Приводятся отличия инженерных сетей зданий и сооружений от магистральных и распределительных сетей, обосновывающие изменение требований к созданию описанной в литературе многослойной модели распространения повреждений. Предложен подход к моделированию каскадных эффектов во взаимосвязанных инженерных сетях объектов капитального строительства, возникающих из-за повреждений в одной из инженерных систем.

Проблема надежного распознавания паттернов электроэнцефалограмм (ЭЭГ) по-прежнему является актуальной задачей цифровой обработки биомедицинских сигналов, имеющей широчайшую область применения от клинических до фундаментальных исследований. Особенности функционирования мозга, порождающие ЭЭГ, обеспечивают «вариабельность» наблюдаемых паттернов, что делает выбор сигналов-эталонов в виде гармонических функций с определенными параметрами (в первую очередь, фиксированной частотой) не удовлетворяющей современным требованиям, предъявляемым к надежности, скорости и эффективности распознавания поступающих для анализа сигналах данных. В работе представлен метод формирования набора частотно- модулированных сигналов, которые могут служить простыми моделями паттернов, наблюдающихся в биомедицинских задачах. В отличие от известной теории чирплетов, метод ориентирован в первую очередь на сигналы, представленные в цифровой форме. Полученные результаты позволяют повысить эффективность известных методов адаптивного обратного вейвлет-преобразования за счет индивидуальных частотно-временных особенностей сигнала.

A problem of identification of an integrated ranking mechanism is considered. We present a perspective approach to the task of identification of an integrated ranking mechanism - we show that representation of any such mechanism in one-hot encoded form allows us to formulate such a task as an optimization problem that may be solved with a wide variety of optimization techniques. The approach suggested is illustrated by several examples of identification or approximation of learning sets generated by several Boolean functions.

Рассматривается проблема идентификации механизмов комплексного оценивания для заданного набора обучающих примеров. Предлагается подход к решению, основанный на унитарном кодировании. Формализуются основные понятия и определения, такие как: механизм комплексного оценивания с бинарным деревом и матрицами свертки, механизм комплексного оценивания с бинарным деревом для дискретных шкал, обучающий пример, обучающий набор (согласованный, полный, в единой шкале), монотонный обучающий набор. Задачи идентификации формулируются в виде задач реализации обучающего набора механизмом комплексного оценивания и аппроксимации. Предлагаемое унитарное представление механизма комплексного оценивания с использованием квадратичной формы иллюстрируется на нескольких примерах. Предъявляются правила кодирования механизмов комплексного оценивания. Показывается, что задача аппроксимации и задача реализации как ее частный случай могут быть сведены к задаче максимизации некоторого полинома, получаемого для заданных бинарного дерева и набора примеров с использованием унитарного кодирования. Формулируются и доказываются утверждения о свойствах данных полиномов для произвольного механизма комплексного оценивания. Приводятся примеры решения задачи идентификации механизма комплексного оценивания, реализующего пример через решение системы уравнений на основе унитарного кодирования. В заключение приводятся результаты численного эксперимент по аппроксимации всех булевых функций трех переменных механизмами комплексного оценивания.