Задача оценки фундаментальной частоты ряда гармоник встречается во многих областях науки и техники. Так, в задачах вибрационной диагностики требуется, например, оценить износ подшипников, что определяется по смещению основания ряда гармоник. При обработке аудиосигналов задача оценки основной частоты связана с автоматической настройкой инструментов. В задаче синтеза речи фундаментальная частота определяет высоту звука. При распознавании речи частота основного тона является важным информационным признаком. В радиотехнике эта задача решается в целях восстановления сигнала, фильтрации и декодирования. В биомедицинской инженерии при анализе ЭКГ, ЭЭГ, голоса, дыхания по основной частоте диагностируются патологии, например, аритмии. В задачах обнаружения и классификации морских судов важнейшим информационным критерием является основание вально-лопастного ряда. В данной работе предлагаются новые подходы для оценки фундаментальной частоты в условиях сильного шума. В целях снижения ошибок предлагается применять метод периодограмм, фильтрацию, автокорреляцию, преобразование Гильберта. Стоит также отметить, что качество оценки основной частоты ряда гармоник в условиях повышенного шума значительно возрастает при подборе оптимальных параметров: размера временно го окна, параметров фильтрации, интервала спектра для автокорреляции, количества автокорреляций.

В данной статье описываются основные подходы к использованию данных комбинированной аэроэлектроразведочной системы для решения обратных задач. Разработаны алгоритмы решения стохастической задачи оценивания параметров горизонтально-слоистой среды при помощи итерационного обобщенного фильтра Калмана. Они позволяют комбинировать параметры отклика во временной и в частотной областях и уменьшить степень неоднозначности решения обратной задачи.

В работе представлен новый метод визуального сопровождения процедуры транскатетерной имплантации аортального клапана (TAVR), основанный на многоуровневом подходе к детекции ключевых точек на рентгеновских изображениях. В отличие от традиционных подходов, авторы предлагают использовать групповую структуру ориентиров (анатомических, инструментальных и контурных), что позволяет учитывать взаимосвязь и совместное появление точек в процессе операции. Для реализации предложена многозадачная нейросетевая архитектура с единым экстрактором признаков и специализированными выходами, выполняющими классификацию видимости и регрессию координат точек каждой группы. В ходе экспериментов проведено сравнение различных базовых моделей (ResNet18, ResNet34, ResNet50, EfficientNet B7, VGG16), среди которых наилучшие показатели продемонстрировала модель на основе ResNet34, достигнув точности классификации (precision) 92,35%, полноты (recall) 96,02% и средней ошибки локализации 25,65 пикселей. Для обучения модели использовались специализированные функции потерь (Focal Loss и Wing Loss), адаптированные под особенности медицинских данных. Результаты подтверждают эффективность и стабильность предлагаемого подхода, открывая перспективы интеграции разработанного алгоритма в реальные клинические системы для повышения точности и безопасности проведения TAVR. Исходный код и материалы доступны в открытом доступе: https://github.com/kn-ru/TAVI/tree/regression.

Представлены результаты формализации ряда информационных акций, характерных для информационного управления. Предложены постановки задач информационного управления, указаны пути их эффективного решения

Представлены результаты развития актуального направления исследований – информационного управления. Дан структурный анализ информационных элементов социально-экономической системы. Описаны механизмы и способы информационного управления