Повышение достоверности оценок рисков в процессах мониторинга при распределениях общего вида

Ю.Е. Шишкин1,2,  А.В. Скатков1

1 ФГАОУ ВО «Севастопольский государственный университет», РФ, г. Севастополь, ул. Университетская, 33

2 Институт природно-технических систем, РФ, г. Севастополь, ул. Ленина, 28

E-mail: iurii.e.shishkin@gmail.com

DOI: 10.33075/2220-5861-2019-1-41-47

УДК 004.9

Реферат:

   В статье выполнен анализ влияния выбора пороговых значений стратегии принятия решений на риски возникновения ошибок первого и второго рода при выявлении аномалий, вызванных сдвигом наблюдения и повышением дисперсионности. Рассматриваются процессы мониторинга параметров объектов и процессов окружающей среды, которые на практике описываются распределениями общего вида. В ходе целенаправленного эксперимента, на моделирующем стенде, рассмотрены аномалии двух классов: сдвиг наблюдения и повышение дисперсионности, выполнена оценка чувствительности статистического детектирующего метода. Предложенный подход позволяет определить насколько изменится достоверность функции определения аномалий в случае изменения закона распределения входного параметра с нормального на распределение общего вида, в частности рассматриваются экспоненциальное, Вейбулла и гамма распределения.

   Разработана математическая модель и произведены численные эксперименты, позволяющие осуществлять учет ошибок первого и второго рода, при различных значениях параметров сдвига и дисперсионности. Применение разработанной модели позволяет получать уточненные оценки доверительного интервала для различных законов распределения что повышает достоверность решающей системы при обнаружении аномальностей, таким образом достигается значительное повышение качества принятия решений за счет принятия мер по компенсации этих ошибок, вследствие чего надежность принятия решений увеличивается.

  Сформулированы практические рекомендации по выбору пороговых значений системы поддержки принятия решений по выявлению аномалий, учитывающие закон распределения наблюдаемой случайной величины.

Ключевые слова: мониторинг, математическое моделирование, детектирование аномалий, кластеризация, критические системы, интеллектуальный анализ данных, распределение общего вида.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Anomalies of the upper water column in the Mediterranean Sea / I. Rivetti, F. Boero, S. Fraschetti [et al.] // Global and Planetary Change. 2017. Vol. 151. P. 68–79. DOI: 10.1016/j.gloplacha.2016.03.001
  2. Шишкин Ю.Е., Скатков А.В. Метод распознавания в интерактивном режиме аномалий градиентов скалярных полей наблюдений // Системы контроля окружающей среды. 2018. № 12 (32). С. 30–37.
  3. Лепихин А.П., Возняк А.А. Статистические функции распределения гидрохимических показателей качества воды поверхностных водных объектов // Водное хозяйство России: проблемы, технологии, управление. 2012. № 4. С. 21–32.
  4. Zinchenko V., Falko V. Mathematical model and solution method elaboration for the task of ecological risk predictive assessment // Екологічна безпека. 2013. № 2 (16). С. 36–39.
  5. Скатков А.В., Шишкин Ю.Е. Модель обнаружения аномалий в наблюдениях параметров полей окружающей среды с использованием систем мониторинга // Системы контроля окружающей среды. 2017. № 10 (30). С. 48–53.
  6. A PDCA-based approach to Environmental Value Stream Mapping (E-VSM) / J.A. Garza-Reyes, J.T. Romero, K. Govindan [et al.] // Journal of Cleaner Production. 2018. Vol. 180. P. 335–348. DOI: 10.1016/j.jclepro.2018.01.121.
  7. Шишкин Ю.Е., Скатков А.В. Акторная модель мониторинга с использованием мобильных облачных микросервисов // Системы контроля окружающей среды. 2018. № 14 (34). С. 56–62. DOI: 10.33075/2220-5861-2018-4-56-62.
  8. Шишкин Ю.Е., Греков А.Н. Концепция интеллектуальной системы автоматизированного экологического мониторинга севастопольской бухты на базе малогабаритных автономных роботов // Системы контроля окружающей среды. 2018. № 14 (34). С. 63–69. DOI: 10.33075/2220-5861-2018-4-63–69.
  9. Vychuzhanin P., Hvatov A., Kalyuzhnaya A.V. Anomalies Detection in Metocean Simulation Results Using Convolutional Neural Networks // Procedia Computer Science. 2018. Vol. 136. P. 321–330. DOI: 10.1016/j.procs.2018.08.282
  10. Comparison of atmospheric particle concentration measurements using different optical detectors: Potentiality and limits for air quality applications / A. Dinoi, A.Donateo, F.Belosi [et al.] // Measurement. 2017. Vol. 106. P. 274–282. DOI: 10.1016/j.measurement.2016.02.019
  11. Брюховецкий А.А., Скатков А.В., Шишкин Ю.Е. Моделирование процессов обнаружения аномалий в сложноструктурированных данных мониторинга // Системы контроля окружающей среды. 2017. № 9 (29). С. 45–49.
  12. Харман Г. Современный факторный анализ. М.: Статистика. 1972. 489 с.
  13. Семенов В.А. Теория вероятностей и математическая статистика: Учебное пособие. Стандарт третьего поколения. СПб.: Питер. 2013. 192 с.
  14. Shishkin Y.E. Big Data visualization in decision making // Science in Progress: тез. Всерос. науч.-практ. конф. магистрантов и аспирантов. Новосибирск, 20 октября 2016 г. Новосибирск: НГТУ, 2016. C. 203–205.

Loading