В статье представлены результаты численного эксперимента по сравнению точности нейросетевого распознавания объектов на изображениях с применением различных типов расширения наборов данных. Описывается необходимость в расширении наборов данных с применением адаптивных подходов, с целью минимизации использования преобразований изображений, которые могут снижать точность распознавания объектов. Автор рассматривает такие подходы к расширению наборов данных как рандомная и автоматическая аугментации так как они являются распространенными, а также разработанный метод адаптивного рас-ширения наборов данных при помощи алгоритма глубокого обучения с подкреплением. Приведены алгоритмы работы каждого из подходов их преимущества и недостатки методов. Описывается работа и основные параметры разработанного метода расширения набора данных при помощи алгоритма глубокого обучения с подкреплением (Deep-Q-Network), с точки зрения алгоритма и основного модуля программного комплекса. Уделяется внимание к одному из подходов машинного обучения, а именно обучению с подкреплением. Описывается применение нейронной сети для аппроксимации Q-функции и ее обновления в процессе обучения, в основе которого лежит разрабатываемый метод. Результаты экспериментов показывают преимущество использования расширения наборов данных при помощи алгоритма обучения с подкреплением на примере модели классификации Squeezenet v1.1. Сравнение точности распознавания с использованием методов расширения наборов данных проводилось с применением одинаковых параметров нейросетевого классификатора с применением и без применения предобученных весов. Таким образом повышение точности в сравнении с другими методами варьируется от 2, 91% до 6,635%.

Ключевые слова: расширение наборов данных, рандомная аугментация, автоматическая аугментация, преобразования изображений, глубокое обучение с подкреплением, нейросетевой классификатор, распознавание

1.2.2 - Математическое моделирование, численные методы и комплексы программ

В статье рассматривается как замена исходных данных преобразованными влияет на качество обучения глубоких нейросетевых моделей. Автор проводит четыре эксперимента с целью оценки влияния замены данных в задачах с малыми наборами данных. Первый эксперимент заключается в обучении модели без внесения изменений в исходный набор данных, второй заключается в замене всех изображений в исходном наборе на преобразованные, третий заключается в сокращении количества исходных изображений и расширения исходного набора данных при помощи преобразований, применяемым к изображениям, а также в четвертом эксперименте осуществляется расширение набора данных с целью уравновесить количество изображений в каждом классе по большему.

Ключевые слова: набор данных, расширение, нейросетевые модели, классификация, преобразование изображений, замена данных

1.2.2 - Математическое моделирование, численные методы и комплексы программ

В статье рассматривается анализ влияния типов преобразований на качество обучения нейросетевых моделей классификации, а также предлагается новый подход к расширению наборов изображений при помощи обучения с подкреплением.

Ключевые слова: нейросетевая модель, обучающий набор данных, расширение набора данных, преобразование изображений, точность распознавания, обучение с подкреплением, вектор изображений

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.3.1 - Системный анализ, управление и обработка информации

Рассматриваются теоретико-методологические основы формирования логистической системы распределения зерна в России, раскрываются организационно-экономические проблемы ее функционирования на современном этапе. Обосновываются мотивы развития экспорта как перспективного направления в логистической системе распределения зерна в России.

Ключевые слова: логистика, логистическая система, распределение зерна, экспорт.

08.00.05 - Экономика и управление народным хозяйством (по отраслям и сферам деятельности)

В статье рассмотрены исторические особенности формирования промышленного сектора экономики России. Проведен  анализ современного состояния отраслей промышленности, позволяющий определить доминирующие технологические уклады в промышленности. Определены приоритетные направления нового технологического уклада и основные проблемы перехода России на новую волну технологического развития. Выявлена роль кластерного подхода при трансформации структуры промышленности.

Ключевые слова: технологический уклад, инновационная экономика, промышленные кластеры, промышленный сектор экономики, приоритетные направления

08.00.05 - Экономика и управление народным хозяйством (по отраслям и сферам деятельности)