The Use of Artificial Intelligence in Systems for Ensuring the Integrated Security of a Protected Object
DOI:
https://doi.org/10.52575/2687-0932-2023-50-1-203-210Keywords:
artificial intelligence, neural network, protected object, integrated security system, threats, selflearning environmentAbstract
This article discusses the possibility of improving the efficiency of the functioning of intelligent monitoring and prompt notification systems in cases of identifying negative factors in the construction of the integrated security of a protected facility. The advantages and disadvantages of neural networks are described, as well as the method and model for building a self-learning neural network with the ability to intelligently monitor and respond to emerging threats to the security system are considered. In conclusion, the validity and possibility of introducing neural network structures into the algorithm for intelligent monitoring of the state of a protected object, the use of such networks in the context of ensuring the integrated security of a protected object, is determined, which will increase their noise immunity and responsiveness to threats and, as a result, to guarantee the correct acceptance the decision the operator.
Downloads
References
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.
Abstract views: 95
Share
Published
How to Cite
Issue
Section
Copyright (c) 2023 Economics. Information Technologies
This work is licensed under a Creative Commons Attribution 4.0 International License.
