Программно-аппаратный модуль поддержки принятия решений о наличии качественных аномальных изменений в выборочных данных на базе информационных метрик

Ю.Е. Шишкин1, А.В. Скатков2 

1Институт природно-технических систем, РФ, г. Севастополь, ул. Ленина, 28

2Севастопольский государственный университет,

РФ, г. Севастополь, ул. Университетская, 33

Email: iurii.e.shishkin@gmail.com

DOI: 10.33075/2220-5861-2021-2-142-151

УДК 681.3

Реферат:

   Ключевая задача развития общества состоит в обеспечении рационального природопользования и связанного с этим непрерывного контроля состояния природно-технических систем. В связи с обострением проблем обеспечения оперативного контроля объектов критической инфраструктуры, задач эпидемиологической и природоохранной тематики, решение вопросов разработки новых удовлетворяющих современным требованиям научной и практической деятельности информационных технологий и реализующих их программно-аппаратных модулей поддержки принятия решений о наличии качественных аномальных изменений в данных мониторинга с целью обеспечения информационной и метрологической надежности систем контроля становится критически важными для жизнеобеспечения населения.

   Предложена информационная технология и реализующий ее программно-аппаратный модуль поддержки принятия решений о наличии качественных аномальных изменений в выборочных данных, которые являются предикторами значимых изменений внутреннего состояния мониторируемых объектов, природно-технических систем или средств контроля. Представлена методика выбора параметрических критериев различия данных мониторинга, использующих численные меры информационной энтропии Шеннона и дивергенции Кульбака-Лейблера. Использование разработанной и продемонстрированной на практике методики позволяет достичь повышения точности, сходимости и воспроизводимости измерений за счет применения численного статистического моделирования для получения численной оценки границ уверенного распознавания качественного аномального изменения формы и сдвига выборочного распределения данных мониторинга в том числе на выборках малого объема.

Ключевые слова: статистическая кластеризация, интеллектуальный анализ данных, машинное
обучение, метрологическая надежность, выявление аномалий, численное моделирование.

Для цитирования: Шишкин Ю.Е., Скатков А.В. Программно-аппаратный модуль поддержки принятия решений о наличии качественных аномальных изменений в выборочных данных на базе информационных метрик // Системы контроля окружающей среды. 2021. Вып. 2 (44). C. 142–151.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Мониторинг антропогенных воздействий на прибрежные акватории Черного моря по многоспектральным космическим изображениям / В.Г. Бондур, В.Е. Воробьев, В.В. Замшин [и др.]. // Исследование Земли из космоса. 2017. № 6. С. 3–22.
  2. Губанов В.И., Стельмах Л.В., Клименко Н.П. Комплексные оценки качества вод севастопольского взморья (Черное море) // Экология моря. 2002. Т. 62. С. 76–80.
  3. Dunbabin M., Marques L. Robots for Environmental Monitoring Significant Advancements and Applications//IEEE Robot. Automat. Mag. 2012. No19(1). P.24–39. doi: 10.1109/mra.2011.2181683
  4. Шишкин Ю.Е., Скатков А.В. Информационные технологии обнаружения аномалий в мониторинговых наблюдениях: монография. Симферополь: ИТ «АРИАЛ», 2019. 368 с.
  5. Design of embedded software for insitu monitoring system of marine radioactivity based on a buoy / B. Wu; Y. Zhang; D. Yuan // 2019 Chinese Control Monitoring systems of environment No 2 (44) 2021150 Conference (CCC). 2019. doi:10.23919/chicc.2019.8866680
  6. Шишкин Ю.Е., Скатков А.В. Интеллектуальная система адаптивного выбора сценариев параметрического обнаружения дивергенций данных мониторинга // Системы контроля окружающей среды. 2019. № 2 (36). С. 37–42. DOI: 10.33075/2220-5861-2019-2-37-42
  7. Ковалев С.М. Методы многошагового предсказания аномалий в темпоральных данных // Известия ЮФУ. Технические науки. 2013. № 7 (144). С. 85–91.
  8. Прикладной анализ случайных процессов / А.В. Графкин, В.В. Графкин, О.А. Дегтярева [и др.] / под ред. С.А. Прохорова. Самара. 2007. 582 с.
  9. Шайтура С.В. Интеллектуальный анализ геоданных // Перспективы науки и  образования. 2015. № 6 (18). С. 24–30.
  10. Королюк В.С. О расхождении эмпирических распределений для случая двух независимых выборок // Изв. АН СССР. Серия математика. 1955. № 19 (1). С. 81–96.
  11. Болгов М.В. Современное состояние теории корреляции для гидрологических расчетов и стохастического моделирования // Водное хозяйство России: проблемы, технологии, управление. 2012. № 4. С. 7–20.
  12. Шишкин Ю.Е., Греков А.Н. Статистические методы кластеризации изображений гидробионтов // Системы контроля окружающей среды. 2020. № 1 (39). С. 153–159. DOI:10.33075/2220-5861-2020-1-153-159
  13. Кульбак С. Теория информации и статистика. М.: Наука, 1967. 408 с.
  14. Hurvich C.M., Tsai C.L. Regression and time series model selection in small samples // Biometrika. 1989. № 76 (2). P. 297–307. DOI: 10.1093/biomet/76.2.297

Loading