Современная электроника №7/2026

ВОПРОСЫ ТЕОРИИ 25 WWW.CTA.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 7 / 2026 База данных прецедентов содержит информацию об отдельных БЛА и груп- пах, объектах интереса/поиска, окру- жающей среде и принятых решениях. Данные хранятся в базе в виде логико- лингвистической модели, которая опи- сывает каждую отдельную ситуацию. Сотрудниками поисковых служб в данном случае используется наблюда- тельный БЛА, на бортовом вычисли- теле которого функционирует нейрон- ная сеть с целью детекции объекта на фоне естественного ландшафта, клас- сификации и последующей идентифи- кации, то есть определения его физи- ческого состояния, а также прогноза его дальнейших действий. При обна- ружении человека системой искус- ственного интеллекта выдвигается предлагаемое решение на основа- нии проанализированных данных о пространственно-временно́м положе- нии человека. Так, при обнаружении человека в сознании система предла- гает в качестве решения отправку про- довольственных ресурсов и средств связи со службой спасения. Предложенное решение передаётся в экспертную систему. В базе преце- дентов с помощью метрик близости определяется ближайший преце- дент к текущей ситуации. Исполь- зуются меры разнообразия, концен- трации, меры включения, сходства, различия, совместимости и несовме- стимости событий, меры взаимозави- симости, ассоциативные меры, меры подобия и др. [17]. При этом использу- ются два типа основных показателей: основанные на качественных данных (то есть присутствие или отсутствие сущности) и количественных данных (обилие сущностей и их численность). Большинство коэффициентов различ- ных метрик близости нормируются и находятся в диапазоне от 0 (сходство отсутствует) до 1 (полное сходство). Вариант из базы прецедентов срав- нивается с предложенным решением и оценивается экспертной системой. На основании полученной оценки фор- мируется окончательное решение и отправляется на исполняющий БЛА, который выполняет целевую функцию в отношении обнаруженного человека. Заключение В рамках предложенного гибридно- го подхода к мониторингу территорий рассмотрена целесообразность приме- нения экспертных систем совместно с базами прецедентов для повышения качества принимаемых решений, предложенных нейронными сетями. Результаты исследования показали, что нейронные сети способны обеспе- чивать обработку неструктурирован- ных мультимодальных данных. Преце- дентный метод позволит экспертной системе принимать решения на осно- ве предыдущего опыта при отсутствии достаточной компетенции экспертов, а автоматическое пополнение базы прецедентов обеспечит поддержание корректности принимаемых решений. Таким образом, гибридизация ней- ронных сетей, экспертных систем и прецедентного подхода к принятию решений позволяет минимизировать недостатки, присущие каждому мето- ду в отдельности, обеспечить рацио- нальное распределение ресурсов, повы- сить точность и интерпретируемость систем искусственного интеллекта. Литература 1.  Абдельрахман Э. Мультимодаль- ные модели и мультимодальное обучение: Расширение возмож- ностей ИИ // Платформа для рабо- ты с искусственным интеллектом Ultralytics: сайт. URL: https://www. ultralytics.com/ru/blog/multi-modal- models-and-multi-modal-learning- expanding-ais-capabilities (дата обра- щения: 15.07.2025). 2. Мультимодальный ИИ: новое слово в нейронных сетях // Блог ServerFlow: сайт. URL: https://serverflow.ru/blog/ stati/multimodalnyy-ii-novoe-slovo-v- neyronnykh-setyakh/ (дата обраще- ния: 15.07.2025). 3.  Абрамов Н.А. Исследование мето- дов прогнозирования траектории движения пешеходов // Научный аспект. 2024. Т. 46, № 6. С. 5889–5900. 4.  Gavrishchaka V. Advantages of hybrid deep learning frameworks in applications with limited data / Z. Yang, R. Miao, O. Senyukova // International Journal of Machine Learning and Computing. 2018. Vol. 8. P. 549–558. 5.  Mavaie P. Hybrid deep learning approach to improve classification of low‑volume high‑dimensional data / P. Mavaie, L. Holder, M. Skinner // BMC Bioinformatics. 2023. Vol. 24. 6.  Schneppat J.O. AI XCON: сайт. [Элек- тронный текст]. URL: https:// schneppat.com/xcon_expert-configurer. html (дата обращения: 14.07.2025). 7.  Buchanan B. Rule-based expert systems: The MYCIN experiments of the Stanford heuristic programming project / B.G. Buchanan, E.H. Shortliffe. MA: Addison-Wasley, 1984. 754 pp. URL: https://www.shortliffe.net/Buchanan- Stortliffe-1984/MYCIN%20Book.htm (дата обращения: 14.07.2025). 8.  Эрькина О.В., Пальмов С.В. Эксперт- ные системы: структура, возможно- сти, классификация // Форум молодых ученых. 2018. № 5–3 (21). С. 1042–1045. 9.  Шэнь Цюцзе, Гун Шэншо, Варла- мов О.О. [и др.]. Динамическое пла- нирование траектории робота на основе семантического обнаруже- ния объектов с использованием миварной экспертной системы // Проблемы искусственного интел- лекта. 2024. № 4 (35). С. 164–176. 10.  Речинский А.В., Станкевич Л.А., Чер- ненькая Л.В., Черненький А.В. Ана- лиз особенностей построения экс- пертных систем // Известия ТулГУ. Технические науки. 2023. № 4. 11.  Яковлева М.В., Аспиева Л.М. Эффек- тивность применения миварных экс- пертных систем в оптимизации биз- нес-процессов и принятии управлен- ческих решений // Информатизация в цифровой экономике. 2025. Т. 6. № 2. 12.  Варламов О.О. Применение мивар- ных технологий логического искус- ственного интеллекта для создания умных производственных систем // Информационные и математиче- ские технологии в науке и управле- нии. 2025. № 2 (38). 13.  Михайлова Е.С. Логико-лингви- стическая модель группового пре- цедента // «Управление развити- ем крупномасштабных систем» (MLSD'2024). 2025. С. 1124–1131. 14.  Прохоров А.В., Носков И.В. Монито- ринг магистральных нефтегазопро- водов при помощи беспилотных летательных аппаратов // Вестник евразийской науки. 2022. Т. 14. № 6. 15.  Абросимов В.К., Лапин С.М. Об использовании теории сходства для оценки динамики скоплений объектов интереса на местности // Известия ЮФУ. Технические науки. 2024. №. 1. С. 29–43. 16.  Фомичев А.А., Сидоров А.А. Самоор- ганизующийся и самоуправляемый рой БПЛА и способ контроля терри- тории на наличие установленно- го события посредством такого роя, 2023, патент RU2805431C1. 17.  Айроян З.А., Коркишко О.А., Суха- рев Г.В. Мониторинг магистральных нефтепроводов с помощью беспилот- ных летательных аппаратов // Инже- нерный вестник Дона. 2016. № 4 (43).