📄Работа №173101
Тема: Адаптивное применение моделей машинного обучения на отдельных сегментах выборки для оценки состояния бортовых систем
Тип работы
Бакалаврская работа
Предмет
гидрология
Объем:
71 листов
Год:
2023
Просмотров:
66
4550
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Реферат 2
Введение 6
Глава 1. Оценка состояния бортовых систем 10
1.1 Виды и классификация бортовых систем 10
1.2 Оценка состояния процессов узлов и устройств бортовых систем 16
1.3 Постановка задачи 21
Глава 2. Адаптивное применение моделей машинного обучения для оценки состояния бортовых систем 25
2.1 Применение методов машинного обучения для оценки состояния
бортовых систем 32
2.2 Повышение качества оценки состояния бортовых систем за счет
сегментирования выборки данных 43
2.3 Преимущества и ограничения существующих подходов (выделить
достоинства и недостатки методов МО 47
Глава 3. Адаптивное применение моделей машинного обучения при оценке состояния ИБ бортовых систем 55
3.1 Формирование сегментов выборки данных и их обработка методами МО 55
3.2 Экспериментальная оценка предложенного подхода 59
Заключение 68
Список используемой литературы 71
Введение 6
Глава 1. Оценка состояния бортовых систем 10
1.1 Виды и классификация бортовых систем 10
1.2 Оценка состояния процессов узлов и устройств бортовых систем 16
1.3 Постановка задачи 21
Глава 2. Адаптивное применение моделей машинного обучения для оценки состояния бортовых систем 25
2.1 Применение методов машинного обучения для оценки состояния
бортовых систем 32
2.2 Повышение качества оценки состояния бортовых систем за счет
сегментирования выборки данных 43
2.3 Преимущества и ограничения существующих подходов (выделить
достоинства и недостатки методов МО 47
Глава 3. Адаптивное применение моделей машинного обучения при оценке состояния ИБ бортовых систем 55
3.1 Формирование сегментов выборки данных и их обработка методами МО 55
3.2 Экспериментальная оценка предложенного подхода 59
Заключение 68
Список используемой литературы 71
📖 Введение
В современном мире разработка и применение автоматизированных систем управления в различных сферах деятельности становится все более актуальной задачей. В частности, в морской отрасли возникает потребность в создании средств мониторинга состояния состояние бортовых систем судна, позволяющих выявлять сбои в процессе функционирования объектов морской техники, фиксировать возможные злонамеренный воздействия на систему. Это необходимо для обеспечения безопасности судоходства, предотвращения аварийных ситуаций, выявления инцидентов, связанных с нарушением информационной безопасности.В связи с лавинообразным ростом количества обрабатываемой морскими информационными системами данных, решение задач классификации и прогнозирования состояний объектов морской техники связано с необходимостью решения ряда проблемных вопросов обработки многомерных информационных потоков. Это обусловлено тем, что устройства бортовых систем подвержены внешним и внутренним воздействиям, вызывающим быстрые переходы из одного состояние в другое. Распределение анализируемых данных может изменяться с течением времени. Возникает необходимость в создании методов адаптивного обучения и использования моделей, позволяющих идентифицировать состояние бортовых систем в динамически меняющихся и нестационарных средах.
Для обработки множества данныхвозможно применение различных моделей и методов машинного обучения, которые позволят оценить состояние морской информационной системы и предсказать возможные сбои в их рабо- те.Увеличение количества источников информации о протекающих процессах в определенных случаях позволяет повысить качественные показатели обрабатываемой информации. Кроме того, возможно вычисление дополнительных статистических характеристик временных последовательностей и потоков, которые позволяют в явном или неявном виде учитывать различные воздействующие факторы. Выявление границ и точек «разладки» для временных рядов дают возможность осуществить анализ не всей выборки, а ее отдельных частей. Определив свойства сегментов и обучив на них алгоритм, возможно осуществить выбор наиболее подходящих моделей для каждого сегмента с их последующим объединением...
Для обработки множества данныхвозможно применение различных моделей и методов машинного обучения, которые позволят оценить состояние морской информационной системы и предсказать возможные сбои в их рабо- те.Увеличение количества источников информации о протекающих процессах в определенных случаях позволяет повысить качественные показатели обрабатываемой информации. Кроме того, возможно вычисление дополнительных статистических характеристик временных последовательностей и потоков, которые позволяют в явном или неявном виде учитывать различные воздействующие факторы. Выявление границ и точек «разладки» для временных рядов дают возможность осуществить анализ не всей выборки, а ее отдельных частей. Определив свойства сегментов и обучив на них алгоритм, возможно осуществить выбор наиболее подходящих моделей для каждого сегмента с их последующим объединением...
✅ Заключение
В данной выпускной квалификационной работе были исследованы различные аспекты оценки состояния бортовых систем в контексте морских информационных систем (МИС) и применение методов машинного обучения (МО) для достижения этой цели.
В первой главе были подробно описаны бортовые системы, их составляющие и способы оценки их состояния. Были рассмотрены различные типы систем, включая навигационные, электронные, системы безопасности и энергетические системы. Также было представлено понятие "состояние узлов и устройств бортовых систем", их классификация и способы оценки, а также важные ГОСТы, связанные с оценкой надежности и информационной безопасности.
Заключительные пункты первой главы были посвящены постановке задачи, целям и методам исследования. Основной целью работы являлось улучшение надежности и безопасности бортовых систем. В работе были описаны подходы и методы, используемые для достижения этой цели, включая использование методов МО.
Во второй главе было исследовано применение методов МО при оценке состояния бортовых систем в контексте МИС. Были рассмотрены различные аспекты, связанные с повышением качества оценки состояния через сегментацию выборки данных. Были представлены различные методы разделения данных на сегменты, обучение моделей для каждого сегмента, выбор и оптимизация методов МО, агрегация результатов моделей и учет взаимосвязей между сегментами. В результате исследования был предложен подход, основанный на сегментировании выборки данных и адаптации методов МО к МИС, для повышения качества оценки состояния бортовых систем.
Третья глава была посвящена применению сегментации данных в задачах классификации и регрессии. В работе были использованы различные алгоритмы классификации, такие как линейная регрессия, гауссова регрессия, деревья решений и метод опорных векторов. Были проведены оценки функции потерь для каждого из этих алгоритмов и сравнительный анализ их результатов. Также были рассмотрены алгоритмы регрессии, такие как логистическая регрессия и случайный лес, и была проведена оценка их точности. В результате исследования было показано, что сегментация данных может значительно улучшить качество оценки состояния бортовых систем...
В первой главе были подробно описаны бортовые системы, их составляющие и способы оценки их состояния. Были рассмотрены различные типы систем, включая навигационные, электронные, системы безопасности и энергетические системы. Также было представлено понятие "состояние узлов и устройств бортовых систем", их классификация и способы оценки, а также важные ГОСТы, связанные с оценкой надежности и информационной безопасности.
Заключительные пункты первой главы были посвящены постановке задачи, целям и методам исследования. Основной целью работы являлось улучшение надежности и безопасности бортовых систем. В работе были описаны подходы и методы, используемые для достижения этой цели, включая использование методов МО.
Во второй главе было исследовано применение методов МО при оценке состояния бортовых систем в контексте МИС. Были рассмотрены различные аспекты, связанные с повышением качества оценки состояния через сегментацию выборки данных. Были представлены различные методы разделения данных на сегменты, обучение моделей для каждого сегмента, выбор и оптимизация методов МО, агрегация результатов моделей и учет взаимосвязей между сегментами. В результате исследования был предложен подход, основанный на сегментировании выборки данных и адаптации методов МО к МИС, для повышения качества оценки состояния бортовых систем.
Третья глава была посвящена применению сегментации данных в задачах классификации и регрессии. В работе были использованы различные алгоритмы классификации, такие как линейная регрессия, гауссова регрессия, деревья решений и метод опорных векторов. Были проведены оценки функции потерь для каждого из этих алгоритмов и сравнительный анализ их результатов. Также были рассмотрены алгоритмы регрессии, такие как логистическая регрессия и случайный лес, и была проведена оценка их точности. В результате исследования было показано, что сегментация данных может значительно улучшить качество оценки состояния бортовых систем...
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.