ОРКЕСТРАЦИЯ АДАПТИВНЫХ МОДЕЛЕЙ НА ОСНОВЕ СОСТОЯНИЯ В ДИНАМИЧЕСКИХ ПОТОКАХ ДАННЫХ ДЛЯ ВОЕННЫХ ПРИЛОЖЕНИЙ

Аннотация

В данной статье рассматривается проблема модификации алгоритмов машинного обучения при их использовании для обработки потоков данных, статистические свойства и концепции которых меняются с течением времени. Традиционные методы, опирающиеся на статические и неизменные наборы данных, не обеспечивают точности результатов в условиях динамически меняющихся данных, поэтому возникает потребность в новых динамических методах адаптации к таким изменениям. В качестве методологической основы предложена архитектура обработки, управляемая состоянием системы. Она объединяет механизмы мониторинга для отслеживания и обнаружения изменений и процессы принятия решений в единую систему. Данный подход предполагает использование модели состояния системы, позволяющей оценивать ее стабильность и степень отклонения от ожидаемого поведения, что дает возможность выбирать наиболее подходящие методы адаптации. Результаты исследования показывают, что предложенный подход обеспечивает более стабильные прогнозы, повышает общую эффективность модели и увеличивает ее устойчивость к изменению условий. Разработанный подход может применяться в системах реального времени, где критически важны надежность, адаптивность и способность быстро реагировать на изменения в исходных данных, включая оборонно-ориентированные системы.