Найти

Результаты поиска

• АНАЛИЗ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, ПРИМЕНЯЕМЫХ ДЛЯ РЕШЕНИЯ ЗАДАЧ ПСИХИАТРИИ

  Е. С. Подоплелова

  2022-05-26

  Аннотация ▼

  Использование методов искусственного интеллекта в области медицины получило
  широкое распространение, помогая диагностировать, анализировать и давать рекоменда-
  ции по лечению. Психиатрия – это область медицины, изучающая психические расстрой-
  ства, методы их диагностики и лечения. В спектр ее задач входит не только диагностика
  и лечение, но также наблюдение, мониторинг и последующая реабилитация пациентов.
  Эта предметная область имеет существенные проблемы, такие как объективность, про-
  тиворечивость диагноза, сложность классификации болезней, непредсказуемость течения
  заболевания. С рядом этих проблем помогает справиться использование методов машин-
  ного обучения и алгоритмы искусственного интеллекта. Данная работа посвящена обзору
  исследований методов искусственного интеллекта, применяемых для решения задач в об-
  ласти психиатрии. Актуальность темы обусловлена высокой потребностью данной пред-
  метной области в улучшениях. Конкретные проблемы представлены в данной статье.
  Среди них были выделены основные направления: деидентификация данных, классификация
  тяжести симптомов, точность прогнозирования состояния. Для их решения авторами
  были применены такие методы как латентный семантический анализ для обработки ес-
  тественного языка, методы классификации, сверточные нейронные сети для прогнозиро-
  вания, когнитивное моделирование. Отдельно отмечена эффективность гибридных сис-
  тем, включающих реализацию сразу нескольких метолов машинного обучения. Целью ис-
  следования было выделить основные направления развития исследований научного сообще-
  ства, которые демонстрируют успешную интеграцию искусственного интеллекта в пси-
  хиатрию, а также сравнение их между собой по полученным оценкам точности моделей.
  Что, в свою очередь, подразумевает разбор и анализ конкретных алгоритмов, их произво-
  дительность для конкретных задач.

• ПОСТРОЕНИЕ ТРАЕКТОРИИ ОПТИМАЛЬНОГО УПРАВЛЕНИЯ В ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЕ ПРИ ОТСУТСТВИИ НАБЛЮДАЕМЫХ ПЕРЕМЕННЫХ

  А.Н. Целых , В. С. Васильев , Л.А. Целых , Е.С. Подоплелова

  224-233

  2025-07-24

  Аннотация ▼

  Построение оптимального управления при полном отсутствии данных о динамике системы является актуальной проблемой. В данной статье предлагается решение линейной квадратичной задачи (ЛК) с конечным горизонтом для инвариантной ко времени системы с матрицей динамики графа.  В отличие от задачи регулирования, устойчивость и полная управляемость системы не предполагаются. Построение траектории управления контролируется направлением нарастания изменения состояния переменных за малое число шагов, которое определяется условным главным собственным вектором матрицы смежности графовой модели. Решение классического оптимального управления осуществляется в автономном режиме и требует полного знания динамики системы. В условиях отсутствия полного знания динамики системы решение задач оптимального управления системами с неопределенностью, в том числе дискретными линейными системами, вызывают значительный интерес в последние годы. Основным подходом, когда полная информация о системе недоступна, является дизайн оптимального управления, при котором первоначально определяются параметры системы, а затем решается алгебраическое уравнение в двойственном пространстве. Важным отличием от стандартной задачи дискретного управления является то, что модель управления была модифицирована для оценки изменений состояния переменных при управлениях, передаваемых через матрицу динамики. Предложенный алгоритм с использованием графовой матрицы реализует рекуррентные вычисления динамических и сопряженных уравнений, а также метод Пауэлла для решения системы линейных алгебраических уравнений (СЛАУ). Авторами введена новая интерпретация математической конструкции матрицы динамики системы в стандартной задаче дискретного управления на конечном интервале времени, которая может быть использована для проектирования любой управляемой динамической системы с ненаблюдаемыми параметрами.

• ПРОГНОЗИРОВАНИЕ ОТКАЗОВ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ФАКТОРНОГО АНАЛИЗА

  Е.С. Подоплелова

  213-223

  2025-07-24

  Аннотация ▼

  Рассматривается применение метода оценки рисков, основанного на объединении методологии FMEA (failure mode and effect analysis) – анализ рисков и последствий отказа и методов многокритериального принятия решений MCDM (Multiple Criteria Decision Making). Такой подход позволяет учитывать как экспертные знания, так и исторические данные о работе оборудования. Методы MCDM обрабатывают оценку более гибко в сравнении со стандартным способом расчета приоритетного числа риска (ПЧР), что помогает качественнее оценить риски по трем критериям: вероятность возникновения, сложность обнаружения и тяжесть последствий. Один из критериев возможно получить не только через оценку экспертом, но и на основе данных, фиксирующих работу оборудования. На примере синтетических данных из открытого доступа о режимах работы производственного оборудования был опробован данный подход. Задача заключалась в прогнозировании как самого отказа, так и его вида, а также выявлении факторов, сильнее всех оказывающих влияние на отказ.  Для этого проводилась предобработка данных, в ходе которой потребовалось устранить дисбаланс классов. Существует несколько подходов к решению этой проблемы, направленные на сокращение преобладающего класса, либо генерацию экземпляров слабо представленных классов. В этом примере использовалось сокращение количества записей не имеющих ошибок случайным образом. Далее, в качестве алгоритмов классификации сравнивались AdaBoost, Random Forest и LinearSVC. Так как требовалась многоклассовая классификация, было решено использовать стратегию «one-vs-the-rest» (один против всех). В итоге удалось добиться точности прогнозирования по F-мере в 86% алгоритмами AdaBoost и Random Forest. LinearSVC оказался неэффективным. Таким образом, полученная модель прогнозирования распознает разные виды ошибок, но существует перспектива к улучшению, для чего требуется более объемная выборка, включающая больше примеров с разными видами отказа. Исходя из этого, такой подход как альтернатива экспертной оценки является перспективным, улучшая объективность, а также давая возможность предвидеть риски и не допустить реального отказа или инцидента, связанного с риском.

• МОДИФИКАЦИЯ МЕТОДА FMEA ПРИ ПОМОЩИ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ

  Е.С. Подоплелова , И.И. Князев

  2024-01-05

  Аннотация ▼

  Оценка рисков – важная задача в любых сферах, начиная от производства, заканчи-
  вая медициной. Риски сопровождают проект, продукт или процесс на всей жизнедеятель-
  ности, с момента планирования до его полного прекращения. На каждом из них существу-
  ют свои подходы. К ним относится FMEA (Failure Mode and Effects Analysis) - анализ видов
  и последствий отказов. Предлагаемая модель основана на методе FMEA, базирующемся на
  оценке рисков по трем критериям: тяжесть последствий при реализации угрозы и слож-
  ность идентификации отказа, вероятность возникновения. Первые два критерия основаны
  на экспертной оценке, полученной в соответствии с методами искусственного интеллек-
  та. Авторами предложена модификация третьего критерия. В своей работе мы заменили
  экспертную оценку критерия «вероятность возникновения» моделью машинного обучения,
  способной спрогнозировать этот показатель на основе статистических данных. Провели
  первый этап исследования поставленной задачи на открытом датасете NASA о рабочих
  циклах двигателей до их отказа. Изначально, ставится задача прогнозирования оставше-
  гося количества циклов до отказа, затем мы произвели переход к задаче классификации,
  определяя, входит ли в зону риска оборудование, в зависимости от его потенциального
  остатка ресурса. Наилучший результат дал метод опорных векторов (SVM), точность
  классификации которого 80%. Целью работы является создание модели оценки рисков на
  основе методики FMEA, позволяющей повысить качество оценки, сократить субъектив-
  ность в принятии решений, делая прогноз на основе исторических данных, а не только
  субъективном опыте эксперта.

• АНАЛИЗ МЕТОДОВ МНОГОКРИТЕРИАЛЬНОГО ПРИНЯТИЯ РЕШЕНИЙ НА ПРИМЕРЕ ЗАДАЧИ РАНЖИРОВАНИЯ

  Е.С. Подоплелова

  2023-08-14

  Аннотация ▼

  Данная работа посвящена отбору и сравнению популярных традиционных методов
  многокритериального принятия решений. В статье представляется обзор существующих
  работ последних лет на тему их сравнения, выделены основные критерии, а также наибо-
  лее значимые результаты. Далее, был рассмотрен пример реализации СППР (системы
  поддержки принятия решений) по рекомендации такого метода пользователю, который
  включает описание не только основных методов, но и их модификаций, выделяя исчерпы-
  вающую таксономию методов многокритериального анализа в целом. Для отбора методов
  в этой статье были использованы международные базы научных публикаций: Science
  Direct, Google Scholar и IEEE Xplore. Были произведены определенные настройки поиска для
  получения работ, соответствующих запросу. На следующем этапе описывается задача
  ранжирования альтернатив для демонстрации результатов применения выбранных мето-
  дов. В качестве метода распределения весов критериев использовался метод анализа ие-
  рархий (МАИ). Результаты вычислений представлены в таблицах и графически. Метрикой
  оценки было принято считать устойчивость метода к количеству альтернатив и крите-
  риев, а также чувствительность к весам критериев. На текущем шаге исследования были
  отобраны следующие методы: TOPSIS, WASPAS, VIKOR, PROMETHEE и ELE TRE. В ре-
  зультате исследования были определены оптимальные методы (по соотношению вычис-
  лительной сложности к устойчивости) для их дальнейшего использования в разработке
  СППР, метод ELECTRE было принято использовать как дополнительный инструмент при
  большом количестве альтернатив для отсеивания наименее привлекательных.
  PROMETHEE показал высокую чувствительности к изменению весов и сложности вычис-
  лений, потому был исключен из дальнейших этапов разработки. VIKOR и TOPSIS показали
  наилучшую устойчивость при простоте вычислений.