Сравнительный анализ интеллектуальных подходов к решению задачи идентификации ситуаций

Аннотация

Рассмотрено применение двух интеллектуальных методов анализа идентификации ситуаций, основанных на таком свойстве ассоциативности, как возможность обращения к сохраненной информации по ее содержанию. Для сравнительного анализа выбраны модель ассоциативной нейронной сети Хопфилда как представитель нейронных сетей и синергетическая модель Хакена как альтернативный подход к идентификации. Приведены их характеристики, а также сходство и различие между ними. Выполнено практическое исследование работы выбранных моделей, реализованных на языке программирования Python, и приведены результаты идентификации ситуации на примере определения категории угрозы в управлении вертолетом. Показано, что синергетическая модель более точна при распознавании категории угрозы. В ходе экспериментов выявлены недостатки и преимущества каждого интеллектуального метода, в частности, недостатки нейронной сети Хопфилда, критические для ситуаций, требующих быстрого и точного решения. Синергетическая модель имеет ряд преимуществ по сравнению с нейронной, включая отсутствие ложных аттракторов и возможность ранжирования информации через установление соответствующих значений для параметров

Просьба ссылаться на эту статью следующим образом:

Булдакова Т.И., Суятинов С.И., Вишневская Ю.А. Сравнительный анализ интеллектуальных подходов к решению задачи идентификации ситуаций. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2024, № 2 (147), с. 84--101. EDN: RIGGLQ

Литература

[1] Buldakova T.I., Suyatinov S.I. Assessment of the state of production system components for digital twins technology. Cyber-physical systems: advances in design & modelling. Сham, Springer, 2020, pp. 253--262. DOI: https://doi.org/10.1007/978-3-030-32579-4_20

[2] Proletarsky A., Berezkin D., Popov A., et al. Decision support system to prevent crisis situations in the socio-political sphere. Cyber-physical systems: advances in design & modelling. Cham, Springer, 2020, pp. 301--314. DOI: https://doi.org/10.1007/978-3-030-32648-7_24

[3] Киван М., Березкин Д.В., Смирнова Е.В. Гибридная методика поддержки принятия решений для управления рисками в сложных социотехнических системах. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2023, № 2 (143), с. 90--110. DOI: http://dx.doi.org/10.18698/0236-3933-2023-2-90-110

[4] Булдакова Т.И. Исследование сложных систем и процессов. М., Изд-во МГТУ им. Н.Э. Баумана, 2016.

[5] Dzhalolov A.S., Buldakova T.I., Proletarsky A. Socio-economic decision support module by unstructured data. EIConRus, 2020, pp. 1931--1934. DOI: https://doi.org/10.1109/EIConRus49466.2020.9039086

[6] Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities. PNAS, 1982, vol. 79, no. 8, pp. 2554--2558. DOI: https://doi.org/10.1073/pnas.79.8.2554

[7] Haken H. The standard model of synergetics for pattern recognition. Synergetic computers and cognition. Berlin, Springer, 2004, pp. 36--50. DOI: https://doi.org/10.1007/978-3-662-10182-7_5

[8] Taherzadeh G., Loo C.K. Image classification using optimized synergetic neural network. FIRA 2013. Berlin, Springer, 2013, pp. 170--180. DOI: https://doi.org/10.1007/978-3-642-40409-2_15

[9] Edwards T., Homola J., Mercer J., et al. Multifactor interactions and the air traffic controller: the interaction of situation awareness and workload in association with automation. Cogn. Tech. Work, 2017, vol. 19, no. 2, pp. 687--698. DOI: https://doi.org/10.1007/s10111-017-0445-z

[10] Засядько К.И., Вонаршенко А.П., Солдатов С.К. и др. Анализ профессионально важных качеств летчиков-инструкторов и возможностей их развития. Авиакосмическая и экологическая медицина, 2020, т. 54, № 1, с. 52--56. DOI: https://doi.org/10.21687/0233-528X-2020-54-1-52-56

[11] Филимонов А.Б., Филимонов Н.Б. Ситуационный подход в задачах автоматизации управления техническими объектами. Мехатроника, автоматизация, управление, 2018, т. 19, № 9, с. 563--578. DOI: https://doi.org/10.17587/mau.19.563-578

[12] Endsley M.R. A systematic review and meta-analysis of direct objective measures of situation awareness: a comparison of SAGAT and SPAM. Hum. Factors, 2021, vol. 63, no. 1, pp. 124--150. DOI: https://doi.org/10.1177/0018720819875376

[13] Меркулов В.И., Михеев В.А., Липатов А.А. и др. Особенности интеграции и комплексной обработки информации в системах ситуационной осведомленности воздушного базирования. Успехи современной радиоэлектроники, 2016, № 6, с. 3--21. EDN: WIDAUV

[14] Федунов Б.Е. Интеллектуальные агенты в базах знаний бортовых оперативно советующих экспертных системах типовых ситуаций функционирования антропоцентрического объекта. Известия РАН. Теория и системы управления, 2019, № 6, с. 90--102. DOI: https://doi.org/10.1134/S000233881904005X

[15] Costa P.D., Mielke I.T., Pereira I., et al. A model-driven approach to situations: situation modeling and rule-based situation detection. IEEE 16th Int. Enterprise Distributed Object Computing Conf., 2012, pp. 154--163. DOI: https://doi.org/10.1109/EDOC.2012.26

[16] Шоломов Д.Л. Коррекция распознанного текста с использованием методов классификации. Сб. тр. ИСА РАН, 2007, т. 29, с. 352--366. EDN: KBYLQH

[17] Манжиков Т.В., Славин О.А., Фараджев И.А. и др. Алгоритм применения N-грамм для корректировки результатов распознавания. Математические методы в технике и технологиях, 2017, т. 2, с. 121--125. EDN: ZDDPHL

[18] Anokhin A., Burov S., Parygin D., et al. Development of scenarios for modeling the behavior of people in an urban environment. Society 5.0: cyberspace for advanced human-centered society. Cham, Springer, 2021, pp. 103--114. DOI: https://doi.org/10.1007/978-3-030-63563-3_9

[19] Булдакова Т.И., Миков Д.А., Соколова А.В. Защита данных при дистанционном мониторинге состояния человека. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2020, № 4 (133), с. 42--57. DOI: http://dx.doi.org/10.18698/0236-3933-2020-4-42-57

[20] Большаков А.А., Кулик А.А. Исследование комплексной системы управления летательного аппарата вертолетного типа при отказах бортового оборудования. Мехатроника, автоматизация, управление, 2019, т. 20, № 9, с. 568--575. DOI: https://doi.org/10.17587/mau.20.568-575

[21] Bolshakov A.A., Kulik A., Sergushov I., et al. Decision support algorithm for parrying the threat of an accident. Studies in Systems, Decision and Control, 2020, vol. 260, pp. 237--247. DOI: https://doi.org/10.1007/978-3-030-32648-7_19

[22] Суятинов С.И., Булдакова Т.И., Вишневская Ю.А. Сравнение нейросетевого и синергетического подходов при идентификации ситуаций. Математические методы в технике и технологиях, 2023, № 3, с. 85--89. EDN: LTBYWG

[23] Radhakrishnan R., Trout B.L. Order parameter approach to understanding and quantifying the physico-chemical behavior of complex systems. Handbook of materials modeling. Dordrecht, Springer, 2005, pp. 1613--1626. DOI: https://doi.org/10.1007/978-1-4020-3286-8_81

[24] Suyatinov S.I., Buldakova T.I., Vishnevskaya Yu.A. Identification of situations based on synergetic model. SUMMA, 2021, pp. 509--514. DOI: https://doi.org/10.1109/SUMMA53307.2021.9632207

[25] Suyatinov S.I., Buldakova T.I., Vishnevskaya Yu.A. Synergistic model of situational awareness of the human operator. Society 5.0: Human-centered society challenges and solutions. Cham, Springer, 2022, pp. 331--340. DOI: https://doi.org/10.1007/978-3-030-95112-2_27