Представление и отбор ситуаций на сложном технологическом объекте в условиях неопределенности
Автор: Глухих Игорь Николаевич, Глухих Дмитрий Игоревич, Карякин Юрий Евгеньевич
Рубрика: Управление сложными системами
Статья в выпуске: 2, 2021 года.
Бесплатный доступ
Рассмотрена реализация метода вывода на прецедентах (case-based reasoning) в системах поддержки принятия решений при управлении сложным технологическим объектом. Предложена формализация ситуаций для такого объекта, модели сравнения и отбора ситуаций в базе знаний, разработана нейросетевая архитектура для сравнения и отбора ситуаций. Установлено, что данные модели и нейросетевая архитектура позволяют реализовать вывод на прецедентах с использованием нейросетей и, таким образом, являются вкладом в решение научной проблемы интеграции машинного обучения и метода case-based reasoning.
Интеллектуальные системы поддержки принятия решений, вывод на основе прецедентов, нейросетевая архитектура, сложный технологический объект
Короткий адрес: https://sciup.org/148321560
IDR: 148321560 | DOI: 10.25586/RNU.V9187.21.02.P.065
Список литературы Представление и отбор ситуаций на сложном технологическом объекте в условиях неопределенности
- Башлыков А. А. Применение методов теории прецедентов в системах поддержки принятия решений при управлении трубопроводными системами // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2016. № 1. С. 23-32.
- Гридина Н.В., Евдокимов И. А., Солодовников В.И. Построение гибридных нейронных сетей с использованием элементов нечеткой логики // Искусственный интеллект и принятие решений. 2019. № 2. С. 91-97.
- Abdelwahed M.F., Mohamed A.E., Saleh M. A. Solving the Motion Planning Problem Using Learning Experience Through Case-Based Reasoning and Machine Learning Algorithms // Ain Shams Engineering Journal, 2020, no. 11, pp. 133-142.
- Eremeev A.P., Varshavskiy P.R., Alekhin R.V. Case-Based Reasoning Module for Intelligent Decision Support Systems // Proceedings of the First International Scientific Conference "Intelligent Information Technologies for Industry" (IITI'16). Vol. 1. Part III. Springer International Publishing, 2016. Pp. 207-216.
- Eremeev A.P., Varshavskij P.R., Kurilenko I.E. Modeling Time Dependencies in Intelligent Decision Support Systems Based on Precedents // Information Technologies & Knowledge. 2012. Vol. 3, no. 6. Pp. 227-239.
- Glukhikh I.N., Glukhikh D.I. Case Based Reasoning for Managing Urban Infrastructure Complex Technological Objects // CEUR Workshop Proceedings. 2021. Vol. 2843, no. 038. Pp. 1-10.
- Kenny E.M., Keane M.T. Twin-Systems to Explain Artificial Neural Networks Using CaseBased Reasoning: Comparative Tests of Feature-Weighting Methods in ANN-CBR Twins for XAI // Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence (IJCAI-19). 2019. Pp. 2708-2715.
- Mathisen B.M., Bach K., Aamodt A. Using Extended Siamese Networks to Provide Decision Support in Aquaculture Operations // Applied Intelligence. 2021. Pp. 1-12. DOI: 10.1007/s10489-021-02251-3
- Richter M.M., Weber R.O. Case-Based Reasoning. Verlag Berlin Heidelberg - Springer, 2013. 546 p. DOI: 10.1007/978-3-642-40167-1
- Sucholutsky I., Schonlau M. "Less Than One"-Shot Learning: Learning N Classes From M arXiv. 2009.08449 [cs.LG] [Digital Resource]. URL: https:// href='contents.asp?titleid=842' title='Physica A: Statistical Mechanics and its Applications'>arXiv.org/pdf/2009.08449.pdf (date of the application: 24.05.2021).
