https://rdl-journal.ru/issue/feedЭлектронные библиотеки2023-09-28T13:44:12+03:00Редакция журнала «Электронные Библиотеки»ljmeditor@gmail.comOpen Journal Systems<div id="journalDescription"> <p><strong>Дорогой посетитель!</strong></p> <p>Вы находитесь на сайте электронного научного журнала «Электронные библиотеки», посвященного оперативному отражению новых результатов теории и практики использования в России и за рубежом электронных библиотек – распределенных информационных систем, позволяющих обрабатывать, хранить, распространять, анализировать и организовывать поиск в разнообразных коллекциях электронных документов (текст, графика, аудио, видео и др.) через глобальные сети передачи данных. Журнал нацелен на формирование российского сообщества учёных, развивающих названное научное направление, и является в настоящее время единственным российским изданием, последовательно и систематически освещающим наиболее актуальные вопросы, связанные с развитием технологий электронных библиотек, которые в настоящее время становятся всё более существенными для совершенствования стандартов науки, экономики, образования, здравоохранения и качества жизни вообще. Научные электронные библиотеки играют важную роль в реализации активно поддерживаемых научным сообществом инициатив открытого доступа к результатам исследований, формировании открытой науки и глобальных репозиториев представления знаний и данных. Материалы журнала направлены на формирование российского сообщества ученых, экспертов и практиков, целенаправленно занимающимися вопросами использования технологий электронных библиотек для социально-экономического развития.</p> <p>Аудитория журнала включает широкий круг специалистов в сфере создания и использования информационно-коммуникационных технологий; ученых и исследователей; работников сфер образования и культуры; частных лиц, интересующихся проблемами развития современного информационного общества. Материалы, публикуемые в журнале, проходят строгую процедуру рецензирования и экспертного отбора.</p> </div>https://rdl-journal.ru/article/view/788Решение задачи классификации эмоционального тона сообщения с определением наиболее подходящей архитектуры нейронной сети2023-09-22T12:14:34+03:00Данис Ильмасович Багаутдиновd4niskabag@yandex.ruРихам СалманRiham.salman.98@gmail.comВладислав Алексеевич Алексеевaleksvlad99@gmail.comРустамджон Муроджонович Усмоновrustam190401@mail.ru<p>Для определения наиболее эффективного подхода к решению задачи классификации эмоционального тона сообщения проведено обучение выбранных моделей нейронной сети на различных наборах обучающих данных. На основе такого показателя, как процентное соотношение правильно данных ответов на тестовом наборе данных, сравнены комбинации наборов обучающих данных и различных моделей, обученных на основе этих данных. Произведено обучение четырех моделей нейронной сети на трех различных наборах обучающих данных. В результате сравнения точности ответов каждой модели, обученной на разных обучающих данных, сделаны выводы о выборе модели нейронной сети, наиболее подходящей для решения поставленной задачи.</p>2023-09-28T00:00:00+03:00Copyright (c) 2023 Данис Ильмасович Багаутдинов, Рихам Салман, Владислав Алексеевич Алексеев, Рустамджон Муроджонович Усмоновhttps://rdl-journal.ru/article/view/789Инструмент последовательного снятия снимков агрегированных данных из потоковых данных2023-09-22T12:20:15+03:00Артем Игоревич Гурьяновarmgnv@gmail.comАзат Шавкатович Якуповasyakupov@kpfu.ru<p>В современном мире потоковые данные получили широкое распространение во многих предметных областях. Высокую актуальность имеет решение задачи обработки потоковых данных в реальном времени, с минимальной задержкой.</p> <p>При потоковой обработке данных часто применяются различные приближенные алгоритмы, имеющие гораздо более высокую эффективность по времени и памяти, чем точные алгоритмы. Кроме того, часто возникает потребность прогнозирования состояния потока.</p> <p>Таким образом, в настоящее время существует потребность в инструменте последовательного снятия снимков агрегированных данных из потоковых данных, дающем возможность прогнозирования состояния потока и применения приближенных алгоритмов обработки потоковых данных.</p> <p>Авторами статьи разработан такой инструмент, рассмотрены архитектура и механизм его функционирования, а также оценены перспективы его дальнейшего развития.</p>2023-09-28T00:00:00+03:00Copyright (c) 2023 Артем Игоревич Гурьянов, Азат Шавкатович Якуповhttps://rdl-journal.ru/article/view/790Нейронная сеть для генерации изображений на основе текста песен с применением моделей OpenAI и CLIP2023-09-22T12:27:24+03:00Алсу Ришатовна Давлетгарееваalsudavletgareeva@gmail.comКсения Александровна Едковаksushka.e21@gmail.com<p>Исследована эффективность моделей ImageNet diffusion model и CLIP для генерации изображений по текстовому описанию. С использованием различных текстовых вводов на разных параметрах проведены два эксперимента для определения лучших параметров при генерации изображений на основе текстового описания. Результаты показали, что, хотя ImageNet хорошо справляется с созданием изображений, CLIP лучше обеспечивает соединение текстовых подсказок с релевантными изображениями. Полученные результаты характеризуют высокий потенциал объединения названных моделей для создания высококачественных и контекстно релевантных изображений на основе текстового описания.</p>2023-09-28T00:00:00+03:00Copyright (c) 2023 Алсу Ришатовна Давлетгареева, Ксения Александровна Едковаhttps://rdl-journal.ru/article/view/791Комбинирование алгоритмов SfM и ORB при 3D-реконструкции2023-09-22T12:35:08+03:00Ильназ Азатович Даминовilnazdaminov@bk.ruАлександр Юрьевич Арсенюкarsenyukofficial@gmail.comАлександр Сергеевич Тощевatoschev@kpfu.ru<p>Представлен новый алгоритм 3D-реконструкции с использованием комбинации существующих методов – Structure from Motion (SfM), Oriented FAST и Rotated BRIEF (ORB). Предложен подход, объединяющий преимущества названных методов для повышения точности и эффективности восстановления 3D-структуры сцен изображений. Для улучшения качества реконструкции применены фильтрация и устранение выбросов, а также другие оптимизации. Результаты сравнения нового алгоритма с существующими методами показали его превосходство в точности и устойчивости к шуму. Предложенный подход обладает высокой масштабируемостью и может быть успешно применен в различных областях, требующих точной 3D-реконструкции сцен изображений.</p>2023-09-28T00:00:00+03:00Copyright (c) 2023 Ильназ Азатович Даминов; Александр Юрьевич Арсенюк; Александр Сергеевич Тощевhttps://rdl-journal.ru/article/view/792Cистема контролируемой генерации лица, построенная с использованием сети StyleGAN22023-09-22T12:48:50+03:00Марат Вильданович Исангуловmarathon.our@gmail.comРазиль Рустемович Миннеахметовrazil0071999@gmail.comАлмаз Рустамович Хамеджановhamedzhanovalmaz@gmail.comТимур Робертович Хафизьяновhamstertima@gmail.comЭмиль Асифович Пашаевemil.p.mail@gmail.comЭрнест Ришатович Калимуллинerik182182@gmail.com<p>Представлен новый подход к контролируемой генерации лиц, использующий генеративные модели с открытым исходным кодом, включая StyleGAN2 и Гребневую регрессию. Разработана методология, расширяющая возможности StyleGAN2 для контроля характеристик лиц, таких как возраст, раса, пол, выражение лица и атрибуты волос, а также использован обширный набор данных человеческих лиц с аннотациями атрибутов. Лица закодированы в 256-мерном латентном пространстве с использованием кодировщика StyleGAN2, что привело к набору характерных латентных кодов. Применен алгоритм t-SNE для кластеризации этих кодов на основе признаков, продемонстрирована возможность контроля генерации лиц, впоследствии обучены модели регрессии Риджа для каждого измерения латентных кодов с использованием размеченных признаков. При декодировании с использованием StyleGAN2 полученные коды успешно восстанавливали изображения лиц, сохраняя связь с входными признаками. Разработанный подход дает легкий и эффективный способ контролируемой генерации лиц с использованием существующих генеративных моделей, таких как StyleGAN2, и открывает новые возможности для различных областей применения.</p>2023-09-28T00:00:00+03:00Copyright (c) 2023 Марат Вильданович Исангулов, Разиль Рустемович Миннеахметов, Алмаз Рустамович Хамеджанов, Тимур Робертович Хафизьянов, Эмиль Асифович Пашаев, Эрнест Ришатович Калимуллинhttps://rdl-journal.ru/article/view/793Разработка cистемы поиска и индексирования контента аудиозаписей2023-09-22T12:52:53+03:00Роман Алексеевич Климовitis.klimov@gmail.comАзат Шавкатович Якуповasyakupov@kpfu.ru<p>Статья посвящена разработке системы поиска и индексации аудиофайлов с использованием автоматического распознавания речи (ASR) и Elasticsearch. Проанализированы актуальные системы транскрибирования аудиофайлов на русском языке и выбрана система whisper как лучшая. Создан алгоритм оптимизации скорости транскрибирования с помощью параллелизации процессов обработки файла, продемонстрирована его эффективность. Построена система на микросервисной архитектуре, способная индексировать контент аудиофайлов и их мета-данные для поиска. Результаты исследования показали, что предложенный подход может быть применен для создания эффективных и гибких систем поиска и аналитики аудиоинформации.</p>2023-09-28T00:00:00+03:00Copyright (c) 2023 Роман Алексеевич Климов, Азат Шавкатович Якуповhttps://rdl-journal.ru/article/view/794О разработке NoSQL СУБД GoldenRaceDB как альтернативы Google Firebase2023-09-22T12:58:35+03:00Роман Валерьевич МосоловR.V.Mosolov@ya.ru<p>Описаны опыт разработки новой нереляционной системы управления базами данных, названной GoldenRaceDB, и предпосылки, располагавшие к ее созданию в контексте проблемы импортозамещения зарубежных технологий. Новая технология реализована на базе серверного окружения Node.js.</p> <p>Материал статьи предполагает наличие у читателя опыта разработки серверной части системы минимум на одном высокоуровневом языке программирования либо опыта разработки СУБД. Описанная технология не является свободно распространяемой (open source) и была предназначена исключительно для решения задач внутри организации, места ее создания. Однако по прилагаемым в статье листингам можно понять общий вектор создания аналогичной СУБД для разработки собственной упраздненной СУБД на другом высокоуровнем языке программирования.</p>2023-09-28T00:00:00+03:00Copyright (c) 2023 Роман Валерьевич Мосоловhttps://rdl-journal.ru/article/view/795Естественнонаучные музеи в цифровом пространстве геологических знаний2023-09-22T13:03:03+03:00Вера Викторовна Наумоваnaumova_new@mail.ruСергей Владимирович Черкасовs.cherkasov@sgm.ruВиталий Сергеевич Ерёменкоvitaer@gmail.comАлексей Андреевич Загумённовtruepikvic@gmail.com<p>Охарактеризованы роль музейных данных в научных геологических исследованиях, а также интеграция этих данных в цифровое пространство геологических знаний для более эффективного использования и анализа распределенных геологических и музейных ресурсов и возможности построения цифровых моделей.</p>2023-09-28T00:00:00+03:00Copyright (c) 2023 Вера Викторовна Наумова, Сергей Владимирович Черкасов, Виталий Сергеевич Ерёменко, Алексей Андреевич Загумённовhttps://rdl-journal.ru/article/view/796Cемантические сервисы цифровой экосистемы ontomath для математического образования2023-09-22T13:09:00+03:00Ольга Авенировна Невзороваonevzoro@gmail.comЕвгений Константинович Липачёвelipachev@gmail.comКонстантин Сергеевич Николаевkonnikolaeff@yandex.ru<p>Представлен набор семантических сервисов, разработанных с целью поддержки образовательного процесса в области математики. Функционал этих сервисов основан на использовании математических онтологий OntoMath<sup>Edu</sup> и OntoMath<sup>PRO</sup>. Онтология профессионального математического знания OntoMath<sup>PRO</sup> предназначена для классификации и систематизации математических понятий и включает несколько важнейших областей математики. Образовательная математическая онтология OntoMath<sup>Edu</sup> системно представляет знания по учебному курсу «Планиметрия». Для применения онтологий в образовательных приложениях разработан подход к проектированию пререквизитных отношений в названных онтологиях. Для поддержки математического образования разработаны сервисы семантического поиска по математическим формулам, семантического аннотирования учебных материалов, визуализации подграфов семантической сети онтологии OntoMath<sup>Edu</sup>, а также параллельный формальный/неформальный корпус математических утверждений и система автоматической генерации тестовых вопросов по математическим дисциплинам.</p> <p>Приведены примеры успешного применения разработанных программных инструментов. Эти инструменты встроены в цифровую экосистему OntoMath, в рамках которой осуществляется взаимодействие семантических сервисов управления математическим знанием. </p>2023-09-28T00:00:00+03:00Copyright (c) 2023 Ольга Авенировна Невзорова, Евгений Константинович Липачёв, Константин Сергеевич Николаевhttps://rdl-journal.ru/article/view/797«Вычислительное мышление» как вторая грамотность в современном цифровом образовании и обществе2023-09-22T13:13:36+03:00Тимур Расимович Файзрахмановtim.fayzrakhmanov@gmail.com<p class="a">В ходе невероятного роста популярности цифровых технологий и цифрового образования появилось такое понятие, как «вычислительное мышление». Его резкий спрос и популяризация, как ответ на современные нужды цифрового мира, послужили реструктуризации образования и возникновению большого количества литературы на данную тему. Не всегда ясно, чем же является вычислительное мышление, какие аспекты оно включает и с чем его сравнивать. В данной работе мы рассмотрели смысл данного понятия, его значение в современном цифровом образовании и провели аналогию наличия вычислительного мышления с навыком написанием обычного текста.</p>2023-09-28T00:00:00+03:00Copyright (c) 2023 Тимур Расимович Файзрахманов