ВІСНИК УНІВЕРСИТЕТУ "УКРАЇНА"

Серія "Інформатика, обчислювальна техніка та кібернетика"

Тема: КОМП’ЮТЕРНІ ТЕХНОЛОГІЇ

ШТУЧНИЙ ІНТЕЛЕКТ ТА МАШИННЕ НАВЧАННЯ В ЗАДАЧАХ СТЕГАНОАНАЛІЗУ ДАНИХ

DOI 10.36994/2707-4110-2019-2-23-20

У даній статті розглянуто основні методи аналізу даних, що лежать в основі сучасних пошукових алгоритмів. Проведено класифікацію методів машинного навчання та показана принципова різниця між ними. Описано математичні аспекти класифікації об’єктів. Розглянуто принцип і можливості застосування алгоритмів машинного навчання для захисту інформаційних систем. Запропоновано концепцію побудови нового методу аналізу каналів зв’язку. Проведено аналіз основних статистичних характеристиках заповненого та порожнього контейнеру та їх відмінність. Розглянуто та систематизовано теоретичні основи машинного навчання та розпізнавання образів в умовах невідомої вхідної інформації. При використанні алгоритмів навчання без вчителя, найкращий результат досягається для контейнерів в яких статистичні характеристики достатньо різняться між собою, а для алгоритмів де класифікація відбувається з вчителем, коли статистичні характеристики практично однакові, результат дозволяє зробити оцінку про наповненість контейнеру. Також розглянуто практичне застосування теоретичних алгоритмів класифікації на основі реальних вхідних контейнерів. Аналіз методів машинного навчання дозволив побачити переваги та недоліки представлених алгоритмів. Результатом дослідження є можливість пристосування технологій машинного навчання для потреб захисту даних завдяки аналізу каналів зв’язку на предмет прихованої інформації. Було досліджено реакцію алгоритмів, коли статистичні характеристики порожнього та заповненого контейнерів практично однакові. Отримані експериментальні результати, що дозволяють зробити висновок про ефективність розроблених нових методів стеганоаналізу при обсязі вбудованої інформації більше 10% від максимально можливого. Крім того, запропоновані методи можуть бути застосовані для стеганоаналізу всього класу стеганографічних алгоритмів, що використовують при встановленні умов візуальної якості зображень. В рамках стеганоаналізу дозволяє зробити висновок про доцільність використання таких алгоритмів в даній області.

докладніше...
Номер сторінки: 219

АЛГОРИТМІЧНА ДЕКОМПОЗИЦІЯ ТА РЕДУКЦІЯ ВЕЛИКИХ МАТЕМАТИЧНИХ МОДЕЛЕЙ

DOI 10.36994/2707-4110-2019-2-23-17

Проблеми, пов’язані з обробкою великої кількості даних, ініціюва­ли дослідження в галузі створення спеціального програмного забезпечення (ПЗ), яке дозволяє обробляти ці дані в інформаційних системах шляхом розпаралелювання обчислень та редукції моделей даних. Відомим прикладом такого ПЗ є обчислювальна модель MapReduce, яка розроблена та впроваджена компанією Google. Перевагами MapReduce є висока швидкість оброблення великих масивів даних та можливість її реализації на стандартному апаратному запезпеченні (АЗ). В основі модели MapReduce покладені два принипи: декомпозиція — розподіл даних серед багатьох обчислювальних процесів, які виконуються паралельно, та редукція — збирання результатів паралельних обчислень разом з метою отримання кінцевого результату оброблення моделей даних. Створення алгоритмів та програм, які відповідають принципам моделі MapReduce, залежить від специфіки задач, які вирішуються, і покладається на розробників ПЗ. Більшість відомих на сьогодні алгоритмів призначені для оброблення в оперативному режимі великих масивів даних, які надходять до компютерної системи, без зміни моделей даних (тобто дані обробляються в тому вигляді, в якому вони потрапляють до системи в потоці даних).У той же час можна виділити класи задач, за якими дані про досліджувані об’єкти є надлишковими, і їх обсяг може бути значно зменшений ще перед тим, як ці дані потрапляють для їх перетворення. Як показано в статті, до такого класу належать задачі математичного моделювання складних технічних обєктів, моделі даних яких представляються у формі математичних рівнянь, які описують фізичні стани обєктів. Автори обговорюють проблеми декомпозиції та редукції моделей на рівні перетворень згаданих математичних рівнянь, цей підхід автори називають алгоритмічною декомпозицією та редукцією.

докладніше...
Номер сторінки: 0

ВИЗНАЧЕННЯ МОЗКОВОЇ АКТИВНОСТІ ЗА ПОРОГОВИМ РІВНЕМ ПОТУЖНОСТІ ВЕЙВЛЕТ-СПЕКТРУ ЕЕГ НА ОСНОВІ ФУНКЦІЙ КРАВЧУКА

DOI 10.36994/2707-4110-2019-2-23-19

На основі аналізу ЕЕГ було запропоновано метод визначення множини часових параметрів максимумів активності головного мозку в різних відведеннях та в різних частотних діапазонах, яка визначає функціональну зв’язність головного мозку. Для нівелювання різниці в потужностях для різних частот та людей з різною фоновою активацією було запропоновано процедуру нормалізації потужностей вейвлет-спектрів. Було виявлено, що потужності нормалізованих вейвлет-спектрів на основі функцій Кравчука для різних частотних діапазонів та для різних людей знаходяться в діапазоні 0.01… 0.9. Для визначення порогового значення потужностей, вище якого відповідний максимум потужності можна вважати мозковою реакцією на зовнішній або внутрішній стимул, було побудовано вейвлет-спектри ЕЕГ на основі функцій Кравчука для 10 осіб віком 20–22 роки, правші, студенти Київського національного університету імені Тараса Шевченка. Для реєстрації ЕЕГ використовувався комплекс «Neuron-Spectrum-4/EP» (NeuroSoft, Certificate of EUROCAT Institute for Certification and Testing, Quarat Center, Darmstadt, Germany); реєстрація ЕЕГ проводилась із частотою оцифровки 500 Гц, використовувалось 19 електродів, розміщених за міжнародною системою «10/20». Довжина запису ЕЕГ — 16000 точок, тобто 32 с. Методом SOM-Ward було проведено кластерізацію отриманих потужностей вейвлет-спектрів за 171 атрибутом. В якості атрибутів було використано потужності вейвлет-спектрів в 19 стандартних відведеннях Fр1, Fр2, Fz, F3, F4, F7, F8, Cz, C3, C4, T3, T4, T5, T6, Pz,P3, P4, O1 та O2 для частот 0,5Hz,1Hz,2Hz,4Hz,8Hz,16Hz,31Hz,63Hz та125Hz. В результаті кластерізації було отримано найменшу кількість кластерів — 3, а найбільшу — 5. Аналіз потужностей вейвлет — спектрів 10 обстежуваних виявив, що максимальне значення середніх потужностей вейвлет — спектрів для кластерів, які можна віднести до фонової активності, дорівнює 0,012, а мінімальне значення середніх потужностей вейвлет — спектрів для кластерів, які можна віднести до мозкової реакції дорівнює 0,033. Таким чином, виявлено порогове значення потужності вейвлет-спектру, а саме 0,033, вище якого відповідний максимум потужності можна вважати мозковою реакцією на зовнішній або внутрішній стимул.

докладніше...
Номер сторінки: 0