В работе рассматривается разработка алгоритма генерации условно-реальных данных с целью адаптации моделей машинного обучения к малому объему натурных данных. Проблема нехватки представительных выборок геофизических параметров актуальна в исследованиях космической погоды и солнечной активности. Предложенный алгоритм позволяет создавать временные ряды, сохраняющие исходный тренд, а также моделировать аномалии и шумы, приближенные к реальным данным. В основе метода лежит многомасштабный вейвлет-анализ, что обеспечивает гибкость в генерации данных. Разработанный алгоритм универсален и может применяться в различных областях науки и техники для обучения нейронных сетей и повышения устойчивости моделей машинного обучения. В дальнейшем планируется реализация предложенного метода в среде MatLab.

Мусаев А.И. (науч. рук. Мандрикова Б.) Разработка алгоритма генерации условно-реальных данных для адаптации моделей машинного обучения к малому набору натурных данных // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2025]. URL: https://kmu.itmo.ru/digests/article/15331