Балл 0.87
Число соавторов публикации - 3
Целевой показатель госзадания:
Целевой показатель госзадания:
- Рецензируемые научные статьи в сериальных изданиях (периодических и продолжающихся), индексируемых в РИНЦ - Формула: 1.5/(корень квадратный из Nавторов) = 1.5/(корень квадратный из 3) (1.7321) = 0.87
КБПР (методика 2025 г.) = 5.001
Количество соавторов публикации - 3
Публикация в изданиях из Белого списка уровень: 3, K=5
Публикация в изданиях из Белого списка уровень: 3, K=5
-
Греков А. Н.: количество аффилиаций - 1, вклад в КБПР публикации:
формула: K/(Nсоавторов*Nаффил) = 5/(3*1) = 1.667 -
Вышкваркова Е. В.: количество аффилиаций - 1, вклад в КБПР публикации:
формула: K/(Nсоавторов*Nаффил) = 5/(3*1) = 1.667 -
Баяндина Ю. С.: количество аффилиаций - 1, вклад в КБПР публикации:
формула: K/(Nсоавторов*Nаффил) = 5/(3*1) = 1.667
Статья в периодическом издании
Машинное обучение на микроконтроллерах для биологических систем раннего обнаружения загрязнений водных сред
РИНЦ 0.452 БС 3
| DOI | https://doi.org/10.25791/esip.12.2025.1561 |
|---|---|
| Язык | Русский |
| Журнал | Экологические системы и приборы ISSN: 2072-9952; Онлайн ISSN: – |
| Год | 2025 |
| Выходные данные | номер: 12; страницы: 13-22 |
| Авторы | |
| Даты |
Поступила в редакцию: 30.10.2025 Принята к публикации: 20.11.2025 |
| Абстракт | Традиционный мониторинг качества воды, основанный на периодическом химико-физическом анализе, страдает от запаздывания данных и неспособности обнаруживать новые загрязнители. Биологические системы раннего оповещения (BEWS), использующие поведенческие реакции гидробионтов в качестве интегральных индикаторов стресса, предлагают перспективную альтернативу. Однако широкому внедрению классических BEWS препятствует их высокое энергопотребление и ограниченная
автономность. В данном обзоре рассматривается потенциал технологии Tiny Machine Learning (TinyML), развертываемой на
микроконтроллерах, для создания нового поколения энергоэффективных, масштабируемых и полностью автономных систем
BEWS. Проанализированы методы преодоления аппаратных ограничений, включая квантование, прореживание и дистилляцию моделей машинного обучения для классификации поведенческих паттернов и обнаружения аномалий непосредственно на
устройстве. Подробно рассмотрены практические реализации на примере рыб, двустворчатых моллюсков и зоопланктона, а также обозначены ключевые вызовы, такие как нехватка данных и необходимость адаптации к изменяющимся условиям среды. Интеграция TinyML и BEWS открывает путь к созданию распределенных сетей интеллектуальных живых сенсоров для
непрерывного мониторинга водных экосистем. Ключевые слова: экологический мониторинг, обнаружение аномалий, TinyML, BEWS, микроконтроллеры, поведенческий мониторинг |
| Сведения о финансировании, указанные в публикации | Исследование выполнено за счет гранта Российского научного фонда № 25-19-00551, https://rscf.ru/project/25-19-00551/. |
| URL | http://eco.tgizd.ru/ru/arhiv/23976 |
| Дополнительные сведения |
Запись создана: 28-01-2026 11:19
Последнее изменение: 28-01-2026 11:21
Библиографическая ссылка:
Греков А. Н., Вышкваркова Е. В., Баяндина Ю. С. Машинное обучение на микроконтроллерах для биологических систем раннего обнаружения загрязнений водных сред // Экологические системы и приборы. 2025. № 12. С. 13-22. https://doi.org/10.25791/esip.12.2025.1561
[РИНЦ 0.452][БС 3]
Греков А. Н., Вышкваркова Е. В., Баяндина Ю. С. Машинное обучение на микроконтроллерах для биологических систем раннего обнаружения загрязнений водных сред // Экологические системы и приборы. 2025. № 12. С. 13-22. https://doi.org/10.25791/esip.12.2025.1561
[РИНЦ 0.452][БС 3]
Экспертное заключение: № 452, 2025
Белый список
Индексация на момент включения в базу:- Уровень БС
- 3
Web of Science
- Статус
- Нет
- Статус
- Нет