Работен пакет 1.2. Компютърно и математическо моделиране с приложение в инженерните и природните науки

2020/21 - Основни резултати

• Разработен е математически модел на алгоритъм за получаване на изображения посредством радиолокационни методи за обратен апертурен синтез (ISAR) базиран на итеративното минимизиране на средно квадратични грешки (MMSE) при оценката на инвариантните геометрични параметри на даден обект. Геометрията и кинематиката на ISAR са аналитично описани в двумерни (2-D) координати. Представени са векторното уравнение за оценка на инвариантните геометрични параметри и матричното уравнение за изчисляване на грешки в оценките. Резултатите от изчисленията показват изображения с висока разделителна способност, недвусмислени и конвергентни оценки на интензитета на точката на разсейване на обекта при ограничено количество симулирани данни на ISAR.
• Предложен е модел за вторично използване на безжичните IoT технологии с цел намаляване на електромагнитните облъчвания и подобряване на качеството на живот на хората. На базата на предложеният модел са разработени алгоритми за автоматично откриване и класификация на подвижни обекти с цел създаване на смарт светофарни уредби за регулиране на пътен трафик. Получените резултати ще бъдат докладвани на международната научна конференция Business Modeling and Software Design 2021.
• Предложен е модел за повишавате точността на класифициране на получаваните EEG based brain-computer interface сигнали посредством използване на допълнителни визуални стимулации. Оценено е повишаване на качеството на класифициране.
• Изследвани са проблемите при предаване на Big Data в многосензорни системи. Предлага се метод за оценка, който позволява да се открият компонентите на сензорната мрежа, които намаляват стабилността на системата за пренос на данни. При ситуация за първоначално събиране на данни, решението на евентуален проблема е да се намери най-уязвимия сензор. Разглеждат и задачата при подвижни сензори.  

• Предложен и изследван е алгоритъм на обработка на пулсарен сигнала с цел откриване на летящи обекти, в частност самолети. Използвани са методи и изчислителни техники, базирани на принципа на радар с пряко разпространение на сигнала за оценка на скоростта на летящите обекти. Обработката на сигнала включва компенсация на силния директен сигнал от пулсар и откриване на пряко разпространения сигнал от самолет. Предложеният алгоритъм за обработка на сигнала е оценен чрез компютърна обработка на реален пулсарен сигнал.

• Изследвано и анализирано е влиянието на предавателната функция и скоростта на обучение на многослойна невронна мрежа при процес на класификация. Изследването на предавателната функция в изкуствените неврони мрежи (Artificial Neural Network Models) използвани за решаване на задачи свързани с класификацията на данни, ще открие нови възможности за клъстеризация и прогнозиране. Невронната мрежа е реализирана с езика за програмиране Java. Невроните комуникират помежду си с помощта на сигнали като всеки неврон променя стойността на сигнала чрез активационна функция (предавателна функция). Изследването и анализирането на влиянието на предавателната функция е от съществено значение за правилното функциониране на алгоритъма за класификация.

• Изследвани и анализирани са въпроси, свързани с класификацията на получените от Brain-Computer Interface (BCI) сигнали. Проучване е фокусирано върху увеличаване на скоростта на класификация на данните, получени от Brain Computer Interface (BCI), без съществено влияние върху точността на обработката и класификацията. Нашият изследователски екип се фокусира върху възможностите за намаляване на броя на каналите като един от потенциалните фактори за увеличаване на скоростта на класификация на входящите данни. Експериментални данни са получени чрез използване на Emotiv Epoc 14+.

2020/21 - Участия в конференции, доклади и статии

1. Garvanov I, M. Garvanova ; Dynamic Models of Secondary Application of IoT: Safety and Security Aspects; 10th International Symposium on Business Modeling & Software Design – BMSD’20.
2. Garvanov I, A. Lazarov; IIterative MMSE Algorithm of ISAR Image Reconstruction; Ninth International Conference on Telecommunications and Remote Sensing – ICTRS 2020.
3. Georgi P. Dimitrov, G. Panayotova, E. Kovatcheva, P. Petrov, I. Garvanov, P. Petrova, I. Dimitrova, O S. Bychkov; Increasing the classification accuracy of EEG based brain-computer interface signals; Conference on Advanced Computer Information Technologie - Deggendorf, GERMANY, 16-18 September 2020
4. Petrivskyi V; G. Dimitrov; V. Shevchenko; O. Bychkov; M. Garvanova; G. Panayotova; P. Petrov; Information technology for Big Data sensor networks stability estimation; Second International Scientific Conference Digital Transformation, Cyber Security and Resilience (DIGILIENCE 2020)
5. Kabakchiev H., Behar V., Garvanov I., Kabakchieva D., Kabakchiev A., Rohling H., Bentum M., Fernandes J., (2021) Air Object Detection Using Pulsar FSR, 17-th International Conference on Electrical Machines, Drives and Power Systems ELMA 2021, 1 - 4 July 2021, Sofia, Bulgaria. (Scopus, WoS, IEEE).
6. Vasovic B., Garvanov I., (2021) Analysis of the transfer function influence in a two - layer neural network on the data classification process, Втори конгрес на университетите от Югоизточна Европа и Азия, 22 април 2021 г., София, България.
7. Georgi P. Dimitrov, Pavel Petrov, Inna Dimitrova, Galina Panayotova, Galina Panayotova, Olexiy S. Bychkov, Eugenia Kovatcheva, Snejana Petrova; "Decrease the time for classification of the incoming signals from BCI",2021 5th International Conference on Computer, Software and Modeling, (Annual meeting of JSW | July 21-23, Rome, Italy),http://www.iccsm.org/