In the era of data-driven machine learning algorithms, data represents a new oil. The application of machine learning algorithms shows they need large heterogeneous datasets that crucially are correctly labeled. However, data collection and its labeling are time-consuming and labor-intensive processes. A particular task we solve using machine learning is related to the segmentation of medical devices in echocardiographic images during minimally invasive surgery. However, the lack of data motivated us to develop an algorithm generating synthetic samples based on real datasets. The concept of this algorithm is to place a medical device (catheter) in an empty cavity of an anatomical structure, for example, in a heart chamber, and then transform it. To create random transformations of the catheter, the algorithm uses a coordinate system that uniquely identifies each point regardless of the bend and the shape of the object. It is proposed to take a cylindrical coordinate system as a basis, modifying it by replacing the Z-axis with a spline along which the h-coordinate is measured. Having used the proposed algorithm, we generated new images with the catheter inserted into different heart cavities while varying its location and shape. Afterward, we compared the results of deep neural networks trained on the datasets comprised of real and synthetic data. The network trained on both real and synthetic datasets performed more accurate segmentation than the model trained only on real data. For instance, modified U-net trained on combined datasets performed segmentation with the Dice similarity coefficient of 92.62.2%, while the same model trained only on real samples achieved the level of 86.53.6%. Using a synthetic dataset allowed decreasing the accuracy spread and improving the generalization of the model. It is worth noting that the proposed algorithm allows reducing subjectivity, minimizing the labeling routine, increasing the number of samples, and improving the heterogeneity.

Работа посвящена синтезу системы управления максимальным значением линейной хордовой концентрации электронов плазмы в сферическом токамаке Глобус-М2 (ФТИ им. А.Ф. Иоффе, Санкт-Петербург). Для этого на основе экспериментальных данных было разработано несколько моделей, позволяющих определять значение концентрации в течение разряда в токамаке. В каждой из них использовались нейронные сети различной архитектуры (полносвязная, свёрточная, реккурентная и с механизмом внимания). Система управления строилась на модели, показавшей наиболее близкий к тестовым данным результат при помощи алгоритмов обучения с подкреплением на основе градиента стратегии.

Диагностика железнодорожного полотна выявляет отступления параметров рельс в плане и профиле от нормативных значений. Приближение размеров отступлений к предельным значениям требует ограничения скоростей движения поездов. Поэтому прогноз изменений размеров отступлений является актуальной проблемой. Несмотря на значительный объем собираемых данных, эксплуатирующие организации недостаточно применяют методы машинного обучения для повышения качества прогноза параметров отступлений. Предлагаемый метод отличается от известных тем, что позволяет: увеличить размерность пространства признаков путем вычисления отклонений амплитуд отступлений от нормативных значений, площадей отступлений по длинам и амплитудам или отклонениям амплитуд с последующим представлением пространства признаков в виде 3D-матрицы; сформировать множество управляющих параметров (шаг дискретизации по времени, вид сезонных колебаний, количество точек изменения тренда и др.); прогнозировать размеры отступлений в группах, отличающихся видом и положением вдоль железнодорожного полотна. Прогноз ведут в рамках оптимизационной задачи по критерию минимума эмпирического риска и в результате получают семейство авторегрессионных моделей для каждого интервала дискретизации по длине полотна.

Задача минимизации расхода топлива дозвукового турбореактивного самолета на этапе крейсерского полета с фиксированным временем прибытия рассматривается с учетом данных о состоянии реальной атмосферы. Используются значения на протяжении маршрута полета попутной составляющей скорости ветра на различных эшелонах, температуры воздуха на различных высотах и атмосферного давления. Оптимизация высотно-скоростного профиля полета осуществляется методом покоординатного спуска с ограничениями. Рассмотрена оптимизация расхода топлива крейсерского полета среднемагистрального самолета с использованием примера данных температуры, давления и скорости ветра. Получено снижение расхода топлива на 1,2 % при оптимизации с учетом реальной атмосферы.

3 февраля 2023 г. после тяжелой болезни на 88-м году ушел из жизни доктор технических наук Борис Теодорович Поляк - прекрасный человек, выдающийся ученый, теплый друг многим из нас, мудрый наставник, воспитавший целые поколения ученых.