Гибридный метод интеллектуальной диагностики процессов разрушительного характера

В работе представлен метод автоматической диагностики для идентификации ситуации в системе под-держки принятия решений в условиях чрезвычайных ситуаций на основе беспилотных летательных аппаратов, дистанционного зондирования и технологий обработки изображений. Метод позволяет идентифицировать пробле...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2018
Автори:	Шерстюк, В.Г., Жарикова, М.В.
Формат:	Стаття
Мова:	Russian
Опубліковано:	Інститут проблем штучного інтелекту МОН України та НАН України 2018
Назва видання:	Штучний інтелект
Теми:	Інтелектуальні технології прийняття рішень
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/162442
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Гибридный метод интеллектуальной диагностики процессов разрушительного характера / В.Г. Шерстюк, М.В. Жарикова // Штучний інтелект. — 2018. — № 3 (81). — С. 44-50. — Бібліогр.: 16 назв. — рос.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-162442
record_format	dspace
spelling	irk-123456789-1624422020-01-09T01:26:15Z Гибридный метод интеллектуальной диагностики процессов разрушительного характера Шерстюк, В.Г. Жарикова, М.В. Інтелектуальні технології прийняття рішень В работе представлен метод автоматической диагностики для идентификации ситуации в системе под-держки принятия решений в условиях чрезвычайных ситуаций на основе беспилотных летательных аппаратов, дистанционного зондирования и технологий обработки изображений. Метод позволяет идентифицировать проблему с использованием диагностических критериев, получаемых в ходе мониторинга, и классифицировать ситуацию для соответствующего реагирования на нее. Метод является гибридным, так как он позволяет нахо-дить решение с использованием прецедентного подхода, но осуществлять дискриминацию с помощью подхода, основанного на правилах. Комбинация диагностического метода с методами дистанционного зондирования и размытой модели распространения чрезвычайных ситуаций позволяет обеспечить требуемую надежность и эффективность прогнозирования и реагирования на чрезвычайные ситуации. The method of automatic diagnosis for identification of the situation in decision support system used in disaster management based on unmanned aerial vehicles, remote sensing, and image processing is proposed in the paper. The method allows identifying the problem using the criteria obtained through monitoring, and classifying the situation for further respond. The method is hybrid as it enables to find a solution using case-based approach but perform discrimination using rule-based approach. The combination of the diagnostic method with the methods of remote sensing and approximate model of disaster behavior provides required credibility and efficiency of disaster prediction and response. 2018 Article Гибридный метод интеллектуальной диагностики процессов разрушительного характера / В.Г. Шерстюк, М.В. Жарикова // Штучний інтелект. — 2018. — № 3 (81). — С. 44-50. — Бібліогр.: 16 назв. — рос. 1561-5359 http://dspace.nbuv.gov.ua/handle/123456789/162442 004.93 ru Штучний інтелект Інститут проблем штучного інтелекту МОН України та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Інтелектуальні технології прийняття рішень Інтелектуальні технології прийняття рішень
spellingShingle	Інтелектуальні технології прийняття рішень Інтелектуальні технології прийняття рішень Шерстюк, В.Г. Жарикова, М.В. Гибридный метод интеллектуальной диагностики процессов разрушительного характера Штучний інтелект
description	В работе представлен метод автоматической диагностики для идентификации ситуации в системе под-держки принятия решений в условиях чрезвычайных ситуаций на основе беспилотных летательных аппаратов, дистанционного зондирования и технологий обработки изображений. Метод позволяет идентифицировать проблему с использованием диагностических критериев, получаемых в ходе мониторинга, и классифицировать ситуацию для соответствующего реагирования на нее. Метод является гибридным, так как он позволяет нахо-дить решение с использованием прецедентного подхода, но осуществлять дискриминацию с помощью подхода, основанного на правилах. Комбинация диагностического метода с методами дистанционного зондирования и размытой модели распространения чрезвычайных ситуаций позволяет обеспечить требуемую надежность и эффективность прогнозирования и реагирования на чрезвычайные ситуации.
format	Article
author	Шерстюк, В.Г. Жарикова, М.В.
author_facet	Шерстюк, В.Г. Жарикова, М.В.
author_sort	Шерстюк, В.Г.
title	Гибридный метод интеллектуальной диагностики процессов разрушительного характера
title_short	Гибридный метод интеллектуальной диагностики процессов разрушительного характера
title_full	Гибридный метод интеллектуальной диагностики процессов разрушительного характера
title_fullStr	Гибридный метод интеллектуальной диагностики процессов разрушительного характера
title_full_unstemmed	Гибридный метод интеллектуальной диагностики процессов разрушительного характера
title_sort	гибридный метод интеллектуальной диагностики процессов разрушительного характера
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
publishDate	2018
topic_facet	Інтелектуальні технології прийняття рішень
url	http://dspace.nbuv.gov.ua/handle/123456789/162442
citation_txt	Гибридный метод интеллектуальной диагностики процессов разрушительного характера / В.Г. Шерстюк, М.В. Жарикова // Штучний інтелект. — 2018. — № 3 (81). — С. 44-50. — Бібліогр.: 16 назв. — рос.
series	Штучний інтелект
work_keys_str_mv	AT šerstûkvg gibridnyjmetodintellektualʹnojdiagnostikiprocessovrazrušitelʹnogoharaktera AT žarikovamv gibridnyjmetodintellektualʹnojdiagnostikiprocessovrazrušitelʹnogoharaktera
first_indexed	2025-07-14T14:59:36Z
last_indexed	2025-07-14T14:59:36Z
_version_	1837634868167573504
fulltext	ISSN 1561-5359. Штучний інтелект, 2018, № 3 44 © В.Г. Шерстюк, М.В. Жарикова УДК 004.93 В.Г. Шерстюк, М.В. Жарикова Херсонский национальный технический университет, Украина Бериславское шоссе, 24, г. Херсон, 73008 ГИБРИДНЫЙ МЕТОД ИНТЕЛЛЕКТУАЛЬНОЙ ДИАГНОСТИКИ ПРОЦЕССОВ РАЗРУШИТЕЛЬНОГО ХАРАКТЕРА V.G. Sherstyuk, М.V. Zharikova Kherson National Technical University, Ukraine 24, Berislavske hwy, Kherson, 73008 THE HYBRID METHOD FOR INTELLECTUAL DIAGNOSIS OF DESTRUCTIVE PROCESSES В работе представлен метод автоматической диагностики для идентификации ситуации в системе под- держки принятия решений в условиях чрезвычайных ситуаций на основе беспилотных летательных аппаратов, дистанционного зондирования и технологий обработки изображений. Метод позволяет идентифицировать проблему с использованием диагностических критериев, получаемых в ходе мониторинга, и классифицировать ситуацию для соответствующего реагирования на нее. Метод является гибридным, так как он позволяет нахо- дить решение с использованием прецедентного подхода, но осуществлять дискриминацию с помощью подхода, основанного на правилах. Комбинация диагностического метода с методами дистанционного зондирования и размытой модели распространения чрезвычайных ситуаций позволяет обеспечить требуемую надежность и эффективность прогнозирования и реагирования на чрезвычайные ситуации. Ключевые слова: борьба с лесными пожарами, интеллектуальный метод диагностики, симптомы, ситуация, основание корпуса, база правил The method of automatic diagnosis for identification of the situation in decision support system used in disaster management based on unmanned aerial vehicles, remote sensing, and image processing is proposed in the paper. The method allows identifying the problem using the criteria obtained through monitoring, and classifying the situation for further respond. The method is hybrid as it enables to find a solution using case-based approach but perform discrimination using rule-based approach. The combination of the diagnostic method with the methods of remote sensing and approximate model of disaster behavior provides required credibility and efficiency of disaster prediction and response. Keywords: forest fire fighting, intelligent diagnosis method, symptoms, situation, case base, rule base Введение Последнее время наблюдается рост числа чрезвычайных ситуаций природного характера (ЧСПХ) и их негативного влия- ния, что связано с ростом численности на- селения, урбанизацией, деградацией при- родной среды, глобальным изменением климата и т.д. Это вызывает необходи- мость создания систем поддержки приня- тия решений (СППР) в условиях чрезвы- чайных ситуаций, функционирующих в ре- альном времени. Неотъемлемой частью та- ких СППР является онлайн-мониторинг, направленный на получение параметров, связанных с распространением ЧСПХ. Соответствующие параметры генерируют- ся с помощью технологий дистанционного зондирования и представляют собой пото- ки данных значительных объемов, посту- пающих от сенсоров непрерывно и с высо- кой скоростью. Для рассматриваемого класса систем основной задачей принятия решений является диагностика ситуации на основе набора таких параметров, которая состоит в соотнесении полученных данных с определенной категорией, или классом ситуаций, с целью последующего реагиро- вания [1]. Постановка проблемы Одним из самых распространенных классов ЧСПХ являются лесные пожары. В статье предлагается гибридный метод диагностики ситуации в СППР при туше- нии лесных пожаров на основе беспилот- ных летательных аппаратов (БЛА), ди- станционного зондирования и технологий обработки изображений. Анализ последних достижений и публикаций Проблема диагностики в системах ISSN 1561-5359. Штучний інтелект, 2018, № 3 © В.Г. Шерстюк, М.В. Жарикова 45 поддержки принятия решений в условиях ЧСПХ рассматривалась в работах многих авторов. В [2] авторы определяют диаг- ностику как некий процесс, позволяющий идентифицировать проблему с помощью анализа симптомов (данных наблюдений или оценок, полученных в процессе мони- торинга). Существует несколько основных подходов к разработке системы диагнос- тики. Одним из них является основанный на моделях подход, который использует- ся в тех редких случаях, когда может быть построена полная и адекватная мо- дель системы [3, 4], что в большинстве практических задач не представляется возможным. С использованием подхода, осно- ванного на эвристических знаниях, вос- создается система рассуждений экспер- тов [5, 6]. Известные системы, основан- ные на знаниях, имеют существенные ог- раничения, такие как невозможность вос- создания креативного хода мышления экспертов в необычных обстоятельствах и адаптации к изменениям окружающей среды. Более «узким» подходом к построе- нию систем диагностики является экс- пертный подход, аккумулирующий зна- ния специалистов в конкретных предмет- ных областях [7, 8]. Построение систем диагностики, основанных на экспертном подходе, является трудоемким и доста- точно дорогостоящим процессом инже- нерии знаний [9, 10], так как, с одной сто- роны, эксперты не всегда способны объ- яснить свою логику таким образом, что- бы ее можно было запрограммировать, а с другой стороны, разные эксперты часто имеют различное понимание одной и той же проблемы. Прецедентный подход, основанный на использовании репозитория существу- ющих решений (прецедентов), позволяет обойти проблему представления знаний экспертов. При возникновении задачи ди- агностики, прецедентная система выпол- няет идентификацию сценария по сущес- твующим прецедентам. В отличие от экспертной системы, где знания представ- лены экспертами в явной форме как эв- ристические правила, в прецедентной сис- теме знания представлены неявно [11]. Другой современный подход состо- ит в создании обучающихся систем [12]. Существует несколько технологий обуче- ния, активно используемых в подобных системах: нейронные сети [13], генети- ческие алгоритмы [14], символьный ис- кусственный интеллект [15], статистичес- кое распознавание образов, эволюцион- ные вычисления [16]. ЧСПХ, являющиеся предметом рас- смотрения данной статьи, являются про- цессами с непредсказуемым поведением, моделировать и прогнозировать которые весьма сложно. Этот факт исключает са- мостоятельное использование таких под- ходов, как инженерия знаний, а также подходов, основанных на моделях или правилах. Наиболее адекватным рассмат- риваемому классу систем является преце- дентный подход, но его реализация зави- сит от объема базы существующих пре- цедентов. Сверхбольшой объем базы при- водит к высокой вычислительной слож- ности, а недостаточный объем не обеспе- чивает покрытия всего множества воз- можных ситуаций во время классифика- ции. Обучающиеся системы являются не- линейными, они способны выполнять классификацию ситуаций даже в услови- ях неопределенности, но они не обеспе- чивают надежность, достаточную для ли- ца, принимающего решения (ЛПР). Таким образом, учитывая факт, что ни один из вышеперечисленных подходов к диагностике не может быть использован самостоятельно, автоматическая диагнос- тика ситуации на основе наблюдений, по- лученных в ходе мониторинга, требует раз- работки некоторого гибридного метода. Предлагается разработка метода диагнос- тики, основанного на комбинации преце- дентного подхода и подхода, основанного на правилах, что позволит обеспечить уменьшение объема базы прецедентов. ISSN 1561-5359. Штучний інтелект, 2018, № 3 46 © В.Г. Шерстюк, М.В. Жарикова Цель исследования Интеграция БЛА с технологиями ди- станционного зондирования позволяет осу- ществлять поддержку принятия своевре- менных решений для проведения операций, связанных с пожаротушением. СППР для тушения лесных пожаров позволяет выяв- лять места возгораний и осуществлять он- лайн мониторинг пожаров. В ходе монито- ринга система предоставляет ЛПР оценки таких параметров, как расположение фрон- та пожара, длина (высота) пламени, а также скорость распространения. Однако, в реаль- ных условиях ЛПР необходима информа- ция о ценных объектах, наиболее подвер- женных воздействию пожара и требующих первоочередной защиты. Таким образом, целью данной статьи является разработка метода авто- матической диагностики для идентифика- ции ситуации в СППР при тушении лес- ных пожаров на основе беспилотных летательных аппаратов, дистанционного зондирования и технологий обработки изображений. Авторы предлагают гиб- ридный метод, объединяющий преце- дентный подход и подход, основанный на правилах. Архитектура системы В момент возникновения рисков для ценных объектов в условиях пожара для ЛПР создается проблемная ситуация, которая требует диагностики с целью принятия адекватных решений относи- тельно минимизации этих рисков. Для диагностики ситуации необходимо выде- лить участки местности, которые содер- жат ценные объекты, имеющие оценку ценности выше определенного критичес- кого уровня, с которым связан макси- мальный риск. Место диагностики в системе под- держки принятия решений представлено на рис. 1. Рис. 1. Место диагностики в СППР Подсистема диагностики соотносит входной набор данных (симптомов) опре- деленной категории (классу) ситуаций. Другими словами, в подсистему диагнос- тики поступают такие симптомы, как рас- положение ценных объектов; пространст- венная область, занятая пожаром; наблю- даемые параметры  пожар, в том числе скорость распространения; оценки, полу- ченные в результате анализа риска. Гибридный метод диагностики ситуации Пусть  1 2, ,... nS s s s – множество ISSN 1561-5359. Штучний інтелект, 2018, № 3 © В.Г. Шерстюк, М.В. Жарикова 47 классов возможных ситуаций, ip ,  1,i n – вероятности их возникновения, а  1 2, ,... mX x x x – множество диагности- ческих критериев, соответствующих ситуа- циям из множества S . Пусть s – текущая ситуация, а x – вектор диагностических критериев для нее. Очевидно, что в резуль- тате недостаточной наблюдаемости окру- жающей среды некоторые диагностичес- кие критерии из x могут быть недоста- точно хорошо известны или неточны. Предположим, что диагностический крите- рий jx X ,  1,j m , имеет значение (или интервал значений) из определенного множества jE e ,  1,j m , где e – зна- чение неопределенности. Тогда диагности- ческие критерии из x могут быть описаны с помощью интервального значения с ис- пользованием нечетких или приближен- ных множеств, или даже иметь пустое значение e . Каждый класс из множества возмож- ных ситуаций  0 1, ,... nè è è è следует рас- сматривать как прецедент, который дол- жен быть описан в базе прецедентов. С целью определения класса ситуа- ции введена функция идентификации * : X èš , что позволяет установить класс ситуации. Алгоритм установления класса ситуации состоит из следующих шагов. 1. Вычисление расстояний  1 2,... ,..., nL L L между текущей ситуацией s и класса- ми ситуаций  0 1, ,... nè è è è :    2 1 , , m i i j j j j L s l R R    è , где  ,Xj j jl X  – расстояние между j - м симптомом текущей ситуации jX  и j -м симптомом jX прецедента iè . 2. Поиск минимального расстояния меж- ду текущей ситуацией и классами ситу- аций  0 1, ,... nè è è è :     1, min ,i ii n L s    è . Если 0  , это значит, что достигнуто совпадение текущей ситуации с одним из прецедентов:  * , 0i i iL s è è è . Далее предлагается произвести ранжи- рование всех ситуаций, которые при- надлежат , 1,...,i i n è è в соответст- вии с их интегральными оценками рис- ка iR и выбрать подмножества наибо- лее критических классов ситуаций è из множества è :       * * * 1, maxi i jj R R            è è è è è . 4. С помощью ранжирования классов си- туаций из множества è , которое по- лучено на предыдущем шаге, с исполь- зованием возможностей их возникнове- ния ip , получаем наиболее возможную ситуацию:     * * 1, maxi i jj p p    è è è . Представленный алгоритм позволяет соотнести текущую ситуацию с классом наиболее возможных из наиболее крити- ческих ситуаций на основе симптомов X . База прецедентов неявно представля- ет диагностические знания, как показано на рис. 2. Известные классы возможных ситуа- ций хранятся в базе прецедентов и использу- ются для решения задачи диагностики с ис- пользованием описанного выше алгоритма. Реализация метода диагностики Предложенный метод реализован в СППР для тушения лесных пожаров. База прецедентов представляет диаг- ностические знания. Известные классы возможных ситуа- ций хранятся в базе прецедентов и исполь- зуются для диагностики с использованием предложенного алгоритма. Структура прецедента включает опи- сание текущей ситуации и соответствую- щий вектор диагностических критериев. Построим некоторую метрику T на ISSN 1561-5359. Штучний інтелект, 2018, № 3 48 © В.Г. Шерстюк, М.В. Жарикова шкале времени T , такую, что для каждого момента времени , ,i j kt t t T справедливо: а)  , 0 T i j i jt t t t    ; б)    , ,T i j T j it t t t  ; в)      , , ,T i k T i j T j kt t t t t t  „ , г) i j T t t  þ . Таким образом, мы можем использо- вать метрику T для сравнения оценок вре- мени. При этом, имея оценку предположи- тельного времени mt  достижения фронтом пожара m-го участка местности, представ- ленную в структуре прецедента, можно оценить класс опасности для каждого участка местности. симптомы x Обратная связь извлечение Класс ситуации, СППР ограничение отбор нормы выделение Т е к у щ а я с и т у а ц и я s* База прецеден тов Р а н ж и р о в а н и е Функция подобия SIM Dzmin, Dzmax; Dsmin, Dsmax Dumin, Dumax Классификация В ы ч и с л е н и е р а с с т о я н и й База правил Рис. 2. Реализация гибридного метода диагностики База правил предоставляет знания о про- блемной области и временной метрике T на шкале времени T , при этом ,i jt t T  , i j ZT t t D  ,где  1,... ,...Z Z Zj ZmD D D D – множество пределов времени. Таким образом, база правил содер- жит множество пределов времени ZD , ко- торое является необходимым для выделе- ния классов подобных ситуаций. С использованием норм времени можно классифицировать текущую ситуа- цию относительно ее временных характе- ристик как нормальную, критическую, опасную и т.д. Так, будем называть ситуацию, при которой 3m Zt D  , ситуацией критической опасности, при возникновении которой необходимо быстрое принятие решений по противодействию возникшей угрозе. Ситуацию, при которой 3 2Z m ZD t D  , будем называть ситуацией повышенной опасности, требующей определенных пред- упредительных действий со стороны ЛПР. Далее, будем называть ситуацию, при которой 2 1Z m ZD t D  , ситуацией умерен- ной опасности, требующей повышенного внимания ЛПР и надежного мониторинга возникающих угроз. Далее, ситуацию, при которой 1 0Z m ZD t D  , будем называть ситуацией слабой опасности, не требующей особого внимания ЛПР до того момента времени, пока она не перейдет на следующий уро- вень опасности. И, наконец, ситуацию, при которой 0m Zt D  , будем рассматривать как неопас- ISSN 1561-5359. Штучний інтелект, 2018, № 3 © В.Г. Шерстюк, М.В. Жарикова 49 ную на момент диагностики, ее можно исключить из пространства рассмотрения ЛПР. Таким образом, можно получить про- странственное распределение опасности для различных участков местности md , при этом получаем: ˗ множество участков 4D с критическим уровнем опасности, состоящее из всех участков местности, для которых 4 3 m md D t   þ ; ˗ множество участков 3D с повышен- ным уровнем опасности, состоящее из всех участков местности, для которых 3 3 2 m md D t   þ þ ; ˗ множество участков 2D со средним уровнем опасности, состоящее из всех участков местности, для которых 2 2 1 m md D t   þ þ ; ˗ множество слабоопасных участков 1D , состоящее из всех участков местности, для которых 1 1 0 m md D t   þ þ ; ˗ множество неопасных участков 0D , состоящее из всех участков местности, для которых 0 0 m md D t   þ . Таким образом, предложенный метод диагностики позволяет не только опреде- лить общий класс сложившейся ситуации, но и классифицировать участки местности по степени опасности. Это дает возмож- ность визуализировать текущую ситуацию в виде соответствующих слоев геоинфор- мационной системы, представляющих участки местности, относящиеся к мно- жествам 4D , 3D , 2D , 1D или 0D , как по- казано на рис. 3. α1 α2 О 0D ijd 4D 3D 2D 1D Рис. 3. Проекция участков с разными уровнями опасности Особенность предложенного гибрид- ного метода интеллектуальной диагности- ки ситуации состоит в том, что, когда база прецедентов становится слишком боль- шой, некоторая ее часть может быть транс- формирована в форму правил, что позволя- ет значительно уменьшить объем базы прецедентов. Для этого используется под- ход, согласно которому прецедентами яв- ляются точки в Декартовом пространстве симптомов, тогда как их окрестности пред- ставляют собой набор исключений и огра- ничений, которые представлены как прави- ла в базе правил. Выводы В статье предложен гибридный интел- лектуальный метод диагностики ситуации. Этот метод позволяет идентифицировать проблему с использованием диагностичес- ких критериев, получаемых в ходе монито- ринга, и классифицировать ситуацию для соответствующего реагирования на нее. Метод является гибридным, так как он позволяет находить решение с исполь- зованием прецедентного подхода, но поз- воляет производить дискриминацию с по- мощью подхода, основанного на правилах. Предложенный алгоритм, состоящий из четырех шагов, позволяет находить класс наиболее возможных из наиболее опасных ситуаций с помощью диагностики текущей ситуации с использованием диаг- ностических критериев. References 1. Zharikova, M., Sherstjuk, V. (2016) Threat assessment method for intelligent disaster decision support system. Advances in Int. Systems and Computing, vol. 512, pp. 81–99. 2. Balakrishnan, K., Honavar, V. (1998) Intelligent Diagnosis Systems. Journal of Intelligent Systmes, Vol. 8. No. 3. pp. 237-290. 3. Kocka, T., Zhang, N.L. (2003) Effective Dimensions of Partially Observed Polytrees. Proceedings of The European Conference on Symbolic and Quantitative Approaches to Reasoning with Uncertainty, pp. 311-322. 4. Lucas, P.J.F. (2001) Bayesian model-based diagnosis. International. Journal of Approximate Reasoning, No. 27, pp. 99–119. 5. Rissino, S. (2009) Rough Set Theory–Fundamental Concepts, Principals, Data Extraction, and Applications. Data Mining and Knowledge Discovery in Real Life Applications, J. Ponce and A. Karahoca (Eds.), InTech Publishers. pp. 35-58. ISSN 1561-5359. Штучний інтелект, 2018, № 3 50 © В.Г. Шерстюк, М.В. Жарикова 6. Thompson, M.P. (2011) Integrated national-scale assessment of wildfire risk to human and ecological values. Stoch. Environ. Res. Risk. Assess. № 25. pp. 761-780. 7. Amarosicz, M., Psiuk, K., Rogala, T., Rzydzik, S. (2016) Diagnostic Shell Expert Systems. Diagnostica, Vol. 17, No. 1. pp. 33–40. 8. Tan, C.F., Wahidin, L.S., Khalil, S.N., Tamaldin, N., Hu, J., Rauterberg, G.W.M. (2016) The Application of Expert System: a Review of Research and Applications. ARPN Journal of Engineering and Applied Sciences, Vol. 11, No. 4. pp. 2448–2453. 9. Martinez, J. (2009) Human-caused wildfire risk rating for prevention planning in Spain. Journal of Environmental Management. № 90. pp. 1241-1252. 10. Martinez, M.V. (2017) Knowledge Engineering for Intelligent Decision Support. Proceeding of the Twenty-Sixth International Joint Conference on Artificial Intelligence (IJCAI-17). Montreal, pp. 5131–5135. 11. Rieck, C.Z., Wu, X.W., Jiang, J.C., Zhu, A.X. (2016) Case-based knowledge formalization and reasoning method for digital terrain analysis – application to extracting drainage networks. Hydrol. Earth Syst. Sci., No. 20. pp. 3379–3392. 12. Rieck, K., Trinius, P., Willems, C., Holz, T. (2011) Automatic analysis of malware behavior using machine learning. Journal of Computer Security, No, 19(4). pp. 639–668. 13. Goldberg, Y.A. (2016) Primer on Neural Network Models for Natural Language Processing. Journal of Artificial Intelligence Research. No. 57. pp. 345–420. 14. Gong, Y., Li, J., Zhou, Y., Li, Y., Chung, H.S., Shi, Y., Zhang, J. (2016) Genetic Learning Particle Swarm Optimization. IEEE Transactions On Cybernetics, vol. 46, No. 10. pp. 2277–2290. 15. Hoffman, R. (2015) Origins of situation awareness: Cautionary tales from the history of concepts of attention. Journal of Cognitive Engineering and Decision Making, Vol. 9(1). pp. 73–83. 16. Fogel, D.В., Fogel, L.J., Porto, V.W. (1990) Evolving neural networks. Biological Cybernetics, Vol. 63, pp. 487-193. RESUME V.G. Sherstyuk, M.V. Zharikova Hybrid method of intellectual diagnosis of destructive processes The method of automatic diagnosis for identification of the current situation in deci- sion support system used in disaster manage- ment based on unmanned aerial vehicles, remote sensing, and image processing is proposed in the paper. The method allows identifying the problem using the criteria obtained through monitoring, and classifying the situation for further respond. The method is hybrid as it enables to find a solution using case-based approach but perform discrimina- tion using rule-based approach. An algorithm that allows determining the class of the most possible of the most dangerous situations by means of diagnosing the current situation using the criteria is proposed in the paper. The well-known classes of possible situations are stored in the case base, which describes the diagnostic knowledge. The case structure includes a description of the current situation and the corresponding vector of the criteria. The rule base contains a set of time limits for determining the classes of the similar situations and classifying the current situation with respect to its time charac- teristics as normal, critical, dangerous one, etc. The proposed diagnostic method allows not only to determine the class of the situation but also to classify the areas of terrain by danger level. It enables to visualize the cur- rent situation in the form of appropriate layers of geoinformation system representing the areas with critical, high, middle, low levels of danger. The peculiarity of the proposed hybrid method of intelligent diagnosis of the situ- ation is that in case of overflow of case base, some its part can be transformed into a form of rules, which allows to reduce the volume of the case base significantly. To this end, the approach where the cases are the points in Cartesian space of symptoms, while their neighborhoods are the sets of exceptions and constraints represented as rules in the rule base, is used. The combination of the diagnostic method with the methods of remote sensing and approximate model of disaster behavior provides required credibility and efficiency of disaster prediction and response. Надійшла до редакції 16.10.2018

Гибридный метод интеллектуальной диагностики процессов разрушительного характера

Репозитарії

Схожі ресурси