Современная электроника №7/2026

ВОПРОСЫ ТЕОРИИ 21 WWW.CTA.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 7 / 2026 В статье рассматривается применение технологий искусственного интеллекта для мониторинга территорий. Мультимодальные нейронные сети обработки и интерпретации разнородных данных, экспертные системы, обладающие формализованными знаниями и логическими правилами, и прецедентный подход, обеспечивающий гибкость системы искусственного интеллекта при принятии решений. Совмещение этих технологий позволит повысить адекватность и объяснимость принимаемых решений, предложенных нейронными сетями, в процессе мониторинга территорий. Цель исследования: изучить различные технологии искусственного интеллекта и их гибридизацию для решения задач мониторинга территорий. Григорий Косарев, Екатерина Михайлова Введение Под мониторингом территорий понимается решение технических задач систематического наблюдения, оценки и прогнозирования состоя- ния определённого пространства с целью контроля изменений, выявле- ния проблем и принятия соответству- ющих решений по их устранению. Для решения задач наблюдения широко применяются аэрокосмические сред- ства, в том числе беспилотные лета- тельные аппараты (БЛА). Последние, в свою очередь, способны обеспечить эффективный поиск причин внештат- ных ситуаций ввиду своей высокой мобильности. Для обработки кадров, полученных с оптико-электронных систем, используются нейронные сети (НС), обученные выделять аномалии на изображении. Информация об обна- руженных аномалиях обрабатывается людьми, которые принимают соответ- ствующие решения на основе полу- ченных данных. Идея авторов данной статьи состоит в том, чтобы рассмо- треть различные технологии искус- ственного интеллекта и их гибридиза- цию для решения задач мониторинга территории. Обзор мультимодальных нейронных сетей Машинное обучение (МО) как одна из технологий ИИ в настоящее время используется в различных областях: медицинская диагностика, автоном- ные системы управления, финансовая аналитика и информационная безо- пасность. В зависимости от специфики решаемых задач, таких как сегмента- ция изображений, машинный пере- вод, распознавание речи и т.д., для их решения используются различные архитектуры нейронных сетей, вклю- чая, помимо прочего, свёрточные ней- ронные сети (CNN) для задач, связан- ных с пространственными данными, рекуррентные нейронные сети (RNN) и их варианты (LSTM, GRU) для обработ- ки последовательностей и сети-транс- формеры для задач, требующих вни- мания к контексту. Типовые задачи и архитектуры, при- меняемые для их решения, приведе- ны в табл. 1. Большинство представленных архи- тектур демонстрируют высокую эффек- тивность, но их возможности ограни- чены выполнением одной конкретной практической задачи или работой с одним видом данных (текст, изобра- жения, аудио или видео). Однако при решении нетривиальных практических задач, в которых требуется параллель- ный анализ разнородной информации, используется комбинация различных архитектур. Такой подход к формирова- нию системмашинного обучения полу- чил название «мультимодальный» [1, 2]. Мультимодальными системамимашин- ного обучения называются вычисли- тельные модели, которые объединяют несколько архитектур нейронных сетей для решения разнотипных задач. Мультимодальные нейронные сети (МНС) обычно состоят из взаимосвя- занных слоёв, которые представля- ют разные архитектуры нейронных сетей, такие как свёрточные и рекур- рентные нейронные сети. МНС могут параллельно обрабатывать несколько типов данных и эффективно решать различные задачи, например, рас- познавания изображений, обработ- ки естественного языка и прогнози- рования временны́х рядов. Анализ показал, что выделяются три предметные области, в которых уже сейчас используются МНС. В работе [3] решается задача точ- ного прогнозирования траекторий пешеходов в динамичной среде. Были проанализированы несколь- ко архитектур, сочетающих разные типы нейронных сетей – свёрточную нейронную сеть (CNN), используемую Таблица 1. Типовые задачи и архитектуры, применяемые для их решения Типовые задачи Архитектуры нейронных сетей Классификация изображений ResNet152, WideRes-Net101, EfficientNet, MobileNetV2, AlexNet Семантическая сегментация Unet, MobilenetV2, DeepLabV3+ Обнаружение объектов / обнаружение по многоспектральным данным ShuffleNetV2, YOLOv4 Ориентированное обнаружение BBAVectors Дешифрование Faster R-CNN Слежение за одним объектом SiamMask Слежение за несколькими объектами ByteTrack Обработка изображений (устранение смаза, расфокусировки, шумов, помех) DnCNN, Pixel, PatchGAN Синтез изображений ProGAN, StyleGAN Обработка одномерных и многомерных сигналов SampleCNN, EnvNet, Wave-U-Net, архитектуры на базе LSTM и GRU