Обоснование архитектуры перспективной автоматизированной системы мониторинга радиационной, химической и биологической обстановки с использованием искусственного интеллекта

Наиболее прогрессивным направлением выявление и оценка радиационной, химической и биологической (РХБ) обстановки является внедрение технологий на основе искусственного интеллекта.
Цель работы – разработка архитектуры перспективной системы мониторинга радиационной, химической и биологической обстановки с использованием искусственного интеллекта.
Информационная база исследования. Публикации по применению математических моделей в ИИ, доступные через сеть «Интернет». Метод исследования – аналитический, от общего к частному. Рассматривали особенности использования искусственного интеллекта в автоматизированных системах управления.
Результаты и обсуждение. Конфронтации с Украиной под протекторатом Запада носят многовариантный пространственный характер, и требуют постоянного мониторинга в условиях недостатка конкретной информации. Применение технологий ИИ позволит выйти за рамки простого отображения текущей ситуации, предоставляя инструменты прогнозирования развития событий. Предлагаемая архитектура перспективной системы предполагает создание единой базы данных, наполняемой верифицированной информацией из открытых источников. Разработанная структура веб-приложения, представляющего собой интерактивный интерфейс для анализа и реагирования на изменения РХБ обстановки, включающая в себя возможность между информационными слоями и получение данных в режиме реального времени.
Вывод. Применение нейросетевых технологий войсками РХБ защиты позволит осуществлять поиск по заданным параметрам и проводить ретроспективный анализ данных, тем самым качественно повлияет на эффективность мониторинга РХБ угроз для войск и населения Российской Федерации.

1. Kallenborn Z, Bleek PC. Swarming destruction: drone swarms and chemical, biological, radiological, and nuclear weapons. The Nonproliferation Review. 2018;25(5–6):523–43. https://doi.org/10.1080/10736700.2018.1546902

2. Borgonovi F, Calvino F, Criscuolo C, Nania J, Nitschke J, O’Kane L, et al. Emerging trends in AI skill demand across 14 OECD countries. OECD Artificial Intelligence Papers. 2023; No. 2, OECD Publ, Paris. https://doi.org/10.1787/7c691b9a-en

3. Filippucci F, Gal P, Jona-Lasinio C, Leandro A, Nicoletti G. The impact of Artificial Intelligence on productivity, distribution and growth: Key mechanisms, initial evidence and policy challenges, OECD Artificial Intelligence Papers, 2024; No. 15, OECD Publ, Paris. https://doi.org/10.1787/8d900037-en

4. Guo X, Liu X, Zhu E, Yin J. Deep Clustering with Convolutional Autoencoders. In: Liu D, Xie S, Li Y, Zhao D, El-Alfy ES, Eds. Neural Information Processing. Vol. 10635. Cham: Springer; 2017. P. 373–82. https://doi.org/10.1007/978-3-319-70096-0_39

5. Vasudevan SK, Pulari SR, Vasudevan S. CNN – Convolutional Neural Networks: A Complete Understanding. In: Deep Learning. Chapman and Hall/CRC; 2021. P. 81–120. http://doi.org/10.1201/9781003185635-5.

6. Chuan Z, du y. Early Identification Methods for Emerging Technologies Based on Weak Signals. 2022. http://doi.org/10.21203/rs.3.rs-2291140/v1

7. Ghayoumi M. Deep Convolutional Generative Adversarial Networks (DCGANs). In: Generative Adversarial Networks in Practice. New York: Chapman and Hall/CRC; 2023. P. 220–57. http://doi.org/10.1201/9781003281344-8

8. Layton J, Hu F. Attacks on Deep Reinforcement Learning Systems: A Tutorial. In: AI, Machine Learning and Deep Learning. CRC Press; 2023. P. 79–82. http://doi.org/10.1201/9781003187158-6

9. Бурков А. Машинное обучение без лишних слов. СПб.: Питер; 2020. 192 c. Burkov A. Machine learning without further ado. St. Petersburg: Peter; 2020. 192 p (in Russian).

10. Suh C. Machine Learning Applications. Convex Optimization for Machine Learning. Ch. 3. Boston – Delft; 2022. P. 185–328. http://doi.org/10.1561/9781638280538.ch3

11. Thomas P. Trappenberg. Machine learning with sklearn. Fundamentals of Machine Learning. 2019. Р. 38–65. http://doi.org/10.1093/oso/9780198828044.003.0003

12. Girasa R. Applications of AI and Projections of AI Impact. Artificial Intelligence as a Disruptive Technology. Palgrave Macmillan, Cham.; 2020. P. 23–67. http://doi.org/10.1007/978-3-030-35975-1_2

13. Кондауров РЮ, Ганган ДА. Направления развития перспективного вооружения и средств РХБ защиты с элементами искусственного интеллекта в системе автоматизации управления. Военная мысль. 2022;(7):79–85.

14. Segev E. How to conduct semantic network analysis. Semantic Network Analysis in Social Sciences. 2021. P. 16–31. http://doi.org/10.4324/9781003120100-1

15. Poola L, Aparna P. ‘A Mixed Parallel and Pipelined Efficient Architecture for Intra Prediction Scheme in HEVC’. IETE Technical Review. 20224;39(2):244–56. https://doi.org/10.1080/02564602.2020.1841686

16. Li Z. Pipeline Spatial Data Model. Pipeline Spatial Data Modeling and Pipeline WebGIS. 2020. P. 29–102. http://doi.org/10.1007/978-3-030-24240-4_3

17. Li Z, Yang L. Pipeline Real-Time Data, Pipeline SCADA and OPC. Pipeline Real-time Data Integration and Pipeline Network Virtual Reality System. 2021. P. 7–20. http://doi.org/10.1007/978-3-030-62110-0_2

18. Timm S, Yuan W, Benjamin D. Scale Tests of the New DUNE Data Pipeline. Scale Tests of the New DUNE Data Pipeline. 2023. http://doi.org/10.2172/1988450

19. Meedeniya D. Enhancement of Deep Learning Architectures. Deep Learning. 2023. P. 112–46. http://doi.org/10.1201/9781003390824-6

20. Hemanand D, Bhavani NPG, Ayub S, Ahmad MW, Narayanan S, Haldorai A. Multilayer vectorization to develop a deeper image feature learning model. Automatika. 2023;64(2):355–64. https://doi.org/10.1080/00051144.2022.2157946

21. Calvino F, Criscuolo C, Dernis H, Samek L. What technologies are at the core of AI?: An exploration based on patent data, OECD Artificial Intelligence Papers. 2023. No. 6. OECD Publ, Paris. https://doi.org/10.1787/32406765-en/