Метод распознавания в интерактивном режиме аномалий градиентов скалярных полей наблюдений

от

Ю.Е. Шишкин1,2, А.В. Скатков1

1 ФГАОУ ВО «Севастопольский государственный университет», РФ, г. Севастополь, ул. Университетская, 33

2 Институт природно-технических систем, РФ, г. Севастополь, ул. Ленина, 28

E—mail: yourockpro@gmail.com

DOI: 10.33075/2220-5861-2018-2-30-37

УДК 004.9:004.78

Реферат:

   Предлагается подход к решению задачи оперативного распознавания аномалий в данных скалярных полей мониторинга объектов и процессов с использованием градиентного метода и системы специфичных информационных метрик среднеквадратического отклонения модуля и направления разности градиентных полей. Разработан метод, обеспечивающий работу системы бинарного классификатора, построена математическая модель и процедура распознавания, работающая в интерактивном режиме. Проиллюстрирована работа предложенного подхода на примере выборки данных вертикального пространственного зондирования температуры акватории вод города Севастополя в районе бухты Круглая.

Ключевые слова: мониторинг, математическое моделирование, Большие Данные, цифровая фильтрация, градиент, скалярное поле, детектирование аномалий, кластеризация, критические системы, интеллектуальный анализ данных.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Unsupervised real-time anomaly detection for streaming data / S. Ahmad, A. Lavin, S. Purdy [et al.] // Neurocomputing. 2017. Vol. 262. P 134–147. DOI: j.neucom.2017.04.070.
  2. Derkahov S.E., Manashov A.N. Anomalous dimensions of composite operators in scalar field theories // Journal of Mathematical Sciences. 2010. Vol. 168: P. 837–855. DOI: 10.1007/s10958-010-0032-9.
  3. Fursaev D.V., Miele G. Finite-temperature scalar field theory in static de Sitter space // Phys. Rev. D. 1993. Vol. 49. P. 987-998. DOI: 10.1103/PhysRevD.49.987.
  4. Скатков А.В., Шишкин Ю.Е. Кластеризация данных в задачах обнаружения аномалий на основе ортогональных фильтров // Системы контроля окружающей среды. 2018. № 11 (31). С. 36–43.
  5. Скатков А.В., Шишкин Ю.Е. Модель обнаружения аномалий в наблюдениях параметров полей окружающей среды с использованием систем мониторинга // Системы контроля окружающей среды. 2017. № 10 (30). С. 48–53.
  6. Pääkkönen P., Pakkala D. Reference Architecture and Classification of Technologies, Products and Services for Big Data Systems  // Big Data Research. 2015. Vol. 2. P. 166–186. DOI: 10.1016/j.bdr.2015.01.001.
  7. Скатков А.В., Шишкин Ю.Е. Мониторинг качественных изменений состояний сетевого трафика в облачных вычислительных средах // Автоматизация и приборостроение: проблемы, решения: материалы междунар. науч.-техн. конф. / под науч. ред. В.Я. Коппа. Севастополь, 11–15 сентября 2017 г. Севастополь: СевГУ, 2017. С. 137–138.
  8. Shishkin Y.E. Big Data visualization in decision making // Science in Progress: тез. Всерос. науч.-практ. конф. магистрантов и аспирантов. Новосибирск, 20 октября 2016 г. Новосибирск: НГТУ, 2016. C. 203–205. ISBN 978-5-7782-3094-1.
  9. Скатков А.В., Шишкин Ю.Е. Разработка модели оптимизации мониторинга при частичной неопределенности в виде системы массового обслуживания // Развитие методологии современной экономической науки и менеджмента: материалы I Междисциплинарной Всероссийской науч.-практ. конф. Севастополь, 4-5 мая 2017 г. Севастополь: СевГУ, 2017. С. 611–618.
  10. Bâki H. Is the global sea surface temperature rise accelerating? // Geodesy and Geodynamics. 2018. Vol. 2. P. 109–116. DOI: 10.1016/j.geog.2018.04.002.
  11. Бурмистрова Н.В., Жук В.Ф., Мельникова Е.Б. Термохалинная структура вод на траверсе бухты Круглая и её влияние на интенсивность поля биолюминесценции // Природничий альманах. 2011. Вып. 15. С. 14–25.
  12. Скатков А.В., Шишкин Ю.Е. Модель системы мониторинга в условиях риска // Экологическая, промышленная и энергетическая безопасность – 2017: сборник статей по материалам науч.-практ. конф. с международным участием / под ред. Ю.А. Омельчук, Н.В. Ляминой, Г.В. Кучерик. 2017. С. 1239–1242.
  13. Спектральный анализ аномального магнитного поля земли для разновысотных съемок / В.И. Одинцов, Н.М. Ротанова, Ю.П. Цветков [и др.] // Геомагнетизм и аэрономия. 2000. Т. 40. № 2. С. 59–66.
  14. Dorit S. Complexity and approximations for submodular minimization problems on two variables per inequality constraints // Discrete Applied Mathematics. 2018. Vol. 1. P. 12–20 DOI: 10.1016/j.dam.2018.04.012.
  15. Брюховецкий А.А., Скатков А.В., Шишкин Ю.Е. Моделирование процессов обнаружения аномалий в сложноструктурированных данных мониторинга // Системы контроля окружающей среды. 2017. № 9 (29). С. 45–49.
  16. A lock-free approach to parallelizing stochastic gradient descent / B. Recht, W. Re, S. Wright [et al.] //Advances in Neural Information Processing Systems – 24. Curran Associates, Inc. 2011. P. 693–701.

Loading