В.А. Головской1

1 Краснодарское высшее военное училище (г. Краснодар, Россия)

1 golovskoy_va@mail.ru

Постановка проблемы. В настоящее время особое внимание уделяется интеллектуализации информационно-технических систем, к которым относятся и когнитивные радиосистемы (КРС), обладающие способностью к самообучению. В связи с этим исследование особенностей КРС с целью изменения подходов к их моделированию и планированию испытаний имеет важное значение для радиосистем, предназначенных для функционирования в условиях радиоэлектронного конфликта.

Цель. Провести анализ проблематики моделирования и прогнозирования поведения КРС, основанного на знаниях [ГВА1] , для выявления принципиальных отличий в содержании системы их испытаний.

Результаты. Сформулирована гипотеза о влиянии способности неограниченного самообучения КРС на потенциальную возможность моделирования ее поведения в реальной недетерминированной среде. Формализована массовая проблема прогнозирования, свойственная информационно-техническим системам, обладающим способностями неограниченного самообучения. Для проверки гипотезы сформулирована и доказана теорема об алгоритмической неразрешимости массовой проблемы прогнозирования поведения КРС, основанного на неограниченном множестве формируемых знаний, при недетерминированном характере реальной среды. Показана необходимость разработки требований к данным, на которых будет испытываться КРС. Предложен ряд задач, которые должны быть разрешены для обеспечения проведения эффективных испытаний КРС.

Практическая значимость. Сформулированная массовая проблема прогнозирования поведения КРС представляет интерес для исследователей, занимающихся созданием самообучающихся информационно-технических систем.

Головской В.А. Анализ проблематики прогнозирования поведения когнитивных радиосистем // Радиотехника. 2024. Т. 88. № 12. С. 134−145. DOI: https://doi.org/10.18127/j00338486-202412-12

1. Wang P., Gao H., Xiao, C., Guo X., Gao Y., Zi Y. Extended Research on the Security of Visual Reasoning CAPTCHA // IEEE Transactions on Dependable and Secure Computing. 2023. URL: https://ieeexplore.ieee.org/document/10023959 (дата обращения 29.06.2024).
2. Каляев И.А. Как измерить искусственный интеллект? // Искусственный интеллект и принятие решений. 2023. № 1. С. 3–11.
3. Li H., Guo D., Fan W., Xu M., Huang J., Meng F., Song Y. Multi-step Jailbreaking Privacy Attacks on ChatGPT / arXiv preprint arXiv:2304.05197. – 2023. URL: https://arxiv.org/pdf/2304.05197.pdf (дата обращения 22.06.2024).
4. Alfonseca M., Cebrian M., Anta A.F., Coviello L., Abeliuk A., Rahwan I. Superintelligence cannot be contained: lessons from computability theory // Journal of Artificial Intelligence Research. 2021. № 70. P. 65-76.
5. Gunning D., Aha D.W. DARPA's Explainable Artificial Intelligence (XAI) Program // AI Magazine. 2019. V. 40(2). P. 44–58.
6. Haug S., Marks R. J., Dembski W.A. Exponential Contingency Explosion: Implications for Artificial General Intelligence // IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2022. V. 52. № 5. P. 2800–2808.
7. Stefanuk V.L., Zhozhikashvily A.V., Savinitch L.V. Intelligent systems with restricted autonomy // Lecture Notes in Computer Science. 2020. V. 12412 LNAI. P. 460–471.
8. Bajgar O., Horenovsky J. Negative Human Rights as a Basis for Long-term AI Safety and Regulation // Journal of Artificial Intelligence Research. 2023. № 76. P. 1043–1075.
9. Burgin M. Three Approaches to Artificial Intelligence // Proceedings. 2022. V. 81. № 1:147. URL: https://doi.org/10.3390/pro-ceedings2022081147 (дата обращения 29.06.2024).
10. Головской В.А. Функциональная модель подсистемы управления ресурсами когнитивной радиосистемы робототехничес-кого комплекса // Известия ЮФУ. Технические науки. 2023. № 1(231). С. 241–251.
11. Абросимов В.К., Гладкий А.В. Интеллектуальность боевых свойств перспективных робототехнических комплексов наземного базирования // Известия Российской академии ракетных и артиллерийских наук. 2024. № 1(131). С. 109-115.
12. Ананьев П.П., Плотникова А.В., Тимофеев А.С., Мещеряков Р.В., Беляков К.О. Проблемы тестирования робототехнических систем для перемещения по космическим объектам // Робототехника и техническая кибернетика. 2021. Т. 9. № 3. С. 180–185.
13. Jharko E., Meshcheryakov R., Promyslov V. Aspects of Nuclear Power Plant Digital Decommissioning // 2021 International Siberian Conference on Control and Communications (SIBCON). Kazan. Russia. 2021. P. 1–6.
14. Orr J., Dutta A. Multi-Agent Deep Reinforcement Learning for Multi-Robot Applications: A Survey // Sensors. 2023. V. 23. № 7. URL: https://doi.org/10.3390/s23073625 (дата обращения 22.06.2024).
15. Осипов В.Ю., Милосердов Д.И. Нейросетевое прогнозирование событий для роботов с непрерывным обучением // Информационно-управляющие системы. 2020. № 5. С. 33–42.
16. Турдаков Д.Ю., Аветисян А.И., Архипенко К.В., Анциферова А.В., Ватолин Д.С., Волков С.С., Гасников А.В., Девяткин Д.А., Дробышевский М.Д., Коваленко А.П., Кривоносов М.И., Лукашевич Н.В., Малых В.А., Николенко С.И., Оселедец И.В., Перминов А.И., Соченков И.В., Тихомиров М.М., Федотов А.Н., Хачай М.Ю. Доверенный Искусственный интеллект: вызовы и перспективные решения // Доклады Российской академии наук. Математика, информатика, процессы управления. 2022. Т. 508. № 1. С. 13–18.
17. Головской В.А. О проблеме ограниченности при исследованиях когнитивных радиосистем // Сб. трудов XXIX Международной науч.-технич. конф., посвященной 70-летию кафедры радиофизики ВГУ «Радиолокация, навигация, связь» (г. Воронеж, 18–20 апреля 2023 г.). Воронеж: ВГУ. 2023. Т. 5. C. 283–287.
18. Haigh K.Z., Nguyen T. Challenges of Testing Cognitive EW Systems // 2023 IEEE AUTOTESTCON. National Harbor. MD, USA, 2023. P. 1-8.
19. Вьюгин В.В., Трунов В.Г. Прогнозирование локально стационарных данных с использованием предсказаний экспертных стратегий // Информационные процессы. 2023. Т. 23. № 4. С. 470-487.
20. Вьюгин В.В. Математические основы машинного обучения и прогнозирования. Изд. 3-е. МЦНМО. 2022. 400 с.
21. Анохин А.О., Парыгин Д.С., Садовникова Н.П., Финогеев А.А., Гуртяков А.С. Моделирование поведения интеллектуальных агентов на основе методов машинного обучения в моделях конкуренции // Программные продукты и системы. 2023. Т. 36. № 1. С. 046–059.
22. Микони С.В. Подход к оцениванию уровня интеллектуальности информационной системы // Онтология проектирования. 2023. Т. 13. № 1(47). С. 29-43.
23. Данилов М.С., Голубинский А.Н., Михайлова И.В. Оценка точности нейросетевой модели, обученной на синтетических данных // Теория и техника радиосвязи. 2023. № 4. С. 73-78.
24. Шленских Д.А., Белокопытов М.Л., Анохин Д.В., Иванов И.Г. Метод синтеза данных для повышения эффективности обучения нейронных сетей // Журнал радиоэлектроники. 2024. № 3. URL: https://doi.org/10.30898/1684-1719.2024.3.8 (дата обращения 29.06.2024).
25. Борисов В.И., Вилков С.В. Технологическая платформа развития систем управления, связи и радиоэлектронной борьбы // Теория и техника радиосвязи. 2023. № 1. С. 5-11.
26. Fernando P., Wei-Kocsis J. Stealthy Adversarial attacks against automated modulation classification in cognitive radio // 2023 IEEE Cognitive Communications for Aerospace Applications Workshop (CCAAW). Cleveland. OH, USA. 2023. Р. 1-6.
27. Bharti B., Thakur P., Singh G. A framework for spectrum sharing in cognitive radio networks for military applications // IEEE
    Potentials. 2021. V. 40. № 5. Р. 39-47.
28. Hilal W., Gadsden S.A., Yawney J. Cognitive dynamic systems: A review of theory, applications, and recent advances // Proceedings of the IEEE. 2023. V. 111. № 6. Р. 575--622.
29. Report ITU-R SM.2152. Definitions of Software Defined Radio and Cognitive Radio System. URL: https://www.itu.int/dms_pub/itu-r/opb/rep/R-REP-SM.2152-2009-PDF-e.pdf.
30. Андреев Г.И., Тихомиров В.А., Замарин М.Е. Проблемы искусственного интеллекта в практической области радиоэлектронной борьбы // Радиотехника. 2024. Т. 88. № 5. С. 5-14. DOI: https://doi.org/10.18127/j00338486-202405-01.
31. Зацман И.М. Данные, информация и знание в научной парадигме информатики // Информатика и ее применения. 2023.
    Т. 17. № 1. С. 116–125.
32. Граничин О.Н. Обратные связи, усреднение и рандомизация в управлении и извлечении знаний // Стохастическая оптимизация в информатике. 2012. Т. 8. № 2. С. 3–48.
33. Костенко К. И. Сравнение формализмов знаний // Интеллектуальные системы. Теория и приложения. 2014. Т. 18. № 2.
    С. 115–132.
34. Baumann R., Strass H. An Abstract, Logical Approach to Characterizing Strong Equivalence in Non-monotonic Knowledge Representation Formalisms // Artificial Intelligence. 2022. V. 305. P. 103680. URL: https://doi.org/10.1016/j.artint.2022.103680 (дата обращения 02.07.2024).
35. Васильев С.Н. Метод абдуктивного вывода в задачах объяснения наблюдаемого // Известия Российской академии наук. Теория и системы управления. 2021. № 1. С. 160–168.
36. Головской В.А. Операционная модель когнитивной радиосистемы робототехнического комплекса // T-Comm: Телекоммуникации и транспорт. 2024. Т. 18. № 5. С. 12-20.
37. Суров И.А. Жизненный цикл: смысловая матрица процессного моделирования // Онтология проектирования. 2022. Т. 12.
    № 4(46). С. 430–453.
38. Харкевич А.А. О ценности информации // Проблемы кибернетики. 1960. № 4. С. 53-72.
39. Борисов В.В., Курилин С.П., Луферов В.С. Нечеткие реляционные когнитивные темпоральные модели для анализа и прогнозирования состояния сложных технических систем // Прикладная информатика. 2022. Т. 17. № 1(97). С. 27-38.
40. Павленко Е.Ю. Алгоритм предсказания связей в саморегулирующейся сети с адаптивной топологией на базе теории графов и машинного обучения // Моделирование и анализ информационных систем. 2023. Т. 30. № 4. С. 288-307.
41. Кузьмин Е.В., Соколов В.А., Чалый Д.Ю. Проблемы ограниченности счетчиковых машин Минского // Программирование. 2010. Т. 36. № 1. С. 5–15.
42. Головской В.А. Расширение модели сложного радиоэлектронного конфликта // Сб. трудов XXX Междунар. науч.-технич. конф. «Радиолокация, навигация, связь» (г. Воронеж, 16–18 апреля 2024 г.). 2024. Т. 5. С. 63-68.
43. Саттон Р.С., Барто Э.Дж. Обучение с подкреплением: Введение. Пер. с англ. А.А. Слинкина. Изд. 2-е. М.: ДМК Пресс. 2020. 552 с.
44. Головской В.А. Математическая модель функционирования когнитивной радиосистемы // Журнал радиоэлектроники. 2024. № 3. URL: https://doi.org/10.30898/1684-1719.2024.3.4.