Обнаружение аномалий в данных из INTERMAGNET при помощи графовой нейронной сети

Применение современных цифровых информационных технологий, таких как Data Mining, Data Science и Big Data, вызвало экспоненциальный рост объема данных, позволяющих получать новые знания в различных предметных областях на базе предоставленной информации. В связи с этим задачи, связанные с предобработкой, интеллектуальным анализом, визуализацией больших наборов данных, приобрели особую актуальность. С использованием методов интеллектуального анализа Unsupervised learning решается задача обнаружения аномалий (выбросов) в массивах данных, полученных от магнитной обсерватории Lycksele, входящей в международную сеть INTERMAGNET. Поскольку аномалии отражают изменения в геомагнитном поле Земли, их информативность высока, что придает решению этой задачи большую научную и практическую ценность. Аномалии в обозначенных данных достаточно нечасты, поэтому могут быть обнаружены только в большом объеме обрабатываемой информации. Представлены результаты обнаружения аномалий при помощи графовой нейронной сети. В качестве программного инструментария использовалась система MatLab.

1. Апельцин Л. Data Science в действии. СПб: Питер, 2023. 736 c.

2. Остроух А. В., Николаев А. Б. Интеллектуальные информационные системы и технологии. СПб: Лань, 2023. 308 с.

3. Коробейников А. Г. Применение методов Big Data для сравнения данных геомагнитных обсерваторий сети INTERMAGNET // Изв. вузов. Приборостроение. 2023. Т. 66, № 12. С. 993–1001.

4. Scarselli F., Gori M., Tsoi A., Hagenbuchner M., & Monfardini G. The graph neural network model // IEEE Transactions on Neural Networks. 2009. Vol. 20, N 1. P. 61–80. https://ro.uow.edu.au/cgi/viewcontent.cgi?article=10501&context=infopapers.

5. Wu Z., Pan S., Chen F. et al. Comprehensive Survey on Graph Neural Networks // IEEE Transactions on Neural Networks and Learning Systems. 2021. Vol. 32, N 1. P. 4–24. DOI: 10.1109/TNNLS.2020.2978386.

6. Zakoldaev D. A., Korobeynikov A. G., Shukalov A. V., Zharinov I. O. Workstations Industry 4.0 for Instrument Manufacturing // IOP Conf. Ser. Materials Science and Engineering. 2019. Vol. 665, N 1. Р. 012015. DOI: 10.1088/1757899X/665/1/012015.

7. Гришенцев А. Ю., Коробейников А. Г., Дукельский К. В. Метод численной оценки технической интероперабельности // Кибернетика и программирование. 2017. № 3. С. 23–38.

8. Коробейников А. Г., Гришенцев А. Ю., Святкина М. Н. Применение интеллектуальных агентов магнитных измерений для мониторинга объектов железнодорожной инфраструктуры // Кибернетика и программирование. 2013. № 3. С. 9–20.

9. Коробейников А. Г., Кудрин П. А., Сидоркина И. Г. Алгоритм распознавания трехмерных изображений с высокой детализацией // Вестник Марийского государственного технического университета. Сер. Радиотехнические и инфокоммуникационные системы. 2010. Т. 2, № 9. С. 91–98.

10. Романов П. С., Романова И. П. Системы искусственного интеллекта. Моделирование нейронных сетей в системе MATLAB. Лабораторный практикум: уч. пос. для вузов. СПб: Лань, 2024. 140 с.

11. Sun C., Li C., Lin X. et al. Attention-based graph neural networks: a survey // Artif. Intell. Rev. 2023. Vol. 56, Suppl. 2. P. 2263–2310. https://doi.org/10.1007/s10462-023-10577-2.

12. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. СПб: Питер, 2020. 480 с.