(49-6) 19 * << * >> * Русский * English * Содержание * Все выпуски

Комплексный алгоритм обнаружения аномальных особенностей в природных временных рядах
А.Р. Лисс 1, Б.С. Мандрикова 2, О.В. Мандрикова 2

1 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина),
197376, Россия, г. Санкт-Петербург, ул. Профессора Попова, д. 5;
2 Институт космофизических исследований и распространения радиоволн ДВО РАН,
684034, Россия, Камчатский край, с. Паратунка, ул. Мирная, д. 7

  PDF, 1389 kB

DOI: 10.18287/2412-6179-CO-1652

Страницы: 1030-1036.

Аннотация:
Предложен комплексный автоматизированный алгоритм анализа природных временных рядов и обнаружения аномальных особенностей. Алгоритм включает в себя алгоритм определения информационных компонент сигнала и алгоритм адаптивной вейвлет-фильтрации сигнала. Алгоритм определения информационных компонент сигнала выполняет подавление коррелированного шума и определение информационных составляющих сигнала. Алгоритм адаптивной вейвлет-фильтрации сигнала выполняет обнаружение аномальных особенностей и оценку их интенсивности. Данные алгоритмы могут применяться как совместно, так и независимо друг от друга. Основу алгоритмов составляют разработанные авторами правила. На основе правил оцениваются параметры пороговой функции и определяется наилучший аппроксимирующий вейвлет. В статье описаны операции комплексного алгоритма и представлена блок-схема его реализации. Также приведены результаты применения комплексного алгоритма с использованием данных вторичных космических лучей и модельных данных, построенных по их подобию. Результаты подтвердили эффективность разработанных правил и предлагаемого комплексного алгоритма.

Ключевые слова:
вейвлет-преобразование, теория рисков, природные аномалии, космические лучи.

Благодарности
Работа выполнена за счет Государственного задания ИКИР ДВО РАН (рег. № темы 124012300245-2).

Цитирование:
Лисс, А.Р. Комплексный алгоритм обнаружения аномальных особенностей в природных временных рядах / А.Р. Лисс, Б.С. Мандрикова, О.В. Мандрикова // Компьютерная оптика. – 2025. – Т. 49, № 6. – С. 1030-1036. – DOI: 10.18287/2412-6179-CO-1652.

Citation:
Liss AR, Mandrikova BS, Mandrikova OV. Complex algorithm for detecting anomalous features in natural data. Computer Optics 2025; 49(6): 1005-1011. DOI: 10.18287/2412-6179-CO-1652.

References:
  1. Murzagulov DA, Zamyatin AV. The process signal anomaly detection using classifier ensemble and wavelet transforms [In Russian]. Automated Control Systems 2021; 1(63): 20-26. DOI: 10.35752/1991-2927-2021-1-63-20-26.
  2. Murzagulov DA, Zamyatin AV, Romanovich OV. Approach to the detection of anomalies in process signals by using the Hilbert–Huang transform. Optoelectron Instrum Data Process 2021; 57(1); 27-36. DOI: 10.3103/S8756699021010076.
  3. Davydov NS, Evdokimova VV, Serafimovich PG, Protsenko VI, Khramov AG, Nikonorov AV. Neural network for step anomaly detection in head motion during fMRI using meta-learning adaptation. Computer Optics 2023; 47(6): 991-1001. DOI: 10.18287/2412-6179-CO-1337.
  4. Borog VV, Kryanev AV, Udumyan DK. Combined method for detecting hidden anomalies in galactic cosmic ray variations. Geomagn Aeron 2011; 51(4); 475-482. DOI: 10.1134/S0016793211040086.
  5. Vorobev AV, Vorobeva GR. Geoinformation system for amplitude-frequency analysis of geomagnetic variations and space weather observation data. Computer Optics 2017; 41(6): 963-972. DOI: 10.18287/2412-6179-2017-41-6-963-972.
  6. Mandrikova OV. Intelligent methods for natural data analysis: application to space weather. Computer Optics 2024; 48(1): 139-148. DOI: 10.18287/2412-6179-CO-1367.
  7. Kuznetsov VD. Space weather and risks of space activity [In Russian]. Space Engineering and Technology 2014; 3(6): 3-13.
  8. Mandrikova O, Mandrikova B. Hybrid model of natural time series with neural network component and adaptive nonlinear scheme: Application for anomaly detection. Mathematics 2024; 12(7): 1079. DOI: 10.3390/math12071079.
  9. Mallat SG. A wavelet tour of signal processing. San Diego, CA: Academic Press; 1999.
  10. Levin BR. Theoretical foundations of statistical radio engineering [In Russian]. Moscow: "Radio i Svyaz" Publisher; 1989.
  11. Polyakova VV, Shabrova NV. Fundamentals of the theory of statistics [In Russian]. Ekaterinburg: Publishing House of the Ural University; 2015.
  12. Daubechies I. Ten lectures on wavelets. Philadelphia, Pennsylvania: Society for Industrial and Applied Mathematics; 1992. ISBN: 978-0-898712-74-2.
  13. Chui CK. An introduction in wavelets. Vol 1. New York, USA: Academic Press; 1992. ISBN: 978-0121745844.
  14. Mandrikova OV, Geppener VV, Mandrikova BS. Method of cosmic ray data analysis based on vector quantization neural networks. J Phys: Conf Ser 2019; 1368(5): 052026. DOI: 10.1088/1742-6596/1368/5/052026.
  15. Neutron Monitor Network Database. 2024. Source: <www.nmdb.eu>.
  16. Samsonov SN, Manykina VI, Parshina SS. Space weather influence on cardiovascular system of healthy people and people with weakened adaptive capability [In Russian]. Psychosomatic and Integrative Research 2016; 2(1): 0102.
  17. Dorman LI. Cosmic ray variations and space weather. Phys–Usp 2010; 53(5): 496-503. DOI: 10.3367/UFNe.0180.201005g.0519.
  18. Firoz KA, Gan WQ, Li YP, Rodríguez-Pacheco J, Kudela K. On the possible mechanism of GLE initiation. Astrophys J 2019; 872(178): 178. DOI: 10.3847/1538-4357/ab0381.
  19. Space Weather Forecasting Center IZMIRAN. 2024. Source: <http://spaceweather.izmiran.ru/rus/>.
  20. Java and Kotlin IDE. 2024. Source: <https://www.jetbrains.com/idea/>.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20