ПОДХОД К АПРИОРНОМУ ОЦЕНИВАНИЮ НЕЧЕТКИХ КЛАССИФИКАЦИОННЫХ МОДЕЛЕЙ В ЗАДАЧАХ МОНИТОРИНГА (2024)
Статья посвящена проблемам применения средств автоматизации при решении задач мониторинга и управления в части, касающейся оценки качества нечетких классификационных моделей, для которых порядок классификации реализуется на основании знаний (правил) в условиях отсутствия обучающей выборки. Предложен подход к получению априорных оценок качества классификации на основе исследования чувствительности используемой модели к изменению значений внутренних параметров в ходе соответствующего моделирования. Получена интерпретация результатов моделирования в виде оценки рисков, вызванных несовершенством самих классификационных моделей. В статье приведен пример нечеткой классификационной модели, в основе которой лежит сравнение текущего состояния объекта мониторинга, описываемого с использованием нечетких признаков, с набором заранее заданных типовых состояний, формирующих соответствующие нечетко равные между собой (близкие) состояния (ситуации мониторинга). Сравнение осуществляется с использованием операции нечеткой импликации при условии соблюдения требуемой достоверности. На примере данной модели показано, каким образом вид операции импликации, а также внутренние особенности модели влияют на результаты классификации, предложены соответствующие показатели, которые являются как интерпретацией общепринятых показателей оценки качества классификации, так и уникальными, присущими именно рассмотренной модели. Проведены вычислительные эксперименты, которые позволили получить графики изменения показателей оценки качества классификации для рассматриваемой модели и ее модификации, наглядно отобразить влияние внутренних параметров модели на результаты ее применения. Предложены ряд показателей, позволяющих провести априорную оценку рисков, возникающих вследствие применения модели, до ее фактического применения.
Идентификаторы и классификаторы
- eLIBRARY ID
- 69907141
В первом случае такая информация может быть получена путем анализа соответствующих количественных показателей качества классификатора, полученных по результатам его обучения и тестирования: полнота, точность, F-мера и т.д. [2, 3]. Во втором случае эксперты не располагают результатами обучения, и именно о таких моделях в дальнейшем будет говориться в статье при рассмотрении классификационных моделей.
Априорно информация о качестве работы такого классификатора может быть получена либо путем интерпретации представлений самих экспертов об адекватности используемой модели классификации объекту мониторинга, его достоинствах и недостатках, либо путем формирования экспертами размеченной тестовой выборки для оценки качества классификации по аналогии с обучаемыми классификаторами. Получение такой выборки является наиболее трудоемкой задачей и не всегда представляется возможным.
Список литературы
-
Кривенко М.П., Васильев В.Г. Методы классификации данных большой размерности // М.: ИПИ РАН. 2013. 208 с.
-
Hartmann J., Huppertz J., Schamp C., Heitmann M. Comparing automated text classification methods. International Journal of Research in Marketing. 2019. vol. 36(1). pp. 20-38.
-
Belyadi H., Haghighat A. Machine Learning Guide for Oil and Gas Using Python. Gulf Professional Publishing, 2021. 476 p.
-
Заде Л. Понятие лингвистической переменной и ее применение к принятию приближенных решений // М.: Мир. 1976. 167 с.
-
Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH // СПб.: БХВ-Петербург, 2005. 736 с.
-
Tsoukalas L. Fuzzy Logic: Applications in Artificial Intelligence, Big Data, and Machine Learning // McGraw Hill. 2023. 176 p.
-
van Krieken E., Acar E., van Harmelen F. Analyzing Differentiable Fuzzy Logic Operators. Artificial Intelligence. 2022. vol. 302. DOI: 10.1016/j.artint.2021.103602
-
Мелихов А.Н., Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой // М.: Наука, 1990. 272 с.
-
Борисов В.В., Авраменко Д.Ю. Нечеткое ситуационное управление сложными системами на основе их композиционного гибридного моделирования // Системы управления, связи и безопасности. 2021. № 3. С. 207-237. EDN: DBNGVF
-
Бакасов С.Р., Санаева Г.Н., Воронин Ю.А., Пророков А.Е., Богатиков В.Н. Управление технологической безопасностью промышленных процессов на основе мультиагентного моделирования // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2019. № 4. С. 37-45. EDN: QCSRHC
-
Кривов М.В., Асламова Е.А., Асламова В.С. Система выработки стратегий управления промышленной безопасностью // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2022. № 59. С. 55-65. EDN: DNSKKH
-
Мелихова О.А. Приложение матлогики к проблемам моделирования // Известия ЮФУ. Технические науки. 2014. № 7(156). С. 204-214.
-
Старовойтов В.Г. Ситуационный центр как эффективный механизм в системе управления // Национальная безопасность / nota bene. 2021. № 5. С. 22-29. EDN: BAEPWX
-
Шедий М.В. Становление и тенденции развития системы ситуационных центров как ключевого фактора повышения эффективности государственного управления // Вестник НГУЭУ. 2021. № 3. С. 8-18. EDN: ZNXXKU
-
Avdeeva Z., Kovriga S., Lepskiy V., Raikov A., Slavin B., Zatsarinny A. The Distributed Situational Centers System as an Instrument of State and Corporate Strategic Goal-Setting in the Digital Economy. IFAC-PapersOnLine. 2020. vol. 53(2). pp. 17499-17504.
-
Kriesi H., Lorenzini J., Wuest B., Hausermann S. Contention in Times of Crisis: Recession and Political Protest in Thirty European Countries. Cambridge University Press. 2020. 300 p.
-
Борисов В.В., Круглов В.В., Федулов А.С. Нечеткие модели и сети. 2-е изд., стереотип. // М.: Горячая линия - Телеком. 2012. 284 с.
-
ГОСТ Р ИСО 31000-2019. Менеджмент риска. Принципы и руководство // М.: Госстандарт России. 2020.
-
ISO 14971:2019. Medical devices - Application of risk management to medical devices. 2019.
-
Fu S., Zhang Y., Zhang M., Han B., Wu Z. An object-oriented Bayesian network model for the quantitative risk assessment of navigational accidents in ice-covered Arctic waters. Reliability Engineering & System Safety. 2023. vol. 238. DOI: 10.1016/j.ress.2023.109459
-
Hunte J., Neil M., Fenton N. A hybrid Bayesian network for medical device risk assessment and management. Reliability Engineering & System Safety. 2024. vol. 241. 16 p.
-
Jiang M., Liu Y., Lu J., Qu Z., Yang Z. Risk assessment of maritime supply chains within the context of the Maritime Silk Road. Ocean & Coastal Management. 2023. vol. 231. 14 p.
-
Молоканов Г.Г., Пинчук А.В., Потюпкин А.А. Нечётко-множественный подход к оцениванию целевых рисков при управлении развитием орбитальной группировки космических аппаратов // Труды ВНИИЭМ. Вопросы электромеханики. 2015. Т. 148. № 5. С. 19-23. EDN: YWWCKN
Выпуск
Другие статьи выпуска
В работе выполнен сравнительный анализ основных функциональных характеристик подводных беспроводных сенсорных сетей (ПБСС) со стационарной и гибридной коммуникационными архитектурами. Указанные ПБСС состоят из сенсорных узлов, расположенных на морском дне и надводных межсредных шлюзов, обеспечивающих передачу информационных пакетов между подводным и надводным сегментами сети. В стационарной ПБСС роль шлюзов выполняют заякоренные буи, в гибридной - мобильные транспортные платформы. С использованием математического аппарата, основанного на вероятностном подходе, проведена оценка функциональных характеристик альтернативных коммуникационных архитектур ПБСС с энергетической точки зрения - определены общие энергетические затраты сети на пересылку сообщений и время жизни сенсоров сети. Для численного анализа функциональных характеристик ПБСС рассмотрены достаточно широкие диапазоны изменения проектных параметров сети, таких как: размер акватории, требуемое количество и варианты размещения сенсорных узлов, вероятность доставки пакета в акватории (физические параметры среды), в которых осуществлялся поиск «оптимального» с энергетической точки зрения решения. Выполненное авторами исследование показывает, что мобильность играет важную роль в повышении качества функционирования подводной сети в аспектах покрытия (обеспечения связности), энергоэффективности и времени жизни. Мобильный элемент в виде волнового глайдера, выполняющий роль межсредного шлюза, способен функционировать в акватории в течение продолжительного времени, что говорит о перспективности его использования для прикладных задач сбора, накопления и ретрансляции информации в рамках интернета подводных вещей.
Управление ориентацией и позиционированием беспилотного летательного аппарата (БПЛА) вертикального взлета и посадки мультироторного типа в пространстве неразрывно связано с формированием вектора управления движением, состоящего из комбинации тяг и аэродинамических моментов создаваемых каждой винтомоторной группой. Точность и скорость формирования вектора управления движением в значительной степени влияет на ошибки позиционирования и ориентации БПЛА. В большинстве работ, посвященных синтезу систем управления БПЛА, используется вектор управления движением без учета динамики винтомоторных групп, что в некоторых случаях вынуждает снижать быстродействие системы управления. Повысить быстродействие можно за счет повышения быстродействия формирования тяги винтомоторных групп, для чего предложена линейная система управления тягой винтомоторной группы. Винтомоторная группа в своем составе имеет нелинейную внутреннюю связь по аэродинамическому моменту и выходной сигнал - тягу, нелинейно зависящую от квадрата скорости вращения винта. Обычно, винтомоторной группой управляют как электродвигателем - внутреннюю связь по аэродинамическому моменту рассматривают как внешнее возмущение, а тягой управляют посредством изменения скорости вращения винта, которая вычисляется на основании требуемого вектора управления движением. Предлагается рассматривать тягу и аэродинамический момент как составную часть винтомоторной группы, для которой построить линейную систему управления тягой. Для этого выполнена линеаризация обратной связью системы винтомоторной группы, связывающей подаваемое на двигатели напряжение с вектором управления движением, являющимся выходной величиной. Процесс линеаризации разбит на два этапа: на первом этапе выполнена линеаризация обратной связью по состоянию для электродвигателя с внутренней нелинейной связью по аэродинамическому моменту; на втором этапе выполнена линеаризация обратной связью по выходу, полученной на первом этапе системы с нелинейным выходным сигналом - тягой. В соответствии с принципами подчиненного регулирования для линеаризованной обратной связью винтомоторной группы сформировано управление двигателем. Выполнено моделирование. Важным вопросом при применении линеаризации обратной связью является сохранение качественных характеристик системы управления при несоответствии параметров объекта и модели, параметры которой используются для вычисления линеаризующей обратной связи. В работе проведено моделирование при несоответствии некоторых параметров до 50%.
Устройства Интернета вещей играют важнейшую роль в современном мире во многих отношениях, поскольку они обеспечивают поддержку для зондирования окружающей среды, автоматизации и ответственного сохранения ресурсов. В «умном» мире повсеместное присутствие устройств Интернета вещей в повседневной жизни неизбежно. Широкое использование устройств Интернета вещей привлекает к себе любопытные взгляды злонамеренных хакеров. Несмотря на то, что существует несколько систем и протоколов безопасности, доступных для обычных беспроводных сетей, наблюдается необходимость в разработке современного механизма безопасности исключительно для сетевых сред Интернета вещей. Эта работа представляет улучшения безопасности сетей Интернета вещей. В ней собраны три специализированных способа для достижения более высоких показателей безопасности в сетевых средах Интернета вещей. Fast Fuzzy Anomaly Detector, Legacy Naïve Bayes Attack Classifiers и Variable Security Schemer of Rivest-Shamir-Adleman algorithm - это новые модули, представленные в этой работе, сокращенно ASORI. Уникальные преимущества встроенного механизма сертификации Интернета вещей и выбор динамической стратегии безопасности являются новшествами, представленными в данной работе. Модель ASORI была проверена с использованием промышленного стандартного симулятора сети OPNET для обеспечения улучшенной безопасности наряду с существенными улучшениями параметров производительности сети.
В работе представлена эффективная реализация банка гамматон-фильтров (БГФ) на основе неравнополосного косинусно-модулированного банка фильтров (НКМБФ), использующего фазовое преобразование. Рассмотрены примеры практических задач, в которых применяется банк гамматон-фильтров, проанализированы его основные особенности и недостатки. Приведено описание равнополосного косинусно-модулированного банка фильтров, а также показан процесс синтеза НКМБФ из его равнополосного аналога при помощи фазового преобразования. Разработан оптимизационный метод проектирования фильтра-прототипа НКМБФ для аппроксимации частотных характеристик БГФ. В основе метода лежит мультипликативная модель импульсной характеристики фильтра-прототипа, использующая логистические сигмоидальные функции. Суть предлагаемого метода заключается в оптимизации фильтра-прототипа с целью минимизации среднеквадратичной ошибки между АЧХ БГФи НКМБФ для каждого канала. Выполнена программная реализация на языке Python с использованием библиотеки PyTorch. Проведены экспериментальные исследования предложенного метода. Результаты экспериментов показали, что НКМБФ можно использовать для аппроксимации частотных характеристик БГФ, а результирующая АЧХ имеет монотонные спады за счёт использования логистических сигмоидальных функций. Проведён анализ зависимости результирующей ошибки аппроксимации частотных характеристик банка гамматон-фильтров от количества сигмоид, используемых для синтеза фильтра-прототипа НКМБФ на базе мультипликативной модели импульсной характеристики. Выполнен анализ вычислительной сложности НКМБФ, показано как зависит число операций сложения и умножения от длины импульсной характеристики фильтра-прототипа и числа каналов банка фильтров. Сделан вывод, что использование НКМБФ для реализации банка гамматон-фильтров позволяет существенно уменьшить вычислительные затраты на реализацию гамматон-фильтров по сравнению с прямой реализацией.
Описываемые в статье исследования направлены на развитие методов составления расписаний. Принципиальным недостатком существующих методов смешано- целочисленного линейного программирования в применении к рассматриваемым задачам является то, что они слишком требовательны к объемам оперативной памяти. Сложность же применения процедур локального поиска к подобным задачам высокой размерности состоит в разработке эффективного способа нахождения приемлемого первоначального приближения и определении функции перехода в соседнее состояние, которая бы позволила достаточно быстро достичь оптимума. В теории исследования операций добавление к задаче дополнительных условий может привести к принципиальному изменению используемой схемы решения задачи. Предлагаемые в статье методы реализованы в рамках парадигмы программирования в ограничениях, что позволяет более экономно с точки зрения оперативной памяти представлять зависимости предметной области, а также обеспечивает возможность поэтапного учета разнородных условий задачи без принципиального изменения схемы поиска решений. Существенная часть исследований посвящена использованию методов логического вывода на ограничениях для снижения размерности пространства поиска и ускорения процесса вычислений. Подход к составлению расписаний проиллюстрирован на задаче оптимизации планирования открытых горных работ, которую впервые предложено решать как задачу удовлетворения ограничений. Для нахождения первого допустимого решения предложен метод «жадного» поиска, результат применения которого затем может быть улучшен с помощью разработанного гибридного метода. Оба метода опираются на оригинальные процедуры вывода на ограничениях. Предложенный подход доказал свою эффективность для блочных моделей размерностью в десятки и сотни тысяч блоков.
Издательство
- Издательство
- СПБНЦ
- Регион
- Россия, Санкт-Петербург
- Почтовый адрес
- 199034, Санкт-Петербург, Университетская наб., 5
- Юр. адрес
- 199034, Санкт-Петербург, Университетская наб., 5
- ФИО
- Орлова Марина Ивановна (ИСПОЛНЯЮЩАЯ ОБЯЗАННОСТИ ДИРЕКТОРА)
- E-mail адрес
- office@spbrc.nw.ru
- Контактный телефон
- +8 (812) 3283787
- Сайт
- https://spbrc.ru/