Синусоидальная составляющая лежит во множестве повседневных периодических процессов, окружающих человека, – от природных до узкоспециализированных рукотворных: социальных, экономических, технических, биологических. Интерес к этому вопросу проявлялся постоянно, что стало тенденцией к развитию определенных теорий, основанных на методах наименьших квадратов, дискретных преобразованиях Фурье и пр. Техническая сторона вопроса представлена множеством процессов волновой природы – распространением звука, света, волновым движением масс сред. В частности, примером непосредственной необходимости измерения частотных характеристик синусоидального воздействия является морской транспорт, где судовые движительные комплексы неизбежно сталкиваются с изменением воздействий морской среды при изменении погодных условий. Особенно это касается северных широт –  в частности, Северного морского пути, где суровость климата сочетается с постоянно растущим интересом государств к увеличению грузооборота, в частности сжиженного природного газа. В этой связи отсутствие алгоритмического обеспечения по оптимизации работы судового главного двигателя может вылиться в значительные материальные издержки, связанные с повышенным расходом топлива, значительными вибрациями и износом основных и вспомогательных узлов двигательного агрегата. Поэтому в связи с возросшей тенденцией к интеграции нейросетевых структур в промышленное производство авторами была предпринята попытка рассмотрения возможности использования нейронной сети для определения частоты зашумленного низкочастотного синусоидального сигнала. Полученные результаты доказали справедливость утверждения о возможности использования нейросетевых структур в распознавании образов синусоидальных сигналов [1], однако точность измерений оказалась недостаточной ввиду слабой проработанности алгоритма распознавания и малого размера обучающей выборки.

1. Куколев А.А., Пиотровский Д.Л., Подгорный С.А. Нейронные сети в распознавании образов синусоидальных сигналов // Материалы XXI Всероссийской научно-практической конференции «Общество. Наука. Инновации» (НПК-2021). – Вятский государственный университет, 2021.

2. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. – М.: Физматлит, 2001. – 224 с.

3. Каллан Р. Нейронные сети: краткий справочник. – М.: Вильямс, 2017. – 288 c.

4. Редько В.Г. Эволюция, нейронные сети, интеллект: модели и концепции эволюционной кибернетики. – М.: Ленанд, 2019. – 224 c.

5. Хайкин С. Нейронные сети: полный курс. – М.: Диалектика, 2019. – 1104 c.

6. Васильев А.Н. Тархов Д.А. Принципы и техника нейросетевого моделирования. – М.: Огни, 2019. – 632 c.

7. Галушкин А.И. Нейрокомпьютеры: учебное пособие. – М.: Альянс, 2021. – 528 c.

8. Гелиг А.Х., Матвеев А.С. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей: учебное пособие. – М.: Изд-во СПбГУ, 2021. – 224 c.

9. Круглов В.В., Борисов В.В. Искусственные нейронные сети: теория и практика. – М.: Горячая линия – Телеком, 2021. – 382 c.

10. Элементарное введение в технологию нейронных сетей с примерами программ / Р. Тадеусевич, Б. Боровик, Т. Гончаж, Б. Леппер. – М.: Горячая линия – Телеком, 2021. – 282 c.

11. Sajedian I., Rho R. Accurate and instant frequency estimation from noisy sinusoidal waves by deep learning // Nano Convergence. – 2019. – Vol. 6 (1).

12. Медведев В.С., Потемкин В.Г. Нейронные сети: MATLAB 6 / под общ. ред. В.Г. Потемкина. – М.: Диалог-МИФИ, 2002. – 496 с.

13. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. – Харьков: Телетех, 2004. – 264 с.

14. Yu D., Deng L. Deep Learning and its applications to signal and information processing // IEEE Signal Processing Magazine. – 2011. – Vol. 28, N 1. – P. 145–154. – DOI: 10.1109/MSP.2010.939038.

15. Бураков М.В. Нейронные сети и нейроконтроллеры: учебное пособие. – СПб.: ГУАП, 2013. – 286 с.

16. Хайдуков О.П., Дмитриев А.Н., Запорожцев Г.Н. Эксплуатация электроэнергетических систем морских судов: справочник. М.: Транспорт, 1988. – 233 с.