Vol. 4, №5, 2019
Мурынин А. Б., Трекин А. Н., Игнатьев В. Ю., Кульченкова В. Г., Ракова К. О. Метод повышения разрешения космических изображений ригидных объектов // Машинное обучение и анализ данных, 2019, 4(5). C. 296-308. doi:10.21469/22233792.4.5.01 Проведен анализ метода, позволяющего повысить пространственное разрешение космических изображений ригидных объектов с использованием векторной информации о геометрических свойствах этих объектов. Повышение разрешения снимка низкого качества проводится с применением вероятностного подходас использованием наиболее оптимальных параметров, полученных путем минимизации различия между эталонным изображением и результатом работы метода по тестовому набру данных. Представлены результаты исследования качества работы метода от типов подстилающей поверхности при разных масштабных повышения разрешения.
Рогозин А. В. Ускоренный метод Нестерова для децентрализованной распределённой оптимизации на меняющихся со временем сетях // Машинное обучение и анализ данных, 2019, 4(5). C. 309-315. doi:10.21469/22233792.4.5.02 В работе исследуется сходимость методов первого порядка в случае, когда целевая функция меняется во время работы метода. Изменяющаяся во времени целевая функция возникает при рассмотрении задач распределённой децентрализованной оптимизации в случае, когда граф вычислителей периодически меняется (причиной этому могут быть технические неполадки, такие как потеря связи между двумя вычислительными узлами). Основным результатом работы является получение теоретических оценок скорости сходимости для методов градиентного спуска и ускоренного метода Нестерова. Эти результаты получены в предположении, что минимизируемая функция является сильно выпуклой и имеет липшицев градиент, а граф, соответствующий сети вычислительных узлов, меняется конечное число раз.
Дулин С. К., Якушев Д. А. Разработка методов фильтрации точек лазерного отражения для идентификации техногенных объектов // Машинное обучение и анализ данных, 2019, 4(5). C. 316-323. doi:10.21469/22233792.4.5.03 Большой объем получаемых при лазерной съемке пространственных данных предполагает наличие эффективной технологии их обработки. Авторами разработана двухэтапная технология обработки привязанных к высокоточной координатной сети пространственных данных (облака точек), получаемых в результате мобильного лазерного сканирования, обеспечивающая построение цифровой модели пути в соответствии с установленными нормами. Она также может быть применима к результатам фотограмметрической съемки высокого разрешения. Технология включает методы быстрого определения оси пути, алгоритмы построения отдельных элементов инфраструктуры (опор контактной сети), алгоритмы определения профиля железнодорожного полотна, а также методы обработки остальных элементов инфраструктуры (сооружений и устройств хозяйств пути, автоматики и телемеханики, а также телекоммуникационных станционных объектов).
Дулин С. К., Якушев Д. А. Реализация методов геоинформационного описания техногенных объектов железнодорожного транспорта в экспериментальном программно-техническом комплексе, обеспечивающим геоинформационную поддержку управления перевозочным процессом // Машинное обучение и анализ данных, 2019, 4(5). C. 324-329. doi:10.21469/22233792.4.5.04 Одним из важнейших результатов проекта явилось создание цифровой модели пути, представляющей из себя формализованное математическое и семантическое описание геометрических характеристик и пространственного положения железнодорожного пути и других объектов инфраструктуры, получаемое в результате обработки данных геодезических измерений в высокоточном координатном пространстве. Цифровая модель пути активно используется для формирования оптимального проектного положения пути в едином координатном пространстве и соответственно существует возможность точного сравнения проектного положения пути с фактическими данными до и после ремонта. Основополагающим моментом здесь является факт точной координатной привязки всех измерений между собой, однако существуют нюансы. Централизованным хранилищем цифровых моделей пути является комплексная система пространственных данных инфраструктуры железнодорожного транспорта, обладающая также инструментарием, позволяющим производить сравнение проектных и фактических данных, загруженных в систему или преобразованных системой в виде цифровой модели пути.