Ф.И.О.
Малыхина Мария Петровна
Ученая степень
• кандидат технических наук
Ученое звание
профессор
Почетное звание
—
Организация, должность
• Кубанский государственный технологический университет
Научные интересы
Адрес веб-сайта
—
Электропочта
—
Текущий рейтинг (суммарный рейтинг статей)
0
TOP5 соавторов
Статей в журнале: 6 шт
Сформировать список работ, опубликованных в Научном журнале КубГАУ
-
Краткое описание
В статье рассматривается сегментация объектов на изображениях при помощи анализа зависимости цветовых компонентов модели RGB
-
Анализ распознавания паттернов нейросетевыми методами
Краткое описание
В статье рассматривается набор основных паттернов технического анализа, обзор методики распознавания их нейросетевыми методами. Рассмотрены существующие подходы, установлены проблемы. Показаны причины актуальности описанной методики
-
Аспекты практического применения цветового различия для распознавания и выделения границ изображений
Краткое описание
В статье рассматривается выделение границ на изображениях при помощи цветового различия. Рассмотрены существующие подходы, установлены проблемы. Показаны причины перехода к другим подходам
-
Интеллектуальная система для проектирования баз данных эффективной структуры
Краткое описание
В статье рассматривается автоматизированная система, которая позволит пользователю сделать структуру имеющейся базы данных эффективной путем последовательной нормализации с использованием системы пояснений
-
Краткое описание
В статье рассматривается способ организации работы интеллектуальной системы на основе гибридизаций нескольких технологий интеллектуальных вычислений. Приведена модель гибридной системы. Доказана эффективность применения предлагаемого подхода
-
Краткое описание
В статье рассматривается проблема выявления сетевой атаки с целью последующего применения мер по обеспечению информационной безопасности. Для решения данной задачи проведено исследование эффективности работы нейронной сети с использованием в качестве алгоритмов обучения ряда метаэвристических методов, таких как, генетический алгоритм, алгоритм серых волков и алгоритм светлячков. Описаны механизмы указанных алгоритмов и принципы их работы. Для определения наличия сетевой атаки выбрана архитектура многослойного персептрона с сигмоидальной функцией активации. Исследованы различные конфигурации нейронной сети с целью определения оптимальной, имеющей соотношение слоев и нейронов на каждом слое, которое позволит получить минимальную ошибку. Обучение проводилось путем минимизации квадрата отклонения полученного выхода сети от эталонного с помощью заявленных алгоритмов. Генетический алгоритм требует тщательного подбора параметров при любом изменении структуры нейронной сети, а также значительно уступает в быстродействии алгоритмам светлячков и серых волков. Наибольшую точность показал метод серых волков, однако с увеличением количества скрытых слоев сети, его эффективность снижается. Большую устойчивость точности полученных результатов к изменению структуры нейронной сети показал алгоритм светлячков: он незначительно уступает по эффективности алгоритму волков, однако является более универсальным
pdf 215.878kb
doc 215.878kb