Современная электроника №7/2026

ВОПРОСЫ ТЕОРИИ 22 WWW.CTA.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 7 / 2026 Рис. 1. Схема предлагаемого подхода для обработки пространственных дан- ных, сеть внимания на графах (GAT) и рекуррентную нейронную сеть с меха- низмом памяти (LSTM), применяемую для обработки временны́х последова- тельностей. Исследование подтвер- дило необходимость применения мультимодальных архитектур при решении задач прогнозирования дви- жения объектов в динамичной среде. Работа [4] посвящена разработке и анализу гибридных методов машин- ного обучения, сочетающих преимуще- ства глубокого обучения и ансамблевых алгоритмов для решения задач меди- цинской диагностики, характерной особенностью которых является огра- ниченный объём данных. Гибридный подход показал увеличение меры про- изводительности нейронной сети – AUC (Area Under the ROC Curve – площадь под кривой) – на 10%по сравнению с отдель- но используемыми методами. Авторы статьи [5] решают пробле- му затруднённой классификации дан- ных с высокой размерностью и малым объёмом обучающих выборок. Предло- женная гибридная архитектура, сое- диняющая глубокие нейронные сети (DNN) и градиентный спуск XGBoost (Extreme Gradient Boosting), демонстри- рует повышение точности классифи- кации в два раза. Проведённый анализ позволяет сде- лать вывод о том, что МНС способны решать нетривиальные практические задачи за счёт объединения различ- ных архитектур. Однако риски применения искус- ственных нейронных сетей при реше- нии задач с высокой степенью ответ- ственности связаны с нерешённой проблемой интерпретируемости полу- ченных результатов. Об использовании экспертизы в гибридном подходе При всех преимуществах систем машинного обучения существует про- блема интерпретируемости результа- тов их работы. Интерпретируемость призвана дать понятие о работе модели и объяснить, каким образом она при- нимает те или иные решения, за счёт чего повышается доверие к модели, что особенно важно при решении критиче- ских задач. В том числе к таким зада- чам относится мониторинг террито- рий. Для устранения этого недостатка применяются экспертные системы. Экспертные системы (ЭС) – это систе- мы ИИ, предназначенные для решения практических задач путём имитации рассуждений эксперта в предметной области. Эти системы широко при- меняются в информатике, медици- не, финансах, производстве и других сферах деятельности. Классическими примерами ЭС могут послужить MYCIN (диагностика инфекционных заболе- ваний), Dendral (анализ химических структур), XCON (конфигурация ком- пьютерных систем) [6, 7]. Экспертные системы обучаются спе- циалистами в конкретной области знаний, и качество системы зависит от квалификации экспертов. Нейрон- ные сети самообучаются путём само- стоятельного поиска зависимости меж- ду входными и выходными данными обучающей выборки. Также эксперт- ные системы, как правило, статичны после первоначального обучения, в то время как нейронные сети могут дооб- учаться в процессе функционирования. Статья [8] посвящена анализу осо- бенностей построения экспертных систем (ЭС), их архитектуре, этапам разработки и применению в современ- ных условиях. Авторы рассматривают как классические подходы, так и совре- менные методы, сочетающие традици- онные подходы с нейронными сетями и нечёткой логикой. В статье отмеча- ется тенденция интеграции ЭС с ней- ронными сетями для улучшения взаи- модействия с пользователями. Авторы отмечают, что предложенная ЭС пока- зала неправильные результаты толь- ко в 3% тестовых случаев. В статье [9] отмечается адаптивность миварных экспертных систем к измене- ниям и их способность интегрироваться с современными технологиями, такими как нейронные сети. Это подтверждает- ся результатами работы [10], где пред- ложен алгоритм динамического пла- нирования траектории для наземных роботов, объединяющей семантиче- ское обнаружение объектов с миварны- ми экспертными системами, которые являются расширенным вариантом ЭС, способным анализировать многокри- териальные сценарии, адаптировать- ся к неполным данным и предлагать оптимальные решения [11]. Алгоритм позволяет повысить безопасность рабо- ты робота и адаптацию к динамически меняющимся средам. Однако данный алгоритм имеет ряд недостатков, таких как необходимость дообучения модели и зависимость от качества данных.