Современные информационные технологии


МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «ПОВОЛЖСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СЕРВИСА» (ФГБОУ ВО «ПВГУС»)

ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ МОСКОВСКОЙ ОБЛАСТИ «ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ» («МГОТУ»)





                СОВРЕМЕННЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ




сборник трудов по материалам 5-й всероссийской научно-технической конференции 27 сентября 2019 г.




Под общей научной редакцией доктора техинческих наук, профессора Артюшенко В.М., доктора техинческих наук Воловача В.И.









Москва 2019

УДК 004
ББК 32.81
    С56

Рецензенты:
Богданов Ю.В., д.т.н., профессор;
Ставровский М.Е., д.т.н., профессор; Семенов А.Б., д.т.н., профессор.

Научный редактор:
Артюшенко В.М. - д.т.н., профессор Воловач В.И. - д.т.н.



              Современные информационные технологии: сборник трудов С56 по материалам 5-й всероссийской научно-технической конференции 27 сентября 2019 г. / под общ. науч. ред. док. техн. наук, проф. Артюшенко В.М., док. техн. наук Воловача В.И. - М.: Издательство «Научный консультант», 2019. - 206 с.
             ISBN 978-5-907196-61-2

      Предлагаемый сборник научных статей основан на материалах 5-й всероссийской научно-технической конференции «Современные информационные технологии», прошедшей 27 сентября 2019 г. на базе кафедр «Информационный и электронный сервис» (ФГБОУ ВО «ПВГУС») и «Информационные технологии и управляющие системы» («МГОТУ»). Он стал результатом творчества ученых, профессорско-преподавательского состава, сотрудников, студентов, связанных с информационными технологиями в различных областях деятельности.
      Сборник рассчитан на преподавателей, аспирантов, магистров и бакалавров, а также для широкого круга специалистов в области информационных систем.

УДК681.3
ББК 32.81



                   Сборник научных статей подготовлен по материалам, представленным в электронном виде. Ответственность за содержание материалов несут авторы.




ISBN 978-5-907196-61-2

             © «ПВГУС», «МГОТУ», 2019
             © Коллектив авторов, 2019
                                      © Оформление. Издательство
«Научный консультант», 2019

СОДЕРЖАНИЕ


Введение..............................................6
Воловач В.И., Еремина Я.В. Моделирование негауссовских случайных процессов и величин..........................7
Воловач В.И., Ермолова С.В. Формирование стационарных случайных процессов, заданных одномерными ПРВ и функцией автокорреляции.............................13
Евдокимова Д.В. Электромагнитная совместимость кабелей для приложений 10GBase-T с телекоммуникационными устройствами..........................................17
Чернова А.А. Устойчивость кабелей для приложений 10GBase-T к внешним помехам...........................25
КовалеваО.В., СоловьеваЛ.А. Схемы измерения параметров экранирования симметричных кабелей для СКС.33
Ковалева О.В., Соловьева Л.А. Результаты измерения параметров экранирования симметричных кабелей для СКС.43
Струкова А.В. Конические картографические проекции, применяемые при управлении воздушным движением........51
Корнеева Е.В., Артюшенко В.М. Моделирование плотности распределения вероятностей огибающей отраженного сигнала...............................................57
Стреналюк Ю.В. Основные аспекты методики научного исследования..........................................61
Кучеров Б.А. Анализ особенностей учета системы ограничений ресурсов при распределении средств управления космическими аппаратами....................67
Пирогов М.В. Использование СУБД ACCESS дляучета медицинской деятельности в районных и участковых медицинских организациях..............................72
Пирогов М.В. Инновационные решения для ресурсного калькулятора клинико-статистических групп заболеваний в 2019 году...........................................80
Пирогов М.В. Оценкаэффективности деятельности врачей круглосуточного стационара с использованием электронных таблиц Excel..........................................88
Сидорова Н.П., Логачева Н.В. Информационные технологии поддержки он-лайн образования..............96

3

Сидоров Ю.Ю. Использование технологии мультиагентных систем для решения задачи диагностики состояния технического объекта...................................101
Сальников О.Н. Анализ и использование метрик для оценки качества моделей в задачах машинного обучения..........106
Ковалева О.В., Кузьменко И.С. Нейронные сети для анализа пространственных данных................................111
Супель А., Хвостов П.М., Игнатьев К.Е. Оценка эффективности проектирования трехмерных полигональных моделей как способа визуализации иллюстративной информации..............................115
Строганова С.М. Анализ проблем и решений сосуществования и взаимодействия беспроводных технологий в не лицензируемом диапазоне................120
Аббасова Т. С., Гунина Е.В., Любова А.С., Елькин С.В.
Анализ преимуществ объединения интернета вещей и технологии блокчейн..................................135
Аббасова Т. С., Елькин С.В., Любова А.С., Гунина Е.В.
Анализ вредоносного трафика и системы доменных имен.....140
Аббасова Т. С., Любова А.С., Гунина Е.В., Елькин С.В.
Внедрение нейросетевых технологий в процесс обработки и интеграции информации................................145
ЛогачеваН.В., СидороваН.П. Организация практикума по проектному управлению для студентов технических направлений подготовки.................................153
ИсаеваГ. Н., ТеодоровичН. Н. Методы обеспечения безопасности передачи данных в беспроводных сетях......159
Воловач В.И., Иванов В.В., Будилов В.Н., Яницкая Т.С. Настройки файлового сервера виртуального контроллера
домена Ит-инфраструктуры................................167
Иванов В.В., Воловач В.И., Будилов В.Н., Яницкая Т.С. Исследование преобразователя девиации частоты на базе комбинационного генератора............................ 171
Карташевский В.Г., Поздняк И.С. Обнаружение аномального трафика на основе анализа статистических характеристик.177
Орлов С.П., Пилецкая А.В. Методы машинного обучения диагностической нейронной сети для контроля железнодорожного пути..................................181

4

Тяжев А.И., Воловач В.И. Применение процессоров БПФ для построения модемов OFDM для радиоканалов с замираниями сигналов.................................184
Хвостов П.М., Супель А., Игнатьев К.Е. Совершенствование системы управления компанией «OlympTrade» на основе внедрения веб-приложения...............................191
Вороной А.А., Клюев Д.С., Соколова Ю.В., Шатров С.А.
Анализ полоскового вибратора, конформно расположенного на диэлектрическом цилиндре.............194
Вороной А.А., Клюев Д.С., Соколова Ю.В., Шатров С.А.
Анализ полосковой кольцевой антенны, расположенной на диэлектрическом цилиндре............................197
Теодорович Н.Н., Исаева Г.Н. Виды систем умного дома...200

5

ВВЕДЕНИЕ


     В предлагаемом сборнике научных трудов рассматривается широкий круг вопросов, связанных с использованием информационных систем и технологий для организации учебного процесса учреждения, использования технологии мультиагентных систем для решения задачи диагностики состояния технического объекта, использование СУБД ACCESS для учета медицинской деятельности в районных и участковых медицинских организациях.
     Проанализированы вопросы, связанные с ЭМС кабельного оборудования для приложений 10GBase-T с телекоммуникационными устройствами, схемы и результаты измерения параметров экранирования симметричных кабелей для СКС, конические картографические проекции, применяемые при управлении воздушным движением.
     Проанализированы проблемы использования метрик для оценки качества моделей в задачах машинного обучения, нейронных сетей для анализа пространственных данных, внедрения нейросетевых технологий в процесс обработки и интеграции информации.
     Рассмотрены вопросы, связанные с методами обеспечения безопасности передачи данных в беспроводных сетях, исследованием преобразователя девиации частоты на базе комбинационного генератора, применением процессоров БПФ для построения модемов OFDM для радиоканалов с замираниями сигналов, анализом полоскового вибратора, конформно расположенного на диэлектрическом цилиндре, а также полосковой кольцевой антенны, расположенной на диэлектрическом цилиндре.
     Материалы данного сборника будут интересны не только бакалаврам и магистрам таких специальностей как: «Информационные системы и технологии», «Прикладная информатика», «Управление в технических системах», но и аспирантам специальностей «Системный анализ, управление и обработка информации», «Теоретические основы информатики», а также для широкого круга специалистов в области информационных технологий.

6

МОДЕЛИРОВАНИЕ НЕГАУССОВСКИХ СЛУЧАЙНЫХ ПРОЦЕССОВ И ВЕЛИЧИН


Воловач В.И., Д.Т.Н., ЕреминаЯ.В., аспирант кафедры «Информационный и электронный сервис» Поволжский государственный университет сервиса («ПВГУС»), Россия, г. Тольятти

     Рассмотрены математические методы, позволяющие моделировать негауссовские случайные процессы и величины. Проанализированы модели и описание негауссовских коррелированных процессов в виде порождаемых гауссовским шумом.

     Ключевые слова: математическое моделирование, случайные величины, негауссовские процессы, функция автокорреляции, дискретные величины.

     Введение. Методам формирования и моделирования случайных величин (СВ) и процессов с заданной плотностью распределения вероятностей (ПРВ) посвящено много научных публикаций [1-5]. Для получения реализации случайных величин используются независимые стандартные СВ с равномерным распределением на отрезке [0, 1]
     y~Rav[a, b], а = 0,b = 1,
и гауссовские независимые СВ %~N(m, п²), где т,п² - соответственно, математическое ожидание и дисперсия.
     Здесь Rav - математический знак равномерного распределения случайной величины на заданном отрезке.
     Для моделирования случайных величин применяются методы нелинейного преобразования, суперпозиции, кусочной аппроксимации, Неймана и многие другие [6-10].
     Рассмотрим и проанализируем наиболее распространенные методы.
     Метод нелинейного преобразования случайных величин. Он основан на определении ПРВ СВ ( = ^(ц), полученной от нелинейного преобразования СВ ц.
     Преобразование -ф(х) считается гладким, монотонно возрастающим ^'(х) > 0, где (') - математический знак производной по времени, если у него существует обратное преобразование, так что х = ^'⁽у).


7

     Так как для функций распределение СВ f и ц справедливо равенство

     Ff(x) = FJ?[^⁻¹(x)],                             (1)

то продифференцировав, получим
     Wᵢ(x) = Wₙ[^-¹(x)]^^^⁾.
     Положив в выражении (1) ^(x) = FJ?(x), получаем F? (x) = x. То есть случайная величина f имеет равномерное распределение.
     В результате, если случайную величину ц преобразовать нелинейным преобразованием, равным ее функции распределения, то получим на интервале [0, 1] равномерно распределенную СВ.
     Если в выражении (1) положить

     ?⁽x)=F-¹⁽x⁾

где F(x) - заданная функция распределения, а
     Ц £ Rav[0,1], F? (x) = x, то получим, что СВ f имеет заданное распределение

     F^(x) = [F⁻¹ (x)]⁻¹ = F(x).

     Это правило лежит в основе метода формирования СВ имеющую заданную функцию распределения.
     Заметим, что в этом случае необходимо сделать нелинейное преобразование f = F⁻¹ (у), означающее решение уравнения в виде

     F⁽° =у-у £ Rav[⁰' U

     Рассмотрим пример. Пусть требуется сформировать случайную величину с ПРВ

         л f гт—2> x £ [0, a);

     W(x) = ava²-x²

                0,     x£[0, a).

     Интегрируя W(x), получим выражение для функции распределения

     F(x) = ¹ fT-^=dt = 1 -^Va² - x².

            a Jo Va²-t²      a
     Отсюда получаем уравнение
          a² -т²
     1-J—= У1, T1£Rav[0,1], из которого следует моделирующий алгоритм

     < = a^1 - У², где у = 1 -У1.

     Широкое распространение получил метод суперпозиций, который применяется для формирования случайных величин с ПРВ вида

8

.    ^«) = L?,₁P₁^,«).P₁>o,S?₌₁P, = i.            (2>
Он производиться за два шага.
    На первом шаге осуществляется реализация дискретной СВ, принимающей с вероятностями рк значения 1, п. Здесь прямая черта сверху означает усреднение по множеству.
    На втором шаге, после получения значения к формируется величина с ПРВ Wfc(f), значение которой и принимается в качестве f.
    Модели (2) называются смесями ПРВ W₁(^),..., W„(f).
    Рассмотрим пример формирования случайной величины, имеющей ПРВ
    W(O=^b{-^} + M-^n
где о - среднеквадратическое отклонение (СКО) случайной величины.
    Как видно, W(^) представляет собой смесь двух гауссовских ПРВ с равными дисперсиями о², средними ±т и весовыми коэффициентами р₁ = р₂ = 0,5.
    В соответствии с методами суперпозиции алгоритм формирования случайной величины имеет вид
    £   °х + /т,
где х £ М(0,1), а /т принимает равновероятно два значения ±т.
    Модели и описание негауссовских коррелированных процессов в виде порождаемых гауссовским шумом. Как правило, для негауссовских процессов известны одномерная ПРВ и функция корреляции. При такой априорной информации негауссовский процесс n(t) удобно представить как результат комбинированного преобразования, имеющего линейный и нелинейный характер, белого гауссовского шума [11-14]:
    n(tₖ) = F{S?₌Mₖₗf{},                          (3>

что соответствует схеме, представленной на рисунке 1, где ЛФ - линейный фильтр; БНП - блок нелинейного (безынерционного) преобразования.

Рис. 1. Структурная схема комбинированного преобразования белого гауссовского шума

9

    Линейный фильтр соответствует преобразованию
    Ч^ЕЬ^Щ,

    в котором (ц> = 0; (ц²) = 1; (цкцг) = Во^(|^ - Л).

    Нелинейный элемент соответствует БНП с характеристикой F(p), обратная функция которой Q(^) является однозначной, причем dQ(f) > 0 df > 0'
    При заданных И? (и) и Вп(т) характеристики оператора выражения (3) находятся в следующей последовательности:
    1. По заданной ПРВ определяют F(p) из нелинейного диффе

ренциального уравнения
    И^ЛП) = ИП![В(Л)]^, где%.1(ц) = У(0, 1);

    F⁽⁰⁾ = 0;  '

    2.     По заданной корреляционной функции Вп(т) и найденной характеристике БНП F(^) вводят функцию Во^, связанную с Вп(т) со

отношением

    В (т) = У“ „ С2 ^(^ п⁽т⁾ Zjm=0 т т! , где Ст = vfeCoF^) tfmWexpf—0,5ц²}<^ц;

    Лт(ц) - полиномы Эрмита.
    Иногда, более точно вычислить В^(т) удается прямым методом в замкнутой форме:

В?(т) =

х exp ^—

        л л СО
—■^=JL:ₒ f⁽fjf⁽f') х ²Л^1~Вду ."l-^^"}]cₗ,; ₗᵢ,ₗ
 2(1-S²,)    * "

Характеристику линейного фильтра, заданного матрицей ||Л*г||,

можно определить из соотношения

     Воч(|Л — Л) ==Sm=l^mAm.

     Удобство подобного описания состоит в следующем.
     Поскольку {и} является продуктом нелинейного и монотонного преобразования последовательности {ц}, то распределение ИпП связано с гауссовской ПРВ И^ соотношением

     ИП(И1 nfₜ) = И,(Ц1...цп) nLidd?²

                                    d nA
     Пусть для ПРВ И^ справедливо разложение

10

     %h(ri, ...,rh) = wₙ(^₁), ■^,WV(^P\^P_₁, ...,ri) x
     x П^=р+1 ^r (rfc \ rfc-i< ■■■, rfc-p)     Тогда в результате монотонных безынерционных преобразований можно получить аналогичное разложение
     ^nh⁽ⁿ1' ■■■, ⁿh) ^nCⁿ1⁾> ■■■, Wₙ(ⁿp \ⁿp-i, ■■■, ⁿi⁾ x
     x Пй=р+1 ^n(ⁿk \ⁿk-1, ■■■, ⁿk-p⁾, где
     ^nCⁿk \ⁿk-1, •••, ⁿk-p⁾ Щ) (rfc |rfc-1< ■■■, rk-p⁾ uₙfₑ’
     Wₙ(ni) = Wₙ(ri)^^L. '              Uli],
     То есть монотонное безынерционное преобразование не изменяет порядка, преобразуемого марковского процесса.
     Выводы. Таким образом, рассмотрены вопросы, связанные с методами математического моделирования негауссовских случайных величин и процессов. Рассмотрены модели и методы описание негауссовских коррелированных процессов в виде порождаемых гауссовским шумом.

Список используемых источников
     1.     Artyushenko V.M., Volovach V.I. Representation non-Gaussian random processes by using the moment and cumulant description // Информационно-измерительные и управляющие системы. 2018. Т. 16. №7. С. 38-46.
     2.     Артюшенко В.М., Воловач В.И. Преобразование негауссовских случайных процессов, сигналов и помех в дифференцирующих системах методом кумулянтных функций // Радиотехника. 2018. №11.С. 149-155.
     3.     Артюшенко В.М., Воловач В.И. Синтез алгоритмов адаптивной нелинейной обработки сигналов следящих измерителей реализуемых с помощью блоков нелинейного преобразования с аппроксимацией оптимальной амплитудной характеристики // Радиотехника. 2018. № 2. С. 85-93.
     4.     Артюшенко В.М., Воловач В.И. Модели плотности распределения вероятности и статистические характеристики сигнала, отраженного от протяженного объекта // Электротехнические и информационные комплексы и системы. 2018. Т. 14. № 2. С. 79-88.


11

     5.    Артюшенко В.М., Воловач В.И. Информационные характеристики негауссовских сигналов и помех // Электромагнитные волны иэлектронные системы. 2017. Т. 22. № 1. С. 46-51.
     6.    Артюшенко В.М., Воловач В.И. Измерение информационных параметров сигнала в условиях воздействия аддитивных негауссовских коррелированныхпомех // Автометрия. 2016. Т.52. №6. С.22-28.
     7.    Артюшенко В.М., Воловач В.И. Измерение параметров движения протяженных объектов в условиях мешающих воздействий и изменяющейся дальности // Двойные технологии. 2015. №1 (70). С. 69-74.
     8.    Артюшенко В.М., Воловач В.И. Оценка погрешности измерения параметров движения протяженных объектов на фоне коррелированных аддитивных негауссовских помех // Двойные технологии. 2015. №2 (71). С. 19-22.
     9.    Артюшенко В.М., Воловач В.И. Особенности определения дальности действия радиотехнических устройств обнаружения охранных систем // Школа университетской науки: парадигма развития. 2012. № 3 (7). С. 77-80.
     10.    Артюшенко В.М., Воловач В.И. Анализ влияния аддитивных негауссовских помех на точность измерения параметров движения в радиосистемах ближнего действия // Нелинейный мир. 2015. Т. 13. №1. С.16-30.
     11.    Артюшенко В.М., Воловач В.И. Анализ математических моделей информационных параметров сигналов, обрабатываемых радиолокационными устройствами наблюдения ближнего действия // Известия высших учебных заведений России. Радиоэлектроника. 2014. № 5. С. 14-20.
     12.    Артюшенко В.М., Воловач В.И. Идентификация параметров распределения аддитивных и мультипликативных негауссовских помех // Автометрия. 2017.Т. 53. № 3.С. 36-43.
     13.    Артюшенко В.М., Воловач В.И. Алгоритмы оценки параметров сигнала при воздействии широкополосных негауссовских помех // Автометрия. 2018. Т. 54. № 2. С. 43-53.
     14.    Артюшенко В.М., Воловач В.И. Особенности отражения зондирующих сигналов радиотехнических устройств обнаружения от протяженных объектов сложной формы // Школа университетской науки: парадигма развития. 2012. № 2-1 (6). С. 42-46.

12

ФОРМИРОВАНИЕ СТАЦИОНАРНЫХ СЛУЧАЙНЫХ ПРОЦЕССОВ, ЗАДАННЫХ ОДНОМЕРНЫМИ ПРВ И ФУНКЦИЕЙ АВТОКОРРЕЛЯЦИИ

                                               Воловач В.И., д.т.н.
Ермолова С.В., аспирант кафедры «Информационный и электронный сервис», Поволжский государственный университет сервиса («ПВГУС»), Россия, г. Тольятти

    Рассмотрены математические методы формирования стационарных случайных процессов, заданных одномерной плотностью распределения вероятностей и функцией автокорреляции. Приведены примеры формирования негауссовских случайных величин и процессов.

    Ключевые слова: математическое моделирование, случайные величины, негауссовские процессы, функция автокорреляции, дискретные величины.


     Универсальным способом формирования, и как правило более простым, является последовательное применение к нормальным случайным величинам (СВ) преобразования, имеющего линейный инерционный и нелинейный безынерционного характер [1-5].
     Первое дает возможность получить нормальный случайный процесс с функцией корреляции, определяемой параметрами преобразования, второе - изменяет распределение вероятности.
     Оба эти преобразования в дискретном виде можно записать как:
     Ун = 2™1 bi yₕ-t + Yi₌₀ aₜ xₕ_i, Xi £ N⁽0, 1); ⁽¹⁾
     b-w                                            ⁽²⁾
     Случайный процесс z(t) будет иметь ПРВ W(z), которая определяется преобразованием f, и автокорреляционную функцию Bz(t), которая определяется величинами т, п, bi, ai.
     Подготовительная работа связана с решением обратной задачи: по заданным W(z~) и Bz(t) определить f, т, п, bi, ai.
     Как правило, строят полиномиальную аппроксимацию нелинейного преобразования выражения (2) по плотности распределения вероятностей (ПРВ) W(z) и ее параметрам[6-12]. В основное алгоритма работы модуля лежит равенство F(z) = Ф(у), где F(z) - интегральная функция распределения случайного процесса, z = f(y); Ф(у) = j= №.«, exP{⁻⁰,⁵t² №.


13