Помощь студентам в учебе
Сегментирование множества данных с учетом информации воздействующих факторов для оценки состояния объектов морской техники
|
ВВЕДЕНИЕ 6
ГЛАВА 1. ОЦЕНКА СОСТОЯНИЯ ОБЪЕКТОВ МОРСКОЙ ТЕХНИКИ.... 10
1.1 Виды и классификация объектов морской техники 10
1.1.1 Навигационные системы 10
1.1.2 Энергетические системы 11
1.1.3 Системы связи и информационные системы 12
1.1.4 Системы безопасности и защиты 12
1.1.5 Автоматические системы управления 13
1.1.6 Электронные системы 14
1.2 Оценка состояния объектов морской техники 16
1.2.1 Оценка состояния объектов морской техники 16
1.2.2 Понятие надежности и ее модели 17
1.2.2.1 Расчет надежности судоходных бортовых систем 17
1.2.3 Виды состояний бортовых систем 18
1.2.4 Контроль качества оценки судоходны бортовых систем 20
1.3 Постановка задачи 21
ГЛАВА 2 ИСПОЛЬЗОВАНИЕ ИНФОРМАЦИИ О ВОЗДЕЙСТВУЮЩИХ
ФАКТОРАХ ДЛЯ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТОВ МОРСКОЙ ТЕХНИКИ 25
2.1 Применение методов машинного обучения для оценки состояния
бортовых систем 26
2.1.1 Области применения методов машинного обучения 26
2.1.2 Основные методы машинного обучения 30
2.1.3 Классификация методов машинного обучения для оценки состояния
объектов морской техники: 34
2.2 Достоинства, недостатки и ограничения различных методов машинного
обучения 38
2.2.1 Вычислительные затраты и ресурсоемкость 38
2.2.2 Недостаток данных и избыточность данных 40
2.2.3 Свойства данных и их распределение 41
2.3 Сегментирования выборки данных для повышения показателей
полноты и точности оценки состояния объектов морской техники 42
2.3.1 Существующие подходы 42
ГЛАВА 3 СЕГМЕНТИРОВАНИЕ ВЫБОРКИ ДАННЫХ ПРИ ОЦЕНКЕ СОСТОЯНИЯ ИБ БОРТОВЫХ СИСТЕМ 48
3.1 Предлагаемый подход 48
3.2 Анализ полученных экспериментальных результатов бортовые
телекоммуникационные системы 51
ЗАКЛЮЧЕНИЕ 58
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 61
ГЛАВА 1. ОЦЕНКА СОСТОЯНИЯ ОБЪЕКТОВ МОРСКОЙ ТЕХНИКИ.... 10
1.1 Виды и классификация объектов морской техники 10
1.1.1 Навигационные системы 10
1.1.2 Энергетические системы 11
1.1.3 Системы связи и информационные системы 12
1.1.4 Системы безопасности и защиты 12
1.1.5 Автоматические системы управления 13
1.1.6 Электронные системы 14
1.2 Оценка состояния объектов морской техники 16
1.2.1 Оценка состояния объектов морской техники 16
1.2.2 Понятие надежности и ее модели 17
1.2.2.1 Расчет надежности судоходных бортовых систем 17
1.2.3 Виды состояний бортовых систем 18
1.2.4 Контроль качества оценки судоходны бортовых систем 20
1.3 Постановка задачи 21
ГЛАВА 2 ИСПОЛЬЗОВАНИЕ ИНФОРМАЦИИ О ВОЗДЕЙСТВУЮЩИХ
ФАКТОРАХ ДЛЯ ОЦЕНКИ СОСТОЯНИЯ ОБЪЕКТОВ МОРСКОЙ ТЕХНИКИ 25
2.1 Применение методов машинного обучения для оценки состояния
бортовых систем 26
2.1.1 Области применения методов машинного обучения 26
2.1.2 Основные методы машинного обучения 30
2.1.3 Классификация методов машинного обучения для оценки состояния
объектов морской техники: 34
2.2 Достоинства, недостатки и ограничения различных методов машинного
обучения 38
2.2.1 Вычислительные затраты и ресурсоемкость 38
2.2.2 Недостаток данных и избыточность данных 40
2.2.3 Свойства данных и их распределение 41
2.3 Сегментирования выборки данных для повышения показателей
полноты и точности оценки состояния объектов морской техники 42
2.3.1 Существующие подходы 42
ГЛАВА 3 СЕГМЕНТИРОВАНИЕ ВЫБОРКИ ДАННЫХ ПРИ ОЦЕНКЕ СОСТОЯНИЯ ИБ БОРТОВЫХ СИСТЕМ 48
3.1 Предлагаемый подход 48
3.2 Анализ полученных экспериментальных результатов бортовые
телекоммуникационные системы 51
ЗАКЛЮЧЕНИЕ 58
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 61
В современном мире разработка и применение автоматизированных систем управления в различных сферах деятельности становится все более актуальной задачей. В частности, в морской области возникает потребность в со-здании средств мониторинга состояния бортовых систем судна, позволяющих выявлять сбои в процессе функционирования объектов морской техники и фиксировать возможные злонамеренный воздействия на систему. Большое количество элементов и узлов инфраструктуры, находящихся за пределами контролируемой зоны, определяет необходимость развития систем мониторинга состояния информационной безопасности. Непрерывный сбор информации о состоянии устройства, сетевого трафика при возникновении различных событий позволяет использовать модели и методы машинного обучения для решения ряда задач анализа и выявления воздействий, нарушающих работу систем.
Создание качественных выборок данных — одна из актуальных проблем машинного обучения. Появление доступных наборов данных, внедрение методов синтетической генерации позволяет создавать большие объемы множеств обучающих примеров, позволяющих оценивать состояние информационной безопасности (ИБ) различных элементов бортовых систем. Увеличение количества наблюдаемых объектов позволяет алгоритмам машинного обучения повысить качество вычислений характеристик для задач построения регрессий, классификаций и распознавания образов.
Для эффективного выявления проблем с ИБ внутри бортовых сетей объектов морской техники необходимо иметь точную информацию о состоянии каждого объекта, что в условиях ограниченных ресурсов бортовых систем не-возможно без сегментирования этого множества данных.
В данной работе рассматривается проблема сегментирования множества данных с учетом информации воздействующих факторов для выявления проблем с обеспечением информационной безопасности объектов морской техники. Сегментация данных позволяет выделить группы объектов с похожими характеристиками, что упрощает процесс анализа и принятия решений. В работе будут рассмотрены различные методы сегментации данных и их применение для выявления проблем связанных с ИБ объектов морской техники. Также будет проведен анализ воздействующих факторов на состояние систем мониторинга ИБ объектов морской техники и их учет при сегментации данных. Результаты данной работы могут быть использованы для повышения качества работы систем мониторинга информационной безопасности объектов морской техники.
Обоснование актуальности темы:
Тема «Сегментирование множества данных с учетом информации воздействующих факторов для оценки состояния объектов морской техники» является актуальной в современном мире, где судоходный транспорт играет важную роль в экономике и безопасности государства.
Оценка состояния систем мониторинга информационной безопасности объектов морской техники является важной задачей, которая позволяет предотвратить несанкционированное проникновение внутрь бортовых систем, что может спровоцировать дальнейшие отрицательные эффекты на работу всей внутренней системы судна. Для этого необходимо проводить мониторинг состояния ИБ объектов морской техники и анализировать полученные данные.
Однако, данные, получаемые при мониторинге, могут быть очень разно-образными и содержать множество факторов, влияющих на состояние объектов морской техники. Поэтому, для эффективного анализа данных необходимо проводить их сегментацию с учетом воздействующих факторов.
Сегментация данных позволяет разбить множество данных на группы схожих объектов, что упрощает анализ и позволяет выявить закономерности в данных. При этом, учет воздействующих факторов позволяет более точно проводить последующий мониторинг ИБ объектов морской техники и предотвратить возможные проблемы.
Таким образом, тема данной выпускной квалификационной работы является актуальной и важной для развития морской техники и повышения без-опасности на море.
Целью данной выпускной квалификационной работы является разработка метода оценки состояния объектов морской техники с использованием моделей машинного обучения.
Объектом исследования являются устройства и узлы бортовых автоматизированных систем.
Предметом исследования являются методы оценки состояния объектов морской техники.
Для достижения поставленной в рамках выпускной квалификационной работы цели были решены следующие частные научно-технические задачи:
• проведен анализ возможности функционирования бортовых систем;
• обоснованы требования по надежности и безопасности функционирования этих систем;
• произведен обзор методов анализа работоспособности в ходе функционирования устройств и узлов бортовых систем;
• изучены существующие методы и модели машинного обучения, используемые для анализа и прогнозирования состояния бортовых систем судна;
• разработан метод сегментирования множества данных с учетом ин-формации об объектах морской техники.
• произведена оценка эффективности предложенного решения.
Для решения поставленных задач в выпускной квалификационной работе использовались методы математического, теории вероятностей и математической статистики, теории классификации, теории графов, теории защиты информации, теории надежности, методы машинного обучения.
Для анализа и обработки данных были использованы современные языки программирования такие как Matlab и Python программные пакеты и библиотеки машинного обучения, TensorFlow, Keras, Pandas и другие.
Научная новизна работы заключается в разработке методов сегментирования множества данных с учетом информации об объектах морской техники. Данный метод позволяет улучшить точность и эффективность оценки состояния бортовых систем за счет более точного определения параметров систем и прогнозирования их состояния на основе адаптивной выборки.
Выпускная квалификационная работа состоит из введения, трех глав, заключения и списка использованной литературы. Содержание первой главы полностью посвящено теоретической части по теме объекта исследования. Во второй главе рассматривается предлагаемый метод решения поставленной проблемы. В третьей главе приводится, описание экспериментальной части и оценка применимости разработанного метода.
В процессе написания данной работы использовались научные и учебно-методические работы отечественных и зарубежных авторов, публикации в научных журналах и материалы периодической печати.
Практическая значимость работы заключается в возможности использования разработанного метода для создания дополнительных систем мониторинга состояния бортовых автоматизированных систем. Результаты исследования могут быть использованы морскими компаниями и судостроительными предприятиями для повышения надежности и безопасности судов.
Таким образом, предложенный подход имеет потенциал для применения в морской отрасли и может внести значительный вклад в область разработки морских информационных систем.
Создание качественных выборок данных — одна из актуальных проблем машинного обучения. Появление доступных наборов данных, внедрение методов синтетической генерации позволяет создавать большие объемы множеств обучающих примеров, позволяющих оценивать состояние информационной безопасности (ИБ) различных элементов бортовых систем. Увеличение количества наблюдаемых объектов позволяет алгоритмам машинного обучения повысить качество вычислений характеристик для задач построения регрессий, классификаций и распознавания образов.
Для эффективного выявления проблем с ИБ внутри бортовых сетей объектов морской техники необходимо иметь точную информацию о состоянии каждого объекта, что в условиях ограниченных ресурсов бортовых систем не-возможно без сегментирования этого множества данных.
В данной работе рассматривается проблема сегментирования множества данных с учетом информации воздействующих факторов для выявления проблем с обеспечением информационной безопасности объектов морской техники. Сегментация данных позволяет выделить группы объектов с похожими характеристиками, что упрощает процесс анализа и принятия решений. В работе будут рассмотрены различные методы сегментации данных и их применение для выявления проблем связанных с ИБ объектов морской техники. Также будет проведен анализ воздействующих факторов на состояние систем мониторинга ИБ объектов морской техники и их учет при сегментации данных. Результаты данной работы могут быть использованы для повышения качества работы систем мониторинга информационной безопасности объектов морской техники.
Обоснование актуальности темы:
Тема «Сегментирование множества данных с учетом информации воздействующих факторов для оценки состояния объектов морской техники» является актуальной в современном мире, где судоходный транспорт играет важную роль в экономике и безопасности государства.
Оценка состояния систем мониторинга информационной безопасности объектов морской техники является важной задачей, которая позволяет предотвратить несанкционированное проникновение внутрь бортовых систем, что может спровоцировать дальнейшие отрицательные эффекты на работу всей внутренней системы судна. Для этого необходимо проводить мониторинг состояния ИБ объектов морской техники и анализировать полученные данные.
Однако, данные, получаемые при мониторинге, могут быть очень разно-образными и содержать множество факторов, влияющих на состояние объектов морской техники. Поэтому, для эффективного анализа данных необходимо проводить их сегментацию с учетом воздействующих факторов.
Сегментация данных позволяет разбить множество данных на группы схожих объектов, что упрощает анализ и позволяет выявить закономерности в данных. При этом, учет воздействующих факторов позволяет более точно проводить последующий мониторинг ИБ объектов морской техники и предотвратить возможные проблемы.
Таким образом, тема данной выпускной квалификационной работы является актуальной и важной для развития морской техники и повышения без-опасности на море.
Целью данной выпускной квалификационной работы является разработка метода оценки состояния объектов морской техники с использованием моделей машинного обучения.
Объектом исследования являются устройства и узлы бортовых автоматизированных систем.
Предметом исследования являются методы оценки состояния объектов морской техники.
Для достижения поставленной в рамках выпускной квалификационной работы цели были решены следующие частные научно-технические задачи:
• проведен анализ возможности функционирования бортовых систем;
• обоснованы требования по надежности и безопасности функционирования этих систем;
• произведен обзор методов анализа работоспособности в ходе функционирования устройств и узлов бортовых систем;
• изучены существующие методы и модели машинного обучения, используемые для анализа и прогнозирования состояния бортовых систем судна;
• разработан метод сегментирования множества данных с учетом ин-формации об объектах морской техники.
• произведена оценка эффективности предложенного решения.
Для решения поставленных задач в выпускной квалификационной работе использовались методы математического, теории вероятностей и математической статистики, теории классификации, теории графов, теории защиты информации, теории надежности, методы машинного обучения.
Для анализа и обработки данных были использованы современные языки программирования такие как Matlab и Python программные пакеты и библиотеки машинного обучения, TensorFlow, Keras, Pandas и другие.
Научная новизна работы заключается в разработке методов сегментирования множества данных с учетом информации об объектах морской техники. Данный метод позволяет улучшить точность и эффективность оценки состояния бортовых систем за счет более точного определения параметров систем и прогнозирования их состояния на основе адаптивной выборки.
Выпускная квалификационная работа состоит из введения, трех глав, заключения и списка использованной литературы. Содержание первой главы полностью посвящено теоретической части по теме объекта исследования. Во второй главе рассматривается предлагаемый метод решения поставленной проблемы. В третьей главе приводится, описание экспериментальной части и оценка применимости разработанного метода.
В процессе написания данной работы использовались научные и учебно-методические работы отечественных и зарубежных авторов, публикации в научных журналах и материалы периодической печати.
Практическая значимость работы заключается в возможности использования разработанного метода для создания дополнительных систем мониторинга состояния бортовых автоматизированных систем. Результаты исследования могут быть использованы морскими компаниями и судостроительными предприятиями для повышения надежности и безопасности судов.
Таким образом, предложенный подход имеет потенциал для применения в морской отрасли и может внести значительный вклад в область разработки морских информационных систем.
На сегодняшний день стандартные алгоритмы машинного обучения, представленные в специализированных библиотеках программных сред типа Weka, Matlab, могут быть легко применены для анализа различных данных. Основные проблемные вопросы методов машинного обучения лежат в области формирования обучающих выборок, позволяющих достичь заданного качества. Для этих целей применяются подходы, направленные на устранение шумов и удаление дисбаланса классов.
В данной выпускной квалификационной работе были исследованы различные аспекты мониторинга информационной безопасности 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 «мониторинг информационной безопасности и ее 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 является разработка метода оценки состояния объектов морской техники с использованием моделей машинного обучения.
Во второй главе было исследовано применение методов МО при мониторинге информационной безопасности 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 мониторинга информационной безопасности состояния бортовых систем.
В заключительной части работы было представлено обобщенное исследование всех трех глав. Были подведены итоги проведенного исследования и выделены основные результаты. Отмечается, что применение методов МО при оценке состояния бортовых систем в контексте МИС позволяет повысить точность, надежность и адаптивность моделей в различных сценариях работы. Выводится заключение о значимости исследования для области морских информационных систем и подчеркивается его вклад в развитие технологий оценки состояния бортовых систем.
Таким образом, данная выпускная квалификационная работа представляет важный вклад в область оценки мониторинга информационной безопасности бортовых систем в контексте МИС. Исследования, проведенные в работе, позволяют лучше понять принципы и методы оценки состояния, а также предлагают эффективные подходы и методы на основе машинного обучения. Результаты работы могут быть использованы в инженерной практике для повышения надежности, безопасности и эффективности бортовых систем в морских информационных системах.
Практическая значимость и применимость исследования: В работе были предложены новые подходы и методы оценки состояния бортовых систем, основанные на применении методов машинного обучения и сегментации данных. Эти методы могут быть полезны и применимы в различных областях, включая судостроение, авиация, автомобильную промышленность и другие сферы, где требуется надежная оценка состояния систем для обеспечения безопасности и эффективности работы. Ограничения и дальнейшие направления исследования: в ходе работы могли выявиться определенные ограничения и ограничивающие факторы, которые могут повлиять на применимость предложенных методов. Например, ограниченная доступность данных, сложность взаимосвязей между различными сегментами данных, вычислительные ограничения и другие факторы. Дальнейшие исследования могут быть направлены на преодоление этих ограничений и разработку более точных и эффективных методов оценки состояния.
Значимость исследования в контексте актуальных тенденций: Отметьте, как исследование соответствует современным тенденциям и вызовам в области оценки состояния бортовых систем. Укажите на важность разработки надежных и безопасных систем в контексте развития автономных и интеллектуальных технологий, а также на потенциальный вклад вашей работы в решение данных проблем.
В данной выпускной квалификационной работе были исследованы различные аспекты мониторинга информационной безопасности 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 «мониторинг информационной безопасности и ее 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 является разработка метода оценки состояния объектов морской техники с использованием моделей машинного обучения.
Во второй главе было исследовано применение методов МО при мониторинге информационной безопасности 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 мониторинга информационной безопасности состояния бортовых систем.
В заключительной части работы было представлено обобщенное исследование всех трех глав. Были подведены итоги проведенного исследования и выделены основные результаты. Отмечается, что применение методов МО при оценке состояния бортовых систем в контексте МИС позволяет повысить точность, надежность и адаптивность моделей в различных сценариях работы. Выводится заключение о значимости исследования для области морских информационных систем и подчеркивается его вклад в развитие технологий оценки состояния бортовых систем.
Таким образом, данная выпускная квалификационная работа представляет важный вклад в область оценки мониторинга информационной безопасности бортовых систем в контексте МИС. Исследования, проведенные в работе, позволяют лучше понять принципы и методы оценки состояния, а также предлагают эффективные подходы и методы на основе машинного обучения. Результаты работы могут быть использованы в инженерной практике для повышения надежности, безопасности и эффективности бортовых систем в морских информационных системах.
Практическая значимость и применимость исследования: В работе были предложены новые подходы и методы оценки состояния бортовых систем, основанные на применении методов машинного обучения и сегментации данных. Эти методы могут быть полезны и применимы в различных областях, включая судостроение, авиация, автомобильную промышленность и другие сферы, где требуется надежная оценка состояния систем для обеспечения безопасности и эффективности работы. Ограничения и дальнейшие направления исследования: в ходе работы могли выявиться определенные ограничения и ограничивающие факторы, которые могут повлиять на применимость предложенных методов. Например, ограниченная доступность данных, сложность взаимосвязей между различными сегментами данных, вычислительные ограничения и другие факторы. Дальнейшие исследования могут быть направлены на преодоление этих ограничений и разработку более точных и эффективных методов оценки состояния.
Значимость исследования в контексте актуальных тенденций: Отметьте, как исследование соответствует современным тенденциям и вызовам в области оценки состояния бортовых систем. Укажите на важность разработки надежных и безопасных систем в контексте развития автономных и интеллектуальных технологий, а также на потенциальный вклад вашей работы в решение данных проблем.