350 руб
Журнал «Информационно-измерительные и управляющие системы» №11 за 2015 г.
Статья в номере:
Классификация опасных ситуаций в системах поддержки принятия решений при управлении техническими объектами
Ключевые слова: системы поддержки принятия решений классификация опасных ситуаций многорукий бандит с контекстом непараметрическая регрессия Надарайя-Ватсона правило Больцмана
Авторы:
А.В. Савченко - к.т.н., доцент, Национальный исследовательский университет «Высшая школа экономики»; докторант-соискатель, Нижегородский государственный технический университет им. Р.Е. Алексеева. E-mail: avsavchenko@hse.ru В.Р. Милов - д.т.н., профессор, зав. кафедрой, Нижегородский государственный технический университет им. Р.Е. Алексеева. E-mail: vladimir.milov@gmail.com А.А. Севрюков - ассистент, Нижегородский государственный технический университет им. Р.Е. Алексеева. E-mail: ansev@mail.ru Д.В. Милов - аспирант, Нижегородский государственный технический университет им. Р.Е. Алексеева. E-mail: milovdv@mail.ru
Аннотация:
Рассмотрена задача принятия решений по устранению опасных ситуаций, обнаруженных в процессе мониторинга состояния технических объектов. Проанализирована классификация опасных ситуаций, основанные на алгоритмах «многорукого бандита с контекстом» и предсказании ожидаемой результативности действия с помощью непараметрической ядерной регрессии Надарайя-Ватсона. Показано применение случайных стратегий выбора действия, таких как интервальные оценки и имитации отжига. Представлены результаты моделирования для простой байесовской сети генерации значений признаков. Проведено сравнение с идеальным байесовским классификатором, в котором распределение вектора признаков для каждого вида опасной ситуации считается известным. Экспериментально установлено, что наивысшая точность в условиях малых выборок наблюдений достигается с помощью случайной стратегии с исследованием по Больцману.
Страницы: 52-58
Список источников

 

  1. Милов В.Р., Баранов В.Г., Алексеев В.В., Шиберт Р.Л., Егоров Ю.С., Севрюков А.А., Милов Д.В. Поддержка принятия решений при мониторинге технического состояния магистральных газопроводов // Информационно-измерительные и управляющие системы. 2015. Т. 13. № 3. С. 37-42.
  2. Milov V. R., Suslov B. A., Kryukov O. V. Intellectual management decision support in gas industry // Automation and Remote Control. 2011. V. 72. № 5. P. 1095-1101.
  3. Lu T., Pál D., Pál M. Contextual multi-armed bandits // International Conference on Artificial Intelligence and Statistics. 2010. P. 485-492.
  4. Russell S., Norvig P. Artificial intelligence: a modern approach. 3 ed. Pearson. 2009. 1152 p.
  5. Van Hasselt H. Reinforcement learning in continuous state and action spaces, Reinforcement learning. Springer Berlin Heidelberg. 2012.P. 207-251.
  6. Li Q., Racine J. S. Nonparametric econometrics: theory and practice. Princeton University Press. 2007. 746 p.
  7. Specht D. F. A general regression neural network // IEEE Transactions on Neural Networks. 1991. V. 2. № 6. P. 568-576.
  8. Савченко А.В., Милов В.Р. Нейросетевые методы распознавания кусочно-однородных объектов // Нейрокомпьютеры: разработка, применение. 2014. № 11. С. 10-20.
  9. Николенко С. И., Тулупьев А. Л. Самообучающиеся системы. М.: МЦНМО. 2009. 288 с.
  10. Auer P., Cesa-Bianchi N., Fischer P. Finite-time analysis of the multiarmed bandit problem // Machine Learning. 2002. V. 47. P. 235-256.
  11. Aarts E., Korst J. Simulated annealing and Boltzmann machines. Wiley. 1988. 284 p.