В современном мире, где всё больше устройств и приложений требуют широкополосного и высокоскоростного Интернета, проектирование мультисервисных мобильных сетей связи пятого поколения (5G) становится важной задачей.

Мультисервисные мобильные сети 5G — это следующий шаг в развитии телекоммуникационных технологий. Они обеспечивают высокую пропускную способность, минимальную задержку и широкий охват, что позволяет использовать их для самых разных задач — от передачи больших объёмов данных до управления беспилотниками и «умной» техникой.

Для построения 5G-сетей учёные МТУСИ предлагают использовать комбинированный подход, объединяющий различные технологии и протоколы. В основе этого подхода лежит использование сотовых станций с большой пропускной способностью и малой задержкой, а также передовых антенных систем.

Радиоподсистема пятого поколения представлена в виде набора секторов. Для упрощения расчётов эти сектора часто изображают в виде правильных шестиугольников. Одним из важных вопросов при проектировании таких сетей становится выбор оптимального числа обслуживающих секторов на базовой станции.

С увеличением объема информации в интернете пользователю сложно найти нужные данные, поэтому все больше набирают популярность системы рекомендаций товаров, видеозаписей, кинокартин и музыкальных файлов. Разработчики крупных компании тратят огромные деньги на разработку, доработку и настройку алгоритмов и иных сервисов по подбору предложений.

Нейросети эффективно применяются в разных областях, включая обработку изображений и анализ музыкальных предпочтений. Популярными становятся алгоритмы создания «умных плейлистов» с помощью искусственного интеллекта. Однако существующие сервисы не всегда могут удовлетворить все потребности пользователей, например, из-за ограничений доступа или неустойчивого интернет-соединения.

Над решением проблемы работают магистранты факультета РиТ Антон Шманев и Марина Михайлова под руководством доцента кафедры «Телевидение и звуковое вещание» МТУСИ Семена Литвина, которые разрабатывают рекомендательную систему для создания персонализированных плейлистов.

«Разрабатываемый алгоритм системы базируется на нейросети, использующей цепи Маркова, и адаптивно реагирует на изменения, вносимые пользователем в ходе прослушивания. В процессе принятия решения учитываются субъективные психоакустические критерии и психологический настрой слушателя. Анализ статистики помогает выявить общие тенденции, связанные с различными факторами, такими как возраст, пол, образование, профессия и место проживания слушателя. Частота переходов между композициями представляется вероятностью, по которой рекомендуются композиции и формируются плейлисты», — пояснил Антон Шманев.

Сегодня наблюдается постоянный рост объема информации и повышение требований к скорости ее передачи и разработки. Динамизм процессов цифровизации всех видов деятельности и использование большого объема информации диктуют необходимость радикального преобразования способов и технологий управления производством и потреблением на основе цифровых технологий и данных.

Группа ученых МТУСИ проанализировала проблему и определила причины и факторы перехода к цифровой трансформации государства и экономике данных.

«Можно определить четыре группы базовых взаимосвязанных цифровых технологий, которые определяют цифровую трансформацию экономики и общества. Все они имеют революционное значение для экономики и жизнедеятельности людей, восприятия информации, способов производства и потребления, обучения медицинской диагностики, транспорта, туризма и культуры», — отметил декан факультета «Цифровая экономика и массовые коммуникации» МТУСИ, к.э.н. Евгений Ваховский.

Высокие темпы технологического развития способствуют эволюции технологий, которая несет еще более значительные изменения в экономическую и социальную сферы, открывая новые возможности для инноваций, производства и потребления, улучшения качества жизни и решения глобальных проблем, включая экологические. Ученые МТУСИ составили свой взгляд на эволюцию и тренды развития технологий.

«Системное решение задач национальной программы «Цифровая экономика» позволило получить не только положительные результаты их досрочной реализации, но и обеспечить технологическую базу высокого потенциала дальнейшего развития. В целом по стране все показатели национальных целей были перевыполнены, уровень цифровой зрелости составил 65,8%, доля массовых социально значимых услуг в электронном виде – 99,97%, доля домохозяйств с доступом в Интернет – 86,1%», — пояснила заведующая кафедрой «Цифровая экономика, управление и бизнес-технологии» МТУСИ, д.э.н., доцент Татьяна Салютина.

Сейчас сложно представить будни современного человека без штрихкодов, они стали настолько неотъемлемой частью нашей жизни, что используются повсеместно. Мы встречаем их на товарах в магазинах, на медикаментах в больницах и не придаем им особого значения до тех пор, пока они не перестанут считываться. К сожалению, штрихкоды часто повреждаются по таким причинам, как ежедневный износ, брызги жидкости или загрязнения, что затрудняет их распознавание. Это может привести к ошибкам в учёте большинства важных объектов.

В настоящее время одними из самых популярных технологий, применяемых для идентификации товаров, являются различные виды маркировок и штрихкодов — как одномерных, так и двумерных, а также технология прямой маркировки деталей (DPM) и RFID‑метки.

Традиционные методы восстановления сильно повреждённых штрихкодов имеют свои ограничения. С появления QR-кодов важным направлением исследований стало их надежное сканирование и декодирование в различных средах. Существующие исследования в этой области в основном сосредоточены на повышении надежности QR-кодов через различные методы: коррекцию ошибок чтения, шумоподавление и улучшение изображений. Даже такая популярная технология глубокого обучения как GANscan, который применяется для захвата QR-кодов на быстро движущихся сканирующих устройствах — не решает проблему восстановления поврежденных QR-кодов.

Именно поэтому многие отечественные и зарубежные исследователи сейчас активно изучают возможность применения нейронных сетей для решения этой проблемы.

В последние десятилетия наука о климате стремительно развивается, количество собранных данных прогрессивно растёт, подходы к изучению климата меняются от простых описаний к сложным прогнозам, а методы обработки и анализа данных совершенствуются, включая использование технологий больших данных и искусственного интеллекта.

Антарктида, расположенная на Южном полюсе, с экстремальными температурными условиями и удалённая от цивилизации, представляет собой уникальное место для изучения климата. Предварительные исследования температурных трендов в Антарктиде, основанные на данных метеорологических станций, показали, что они соответствуют общим климатическим тенденциям, но с меньшими колебаниями, в частности, было зафиксировано незначительное потепление, характерное для нашего времени.

Проблема анализа динамики температур является ключевой в контексте оценки климатических изменений на планете. Изменение климата представляет собой одну из самых серьезных угроз для будущего человечества, поскольку оно может привести к серьезным экологическим, экономическим и социальным последствиям. Как глобальное потепление, так и вероятность наступления нового ледникового периода создают риски для существования человеческой цивилизации.

Сотрудники кафедры «Экология» МТУСИ проанализировали климатические изменения на полюсе и разработали прогностическую модель с использованием полносвязной нейронной сети для предсказания температурных изменений в Антарктиде. Структура данной модели нейронной сети включает количество слоев, нейронов, параметры активации, функции потерь и оптимизатор.

Обработка естественного языка, или NLP, — ключевой раздел науки о данных, популярный в промышленности и академических кругах. С развитием NLP растет количество докладов на конференциях и статей в научных журналах, что усложняет поиск нужной информации.

Классификация и выявление тематик в научных публикациях важны для нормализации цитирований и построения журнальных метрик, таких как квартили. В стандартных наукометрических инструментах, таких как Web of Science и Scopus, классификации присваиваются редакторами баз журналам, а публикации в этих источниках приписываются к этим же тематикам. Полноценная классификация на уровне отдельных статей существует только для мультидисциплинарных журналов, а наборы тематик устарели и почти не меняются.

Современные методы выявления тематик основываются на анализе ключевых слов и фраз, извлекаемых из названий, аннотаций и текстов статей, а также на анализе цитирований. Эти методы автоматизированы и способны обрабатывать большие объемы данных, но есть проблема с объективностью результатов, так как ключевые слова выделяет автор. Часто можно встретить набор ключевых слов, не отражающий содержание работы, к примеру: «artificial intelligence, intelligent systems, machine learning» и т.д..

В связи с этим возникла необходимость в применении универсальной методики с использованием современных алгоритмов кластеризации, которая может значительно улучшить понимание и интерпретацию научной литературы.

Согласно исследованиям, при подготовке к спортивным соревнованиям интенсивность тренировок должна иногда превышать интенсивность, необходимую во время официальных стартов. В спринте, например, эту задачу можно решить путем выполнения на тренировке упражнений в усложненных, облегченных и обычных условиях, сочетаемых в определенной последовательности.

Ученые МТУСИ совместно с коллегами провели эксперимент, в котором приняли участие юноши 17-19 лет в количестве 28 человек, занимающиеся спринтерским бегом в секции легкой атлетики в спортивной школе олимпийского резерва.

На первом занятии все спортсмены сдали контрольный тесты. До окончания общеподготовительного этапа участники занимались по одинаковой методике, выполняли одинаковую по объему и интенсивности нагрузку.

Основной педагогический эксперимент был проведен на специально-подготовительном этапе: спортсмены контрольной группы занимались по общепринятой методике, а спортсмены экспериментальной группы тренировались по новой предложенной методике с применением специальных средств в искусственно созданных затрудненных условиях.

В научно-исследовательском отделе разработки прикладного и системного программного обеспечения МТУСИ разработана система детектирования скелетной модели человека во время занятия фитнесом с использованием технологии HPE – HumanPoseEstimation.

Human Pose Estimation (HPE) — это технология идентификации и классификации узлов человеческого тела. Фактически, это способ определения координат каждого узла (руки, головы, туловища и т. д.), называемого ключевой точкой и определяющего положение тела человека. HPE используется для оценки действия человека во время его тренировки: правильно ли он делает данное упражнение, сколько раз он его сделал и насколько эффективно он его выполняет.

В системе используется разработанная легковесная сверточная нейронная сеть GL-Pose для оценки позы человека, адаптированная для вывода результатов в реальном времени на разных типах устройств и обученная на собранном DataSet. Данная модель является одним из лидеров в показателях точности для задач HPE и показывает результаты в 74% по метрике mAP, а также 97.5% метрике PCK@0.2.

Развитие такой системы позволит добавить функции персонализации, которые помогут составить полностью индивидуальный план тренировок, исходя из физического уровня пользователя. Всё это делает тренировки более эффективными и доступными, позволяя каждому заниматься спортом дома, корректировать свои занятия в режиме реального времени и добиваться оптимальных результатов без лишних затрат.

Эксперты разработали алгоритм для определения объекта захвата роботом-манипулятором

Внедрение промышленных роботов в процессы сортировки и манипулирования объектов открывает новые горизонты для повышения эффективности и автоматизации производственных линий. Однако, несмотря на очевидные преимущества роботизированных систем, существуют задачи, требующие решения специфических проблем.

Наблюдения показали, что в современной робототехнике существует проблема сортировки объектов, хаотично расположенных в рабочей зоне манипулятора. Один объект может полностью или частично закрывать другой, и тогда роботу будет сложно захватить нужный объект, не затронув другие или не повредив захватное устройство.

 Для решения этой проблемы применяются интеллектуальные алгоритмы, основанные на компьютерном зрении, которые могли бы определять положение и ориентацию объектов. Первый этапом при решении этой проблемы является поиск нужных объектов в видеопотоке.

Никита Белов, старший преподаватель кафедры ИСУиА МТУСИ, предложил алгоритм, основанный на нейронной сети и RGB-D сенсоре, позволяющий определить объект захвата в технологическом процессе сортировки объектов с применением промышленного манипулятора.

«В ходе эксперимента использовался робот-манипулятор KUKA KR4 R600. Для достижения высокой точности определения объектов применялись нейросетевой алгоритм YOLOv8 и камера Intel RealSense D415i, которая использовалась для определения расстояния до объекта по вертикальной оси. Далее производится выделения контуров распознанных объектов на чёрно-белых изображениях с помощью метода FindContours. Одним из важнейших этапов работы алгоритма стал расчёт индекса Жаккара, который позволил выявить перекрывающиеся ограничивающие рамки распознанных объектов. В результате получается массив данных, который включал все пересекающиеся объекты и отклонения их отношений периметра к площади от эталонных значений», — пояснил Никита Белов.

Эксперты из МТУСИ предложили метод машинного обучения для обнаружение фишингового сайта

Информационная безопасность веб-приложений является одним из наиболее актуальных вопросов современного мира, а фишинг – серьезная угроза для миллионов пользователей интернет-ресурсов.

Фишинговые сайты создаются таким образом, чтобы максимально быть похожими на легитимные ресурсы, они заманивают миллионы пользователей на ложные веб-сайты, похищая конфиденциальную информацию, такую как пароль, данные банковской карты или адрес электронной почты. Последствия для организаций, чьи сайты были скомпрометированы, очень серьезны – это потеря прибыли, потеря доверия клиентов, санкции от поисковых систем и проблемы с индексацией сайта.

Машинное обучение становится все более популярным инструментом в борьбе с фишингом. С его помощью можно провести анализ свойств веб-страницы: процесс сводится к бинарной классификации, где веб-ресурсы определяются как фишинговые или легитимные на основе их атрибутов. После проведения классификации производится оценка качества результатов.

Формирование набора данных является важным аспектом исследования для обнаружения фишинговых сайтов на основе подмены адресов URL. Несмотря на то, что исследования в этой области имеют высокие оценки качества, существует проблема нехватки разнообразных и сбалансированных данных, что приводит к смещению оценок и делает результаты исследования необъективными.

Над решением проблемы работает магистрант МТУСИ Людмила Емец под руководством доцента кафедры «Информационная безопасность» Александра Большакова. Проведено исследование с целью выбора атрибутов и метода классификации мошеннических сайтов для обнаружения фишингового ресурса в сети Интернет.

В МТУСИ выяснили, почему меломаны предпочитают аналоговое звучание

В процесcе создания цифровой фонограммы обеспечиваются параметры качества записи в соответствии с существующими нормативами, но возникает проблема: один из самых важных нормативов на нелинейные искажения задается не во всем диапазоне передаваемых уровней, а только для номинального (максимального) значения.