# Методы машинного обучения во встроенных системах

**Source**: https://asvk.cs.msu.ru/en/scientific-activity/research-areas/metody-mashinnogo-obucheniya-vo-vstroennyh-sistemah/
**Parent**: https://asvk.cs.msu.ru/laboratorii-i-nauchnaya-deyatelnost/napravleniya-issledovanij/

# Методы машинного обучения во встроенных системах

[Research areas](https://asvk.cs.msu.ru/en/scientific-activity/research-areas/)

[Department labs](https://asvk.cs.msu.ru/en/scientific-activity/department-labs/)

[Publications](https://asvk.cs.msu.ru/en/scientific-activity/publications/)

[Reports](https://asvk.cs.msu.ru/en/scientific-activity/reports/)

[Conferences](https://asvk.cs.msu.ru/en/scientific-activity/conferences/)

В рамках данного направления разрабатываются следующие методы:

- Методы построения нейросетей прямого распространения для встроенных систем\
   Во многих встроенных системах вычислительные ресурсы ограничены. Для таких систем требуется строить нейросети минимальной сложности, которые могут обеспечить решение задачи с допустимой ошибкой.
- Методы «раздельного обучения» нейросетей прямого распространения для работы с большими базами данных\
   Разработка методов «раздельного» обучения нейросетей (классификаторов) актуальна для работы с большими закрытыми базами данных. Базы однородны по хранимой информации, но информация между ними передаваться не может. Обмен возможен только метаданными (коэффициенты и структура нейросети, градиенты и т.п.). Требуется, что бы точность “раздельно обученной” нейросети была такой же, как и при обучении на одной объединенной базе данных. При разработке методов обучения нейросетей большое внимание уделяется уменьшению времени обучения.
- Аксиоматический подход\
   В данном подходе информация о системе доступна в виде набора временных рядов, получаемых с датчиков системы. Каждому предаварийному режиму работы соответствует «эталонная» траектория в фазовом пространстве показаний датчиков. Наблюдаемые траектории предаварийных режимов работы могут быть зашумленными и искаженными по времени и амплитуде по сравнению с «эталонными траекториями». Распознаватель нацелен на поиск именно таких искажённых траекторий. В основе разработанного метода лежит разметка временного ряда аксиомами, т.е. условиями, накладываемыми на одну или несколько точек ряда. При этом поиск предаварийных режимов ведется не путем сравнения эталонных траекторий с показаниями датчиков, а путем поиска разметок эталонных траекторий в разметке наблюдаемого ряда. Примером использования данного подхода является построение распознавателя прогнозирования состояния микросна водителей автомобилей. С использованием других методов такой распознаватель построить не удалось.

Публикации:

[Multi-start method with cutting for solving problems of unconditional optimization](https://istina.msu.ru/publications/article/287436789/)\
 [Алгоритмы распознавания нештатного поведения динамических систем устойчивые к нелинейным искажениям фазовых траекторий системы](https://istina.msu.ru/publications/article/1817078/)\
 [Training methods and algorithms for recognition of nonlinearly distorted phase trajectories of dynamic systems](https://istina.msu.ru/publications/article/3704844/)\
 [A modification of training and recognition algorithms for recognition of abnormal behavior of dynamic systems](https://istina.msu.ru/publications/article/4948729/)

[Research areas](https://asvk.cs.msu.ru/en/scientific-activity/research-areas/)

[Department labs](https://asvk.cs.msu.ru/en/scientific-activity/department-labs/)

[Publications](https://asvk.cs.msu.ru/en/scientific-activity/publications/)

[Reports](https://asvk.cs.msu.ru/en/scientific-activity/reports/)

[Conferences](https://asvk.cs.msu.ru/en/scientific-activity/conferences/)