов решений многокритериальных задач, относящихся к электроэнергетике [3].

При возможностях к однокритериальной задаче будут сводиться такие многокритериальные задачи. Для них оптимизация параметров объектов ведется, основываясь на одном критерии. Он рассматривается как главный. Ограничения анализируются относительно других критериев.

Уже в проектных решениях требуется проводить решение задач [4], относящихся к оптимизации. При этом делается выбор конфигураций по сетям, номинальному напряжению по линиям, значениям площадей сечений внутри проводов и др.

Чтобы достигать оптимальное управление режимами можно использовать различные методики:

–в электрических сетях делается выбор конфигурации;

–осуществляется выбор по требуемому оборудованию;

–ведется управление по параметрам режимов в энергосистемах.

Есть множество управляемых элементов, и еще необходимость в применении различных регулируемых и настраиваемых параметров. Их

87

требуется поддерживать в качестве оптимальных для больших территорий. В этом состоят сложности в ходе оптимального управления режимами.

Литература

1.Чернышов И. Г. Применение интеллектуальных технологий в информационно-измерительных системах / И. Г. Чернышов, Д. Г. Тимохин, Сысоев Г. В., А. В. Шапаев // Вестник Воронежского института высоких технологий. 2018. № 1 (24). С. 95-98.

2.Преображенский Ю. П. Некоторые этапы истории развития информатики

ивычислительной техники / Ю. П. Преображенский, Д. В.Жилин // Вестник Воронежского института высоких технологий. 2018. № 3 (26). С. 37-39.

3.Кравцова Н. Е. Проблемы развития солнечной энергетики / Н. Е.Кравцова, А. П. Преображенский // Вестник Воронежского института высоких технологий. 2018. № 4 (27). С. 20-22.

4.Львович И. Я. Проблемы создания интеллектуальных систем / И. Я.Львович, Н. Е. Кравцова, Ю. Л. Чупринская // Вестник Воронежского института высоких технологий. 2018. № 2 (25). С. 13-15.

Воронежский институт высоких технологий

УДК 681.3

Ю. П. Преображенский

ПРИМЕНЕНИЕ ОБРАЗОВАТЕЛЬНЫХ ТЕХНОЛОГИЙ

ВСФЕРЕ ИНТЕРНЕТ-ВЕЩЕЙ

Всуществующих условиях активным образом можно наблюдать как внедряется технология Интернет вещей в различных областях, в том числе - образовательной.

Для сферы высшего образования проводятся соответствующие изменения:

-Новые специальности требуют владения новыми навыками. В настоящее время идет развитие технологий, основанных на умных сетях, транспорте, возобновляемых источниках энергии. При этом необходимы специалисты, работающие в сфере IoT.

Большое число людей стремятся к получению высшего образования. Идет расширение среднего класса. Люди имеют потребности в высшем образовании.

Существуют переходы от потребителей к производителям. Мы можем наблюдать процессы того, как постепенным образом от потребительства переходят к применению современных технологий. При этом базируются на

88

принципах открытых систем. Важна ориентация на то, чтобы было массовое производство по товарам.

Создание производств базируется на подготовке специалистов в образовательной области.

Наблюдаются непрерывные процессы цифровизации. Многие из подобных технологий [1], имеют отношение к с IoT.

В обществе уже заметным образом есть зависимость от действующих разработок. Для программ высшего образования, которые будут создаваться для специалистов, требуется объединение знаний, относящиеся к проектированию и формированию технологических систем [2].

Необходимо внедрение современных сетевых алгоритмов и методов. Например, на практике интересуются новыми формами, позволяющими осуществлять обучение ИТ, в рамках которых был бы прием больших количеств, обучающихся из разных стран.

Для образовательных подходов важно учитывать практический опыт среди ученых.

Врезультате идет повышение интереса к учебе и характеристик результативности в обучении.

Наблюдается постепенное проникновение курсов Интернет вещей в сферу онлайн-образования.

Внастоящее время нет четко сформировавшихся рекомендаций относительно того, какие характеристики в подобных курсах.

Если анализировать фундаментальные параметры IoT можно отметить:

–физический и цифровой мир будут сливаться;

–физические предметы будут воплощаться в онлайн-объектах;

–идет рост числа раличных устройств, которые связаны с Интернетом;

–по данным характерно увеличение по объемам и ценности данных [3];

–осуществляется разработка по новым видам платформ;

–существует практическая востребованность в быту, промышленности и других областях [4].

Не всегда можно говорить о простоте задач, связанных с преподаванием особенностей IoT для первокурсников.

Для инфраструктуры обучения важно применять встраиваемые платформы, визуальные среды и языки программирования, элементы облачной инфраструктуры.

Врезультате обучащиеся будут иметь возможности проведения сохранения данные в облаках и формирования приложений, которые принимают и используют информацию от датчиков.

Литература

1. Львович И. Я. Проблемы создания интеллектуальных систем / И. Я.Львович, Н. Е. Кравцова, Ю. Л. Чупринская // Вестник Воронежского

89