Использование искусственного интеллекта в системах обеспечения комплексной безопасности охраняемого объекта
DOI:
https://doi.org/10.52575/2687-0932-2023-50-1-203-210Ключевые слова:
искусственный интеллект, нейронная сеть, охраняемый объект, система обеспечения комплексной безопасности, угрозы, самообучающая средаАннотация
В данной статье рассматривается возможность повышения эффективности функционирования систем интеллектуального мониторинга и оперативного оповещения в случаях выявления негативных факторов при построении комплексной безопасности охраняемого объекта. Описываются преимущества и недостатки нейронных сетей, а также рассматриваются метод и модель построения самообучающейся нейронной сети с возможностью интеллектуального мониторинга и реагирования на возникающие угрозы системы безопасности. В заключении определена обоснованность и возможность внедрения нейросетевых структур в алгоритм интеллектуального мониторинга состояния охраняемого объекта, применения таких сетей в условиях обеспечения комплексной безопасности охраняемого объекта, что позволит повысить их помехозащищенность и быстроту реагирования на угрозы и, как итог, гарантировать правильное принятие решение оператором.
Скачивания
Библиографические ссылки
Андреев А.С. 2015. Методика формирования рациональной структуры гибридной интеллектуальной системы обнаружения АСО. Сб. тр. XXХIV межведомственной НТК, Серпухов: ФВА РВСН, 10-13.
Андреев А.С. 2017. Математическая модель процессов обучения нейросетевого канала многоканальной системы обнаружения нарушителя. Сб. тр. XXХVI межведомственной НТК, Серпухов: ФВА РВСН, часть 1: 259-265.
Андреев А.С. 2017. Особенности компенсации помех в интеллектуальных системах охранной сигнализации. Сб. тр. XXХVI межведомственной НТК, Серпухов: ФВА РВСН, часть 1: 240-248.
Асадуллаев Р.Г. 2017. Нечеткая логика и нейронные сети: учебное пособие. Белгород: БелГУ, 309.
Бугорский М.А., Каплин М.А., Остроцкий С.В., Казакова О.В., Селин В.И. 2020. Особенности использования объектов критической информации инфраструктуры с современной системой обнаружения вторжений. Sciences of Europe, 66: 42-46.
Ванжа Т.В. 2019. Статистический анализ современных методов распознавания лиц и эмоций. Информатика и кибернетика, 2 (16): 64-70.
Демешко В.С., Фёдоров А.И. 2020. Применение сверточных нейронных сетей в подсистеме разведки комплексной системы безопасности. Системный анализ и прикладная информатика, 2: 46-53.
Катыс П.Г. 2020. Обработка изображений в системах распознавания лиц. Современная наука: актуальные проблемы теории и практики. Серия: естественные и технические науки, 1: 92-95.
Лютикова Л.А., Ибрагим А.С. 2020. Применение нейросетевого подхода для решения задачи аутентификации пользователя. Известия Кабардино-Балкарского научного центра РАН, 4: 5-10.
Мясникова Н.В. 2006. Теоретические основы экспресс-анализа. Известия высших учебных заведений. Поволжский регион. Технические науки, 6: 117-123.
Останина Е.А. 2020. О некоторых аспектах технологии распознавания лиц. Человеческий капитал, 5 (137): 142-152.
Полтавский А. В., Юрушкина Т. Г., Юрушкин М. В. 2020. Автоматическое распознавание автомобильных номерных знаков. Вестник Донского ГТУ, 1: 93 - 99.
Прохоров А.С. 2021. Применение нейронных сетей для обеспечения безопасности человека в жилых и промышленных помещениях. Символ науки, 1: 25-29.
Щеголева Н.Л. 2016. Концепция построения комплекса программных средств для моделирования систем поиска изображений лиц. Известия СПбГЭТУ "ЛЭТИ", 5: 40-47.
Chaudhuri R., Fiete I. 2016. Computational principles of memory. Nature Neuroscience, 19: 394–403.
Hillar J., Tran N. 2018. Robust Exponential Memory in Hopfield Networks. The Journal of Mathematical Neuroscience, 8: 1-20.
Kalnoor G., Agarkhed J. 2018. Detection of intruder using KMP Pattern Matching Technique in Wireless Sensor Networks. Procedia Computer Science, 125: 187-193.
Perkins С., Muller G. 2015. Using Discrete Event Simulation to Model Attacker Interactions with Cyber and Physical Security Systems. Procedia Computer Science, 61: 221 – 226.
Rashid T. 2016. Make Your Own Neural Network. CreateSpace Independent Publishing Platform, 222.
Yang D., Alsadoon A., Prasad P., Singh A., Elchouemi A. 2018. An Emotion Recognition Model Based on Facial Recognition in Virtual Learning Environment. Procedia Computer Science, 125: 2-10.
Просмотров аннотации: 137
Поделиться
Опубликован
Как цитировать
Выпуск
Раздел
Copyright (c) 2023 Экономика. Информатика
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
