Методы управления информационными системами на основе регуляризирующего байесовского подхода

Л.С. Звягин

doi:10.18127/j19997493-202605-02

Методы управления информационными системами на основе регуляризирующего байесовского подхода

научная статья УДК 004.9 Страницы: 9-18 doi.org/10.18127/j19997493-202605-02

¹ Финансовый университет при Правительстве РФ (Москва, Россия)

Ключевые слова: Информационные системы регуляризирующий байесовский подход оперативное управление неопределенность имитационное моделирование системная динамика интегральный риск автоматизированные системы управления

Аннотация

Постановка проблемы. В настоящее время актуальна проблема повышения устойчивости и эффективности управления в сложных информационных системах в условиях неопределенности внешней среды. Исследование направлено на решение проблемы недостаточной устойчивости традиционных стохастических параметров, которые оказываются неэффективными при наличии зашумленных измерений и неточной информации.

Цель. Предложить и математически описать комплексную модель управления, основанную на регуляризирующем байесовском подходе. В работе использовались методы системного анализа, теории оптимального управления, математической статистики и имитационного моделирования.

Результаты. Проведено исследование динамических характеристик автоматизированных систем управления и выполнено прогнозирование интегральных рисков с применением байесовской регрессии. Подтверждено, что применение регуляризирующего байесовского подхода может снизить интегральный риск управления на 78,1% и улучшить точность достижения целевых показателей на 22,5%. Представлена оригинальная интерпретация параметра регуляризации как инструмента адаптации системы к структурным ограничениям и помехам в информационном потоке.

Практическая значимость. Предложенная модель обладает преимуществом для оперативного управления высокотехнологичными производствами, поскольку в них особую важность имеет стабильность алгоритмов принятия решений.

Поступила: 02.09.2026
Одобрена: 08.09.2026
Принята: 01.10.2026

Для цитирования

Звягин Л.С. Методы управления информационными системами на основе регуляризирующего байесовского подхода // Динамика сложных систем - XXI век. 2026. Т. 20. № 5. С. 9−18. DOI: https://doi.org/10.18127/j19997493-202605-02

Список источников

Awan S.E., Raja M.A.Z., Awais M., Shu C.M. Intelligent Bayesian regularization networks for bio-convective nanofluid flow model inVolving gyro-tactic organisms with viscous dissipation, stratification and heat immersion // Engineering Applications of Computational Fluid Mechanics. 2021. V. 15. № 1. P. 1508–1530.
Boyeau P., Regier J., Gayoso A., Jordan M.I., Lopez R., Yosef N. An empirical Bayes method for differential expression analysis of single cells with deep generative models // Proceedings of the National Academy of Sciences. 2023. V. 120. № 21. P. e2209124120.
Cheng L., Yin F., Theodoridis S., Chatzis S., Chang T.H. Rethinking Bayesian learning for data analysis: The art of prior and inference in sparsity-aware modeling // IEEE Signal Processing Magazine. 2022. V. 39. № 6. P. 18–52.
Garcia S., Mora-Merchan J.M., Larios D.F., Personal E., Parejo A., Leon C. Phase topology identification in low-Voltage distribution networks: A Bayesian approach // International Journal of Electrical Power & Energy Systems. 2023. V. 144. P. 108525.
Hon C.K., Sun C., Xia B., Jimmieson N.L., Way K.A., Wu P.P.Y. Applications of Bayesian approaches in construction management research: a systematic review // Engineering, Construction and Architectural Management. 2022. V. 29. № 5. P. 2153–2182.
Karkaria V., Goeckner A., Zha R., Chen J., Zhang J., Zhu Q., Chen W. Towards a digital twin framework in additive manufacturing: Machine learning and bayesian optimization for time series process optimization // Journal of Manufacturing Systems. 2024. V. 75. P. 322–332.
Kiani A.K., Khan W.U., Raja M.A.Z., He Y., Sabir Z., Shoaib M. Intelligent backpropagation networks with bayesian regularization for mathematical models of environmental economic systems // Sustainability. 2021. V. 13. № 17. P. 9537.
Kong Y., Zhang X., Mahadevan S. Bayesian deep learning for aircraft hard landing safety assessment // IEEE Transactions on Intelligent Transportation Systems. 2022. V. 23. № 10. P. 17062–17076.
Kumar S.N.P. Machine Learning Regression Techniques for Modeling Complex Industrial Systems: A Comprehensive Summary // International Journal of Humanities and Information Technology. 2022. V. 4. № 01-03. P. 67–79.
Liu R.L., Hua Y., Zhou Z.F., Li Y., Wu W.T., Aubry N. Prediction and optimization of airfoil aerodynamic performance using deep neural network coupled Bayesian method // Physics of Fluids. 2022. V. 34. № 11. P. 114104.
Mohammad-Djafari A. Regularization, Bayesian inference, and machine learning methods for inverse problems // Entropy. 2021. V. 23. № 12. P. 1673.
Shi X., Kang Q., An J., Zhou M. Novel L1 regularized extreme learning machine for soft-sensing of an industrial process // IEEE Transactions on Industrial Informatics. 2021. V. 18. № 2. P. 1009–1017.
Sindhu T.N., Colak A.B., Lone S.A., Shafiq A. Reliability study of generalized exponential distribution based on inverse power law using artificial neural network with Bayesian regularization // Quality and Reliability Engineering International. 2023. V. 39. № 6. P. 2398–2421.
Wu D., Huang H., Qiu S., Liu Y., Wu Y., Ren Y., Mou J. Application of Bayesian regularization back propagation neural network in sensorless measurement of pump operational state // Energy Reports. 2022. V. 8. P. 3041–3050.
Zeng L., Ge Z. Bayesian network for dynamic variable structure learning and transfer modeling of probabilistic soft sensor // Journal of Process Control. 2021. V. 100. P. 20–29.

[1] Awan S.E., Raja M.A.Z., Awais M., Shu C.M. Intelligent Bayesian regularization networks for bio-convective nanofluid flow model inVolving gyro-tactic organisms with viscous dissipation, stratification and heat immersion // Engineering Applications of Computational Fluid Mechanics. 2021. V. 15. № 1. P. 1508–1530.

[2] Boyeau P., Regier J., Gayoso A., Jordan M.I., Lopez R., Yosef N. An empirical Bayes method for differential expression analysis of single cells with deep generative models // Proceedings of the National Academy of Sciences. 2023. V. 120. № 21. P. e2209124120.

[3] Cheng L., Yin F., Theodoridis S., Chatzis S., Chang T.H. Rethinking Bayesian learning for data analysis: The art of prior and inference in sparsity-aware modeling // IEEE Signal Processing Magazine. 2022. V. 39. № 6. P. 18–52.

[4] Garcia S., Mora-Merchan J.M., Larios D.F., Personal E., Parejo A., Leon C. Phase topology identification in low-Voltage distribution networks: A Bayesian approach // International Journal of Electrical Power & Energy Systems. 2023. V. 144. P. 108525.

[5] Hon C.K., Sun C., Xia B., Jimmieson N.L., Way K.A., Wu P.P.Y. Applications of Bayesian approaches in construction management research: a systematic review // Engineering, Construction and Architectural Management. 2022. V. 29. № 5. P. 2153–2182.

[6] Karkaria V., Goeckner A., Zha R., Chen J., Zhang J., Zhu Q., Chen W. Towards a digital twin framework in additive manufacturing: Machine learning and bayesian optimization for time series process optimization // Journal of Manufacturing Systems. 2024. V. 75. P. 322–332.

[7] Kiani A.K., Khan W.U., Raja M.A.Z., He Y., Sabir Z., Shoaib M. Intelligent backpropagation networks with bayesian regularization for mathematical models of environmental economic systems // Sustainability. 2021. V. 13. № 17. P. 9537.

[8] Kong Y., Zhang X., Mahadevan S. Bayesian deep learning for aircraft hard landing safety assessment // IEEE Transactions on Intelligent Transportation Systems. 2022. V. 23. № 10. P. 17062–17076.

[9] Kumar S.N.P. Machine Learning Regression Techniques for Modeling Complex Industrial Systems: A Comprehensive Summary // International Journal of Humanities and Information Technology. 2022. V. 4. № 01-03. P. 67–79.

[10] Liu R.L., Hua Y., Zhou Z.F., Li Y., Wu W.T., Aubry N. Prediction and optimization of airfoil aerodynamic performance using deep neural network coupled Bayesian method // Physics of Fluids. 2022. V. 34. № 11. P. 114104.

[11] Mohammad-Djafari A. Regularization, Bayesian inference, and machine learning methods for inverse problems // Entropy. 2021. V. 23. № 12. P. 1673.

[12] Shi X., Kang Q., An J., Zhou M. Novel L1 regularized extreme learning machine for soft-sensing of an industrial process // IEEE Transactions on Industrial Informatics. 2021. V. 18. № 2. P. 1009–1017.

[13] Sindhu T.N., Colak A.B., Lone S.A., Shafiq A. Reliability study of generalized exponential distribution based on inverse power law using artificial neural network with Bayesian regularization // Quality and Reliability Engineering International. 2023. V. 39. № 6. P. 2398–2421.

[14] Wu D., Huang H., Qiu S., Liu Y., Wu Y., Ren Y., Mou J. Application of Bayesian regularization back propagation neural network in sensorless measurement of pump operational state // Energy Reports. 2022. V. 8. P. 3041–3050.

[15] Zeng L., Ge Z. Bayesian network for dynamic variable structure learning and transfer modeling of probabilistic soft sensor // Journal of Process Control. 2021. V. 100. P. 20–29.

Аннотация

Для цитирования

Похожие статьи