Н.Е. Садковская1, А.А. Суслов2, Н.Ю. Котлярова3, М.С. Анферова4, А.Ю. Кузьмич5

1–4 Московский авиационный институт (национальный исследовательский университет) (Москва, Россия) 2, 5 ПАО «НПО «АЛМАЗ» (Москва, Россия)

3 ОАО «НПК «НИИДАР» (Москва, Россия)

5 Рязанский государственный радиотехнический университет им. В.Ф. Уткина (г. Рязань, Россия)

Постановка проблемы. В настоящее время в Российской Федерации при создании наукоемкой продукции возникают значительные сложности с импортозамещением изделий. Необходимо провести исследования по созданию базы данных (БД) электрорадиоизделий импортного производства (ЭРИ ИП) с допустимой заменой российских аналогов. Решение стало возможным при использовании математико-статистических методов поиска и анализа информации. Манипулирование информации выполнялось в соответствии с правилами средств моделирования данных. 

Цель. Провести анализ основных методов хранения и поиска информации в БД.

Результаты. Представлен алгоритм поиска информации в БД, созданный с использованием ранжирования статистических признаков информации, позволил получить максимально релевантную информацию, которая является наиболее адекватной запросам. Приведен пример реализованного решения – БД допустимых замен ЭРИ ИП отечественными аналогами.

Практическая значимость. Данный подход позволит улучшить разработку новых современных деталей и узлов инновационной продукции на этапе НИОКР и обеспечить более эффективную модернизацию уже имеющейся продукции.

Садковская Н.Е., Суслов А.А., Котлярова Н.Ю., Анферова М.С., Кузьмич А.Ю. Анализ основных методов хранения и поиска информации в базах данных // Наукоемкие технологии. 2021. Т. 22. № 7. С. 22−28. DOI: https://doi.org/10.18127/j19998465-202107-03

1. Анимица Е.Г., Анимица П.Е., Глумов А.А. Импортозамещение в промышленном производстве региона: концептуальнотеоретические и прикладные аспекты // Экономика региона. 2015. № 3. С. 163–164.
2. Барышникова Н.Ю. Обучение языку запросов на основе использования базы знаний шаблонов программного кода // Труды XVIII Междунар. науч.-практ. конф. «Новые информационные технологии в образовании». 2018.
3. Донских Д.Н., Барабанов В.Ф. Использование экспертной системы с продукционной базой знаний и нейронной сети для распознавания сигналов. М. 2020. С. 438–442. 
4. Одинцов Б.Е. Роботизация процесса актуализации баз знаний интеллектуальных информационных систем предприятия. М.: ООО «1С-Паблишинг». 2020. С. 42–45.
5. Гореликов Р.С., Гореликова Ю.С. Разработка базы знаний для сопровождения работы с порталом знаний // Научный журнал. 2018. Т. 4. № 4. С. 1. 
6. Суслов А.А., Сарычев А.В., Сокова Е.А. Самообучающиеся интеллектуальные поисковые системы // Гагаринские чтения– 2018: XLIV Междунар. молодежная науч. конф. Сборник тезисов и докладов в 4-х т. М.: Московский авиационный институт (национальный исследовательский университет). 2018. Т. 1. С. 333.
7. Суслов А.А. Эвристика и эвристические методы решения задачи // Гагаринские чтения–2016: XLII Междунар. молодежная науч. конф. Сборник тезисов докладов в 4-х т. М.: Московский авиационный институт (национальный исследовательский университет). 2016. Т. 1. С. 40.
8. Сарычев А.В., Суслов А.А., Грапененко О.Ф. Управление жизненным циклом продукции // Гагаринские чтения–2018: XLIV Междунар. молодежная науч. конф. Сборник тезисов и докладов в 4-х т. М.: Московский авиационный институт (национальный исследовательский университет). 2018. Т. 1. С. 111.
9. Суслов А.А. Применение искусственного интеллекта при разработке РЛС нового поколения, основанного на эвристических методах: Выпускная квалификационная работа магистра (магистерская диссертация). М.: Московский авиационный институт (национальный исследовательский университет). 2018. 124 c.
10. Segaran T., Evans C., Taylor J. Programming the Semantic Web. 2009.