Інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ
У статті розглянуто задачу розпізнавання ситуацій великих розмірностей, яка вирішується оперативним черговим оперативно-чергової служби після надходження інформації про виникнення ситуації. Дана задача належить до важкоформалізованих задач, а тому для її розв’язання було застосовано інтелектуальні м...
Saved in:
| Published in: | Штучний інтелект |
|---|---|
| Date: | 2011 |
| Main Author: | |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2011
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/58815 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ / В.Ю. Тітова // Штучний інтелект. — 2011. — № 1. — С. 106-112. — Бібліогр.: 5 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-58815 |
|---|---|
| record_format |
dspace |
| spelling |
Тітова, В.Ю. 2014-03-31T11:27:30Z 2014-03-31T11:27:30Z 2011 Інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ / В.Ю. Тітова // Штучний інтелект. — 2011. — № 1. — С. 106-112. — Бібліогр.: 5 назв. — укр. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/58815 004.832.2 У статті розглянуто задачу розпізнавання ситуацій великих розмірностей, яка вирішується оперативним черговим оперативно-чергової служби після надходження інформації про виникнення ситуації. Дана задача належить до важкоформалізованих задач, а тому для її розв’язання було застосовано інтелектуальні методи, а саме метод прямонапрямленої неповнозв’язної нейромережі. В статье рассмотрена задача распознавания ситуаций больших размерностей, которая решается оперативным дежурным оперативно-дежурной службы после поступления информации о возникновении ситуации. Данная задача относится к трудноформализируемым задачам, а потому для ее решения были использованы интеллектуальные методы, а именно прямонаправленная, неполносвязная нейросеть. The article considers the problem of recognizing situations of large dimensions, which is solved by operational duty of the detective-duty service after receiving information about the occurrence of the situation. This problem relates to the problems, which are difficult to formalize and therefore to solve it intelligent methods have been used, namely artificial neyronet. uk Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Системы и методы искусственного интеллекта Інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ Интеллектуальный метод решения задачи распознавания ситуаций больших размерностей Redictive Method for Solving the Problem of Recognizing Situations of Large Dimensions Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ |
| spellingShingle |
Інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ Тітова, В.Ю. Системы и методы искусственного интеллекта |
| title_short |
Інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ |
| title_full |
Інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ |
| title_fullStr |
Інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ |
| title_full_unstemmed |
Інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ |
| title_sort |
інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ |
| author |
Тітова, В.Ю. |
| author_facet |
Тітова, В.Ю. |
| topic |
Системы и методы искусственного интеллекта |
| topic_facet |
Системы и методы искусственного интеллекта |
| publishDate |
2011 |
| language |
Ukrainian |
| container_title |
Штучний інтелект |
| publisher |
Інститут проблем штучного інтелекту МОН України та НАН України |
| format |
Article |
| title_alt |
Интеллектуальный метод решения задачи распознавания ситуаций больших размерностей Redictive Method for Solving the Problem of Recognizing Situations of Large Dimensions |
| description |
У статті розглянуто задачу розпізнавання ситуацій великих розмірностей, яка вирішується оперативним черговим оперативно-чергової служби після надходження інформації про виникнення ситуації. Дана задача належить до важкоформалізованих задач, а тому для її розв’язання було застосовано інтелектуальні методи, а саме метод прямонапрямленої неповнозв’язної нейромережі.
В статье рассмотрена задача распознавания ситуаций больших размерностей, которая решается оперативным дежурным оперативно-дежурной службы после поступления информации о возникновении ситуации. Данная задача относится к трудноформализируемым задачам, а потому для ее решения были использованы интеллектуальные методы, а именно прямонаправленная, неполносвязная нейросеть.
The article considers the problem of recognizing situations of large dimensions, which is solved by operational duty of the detective-duty service after receiving information about the occurrence of the situation. This problem relates to the problems, which are difficult to formalize and therefore to solve it intelligent methods have been used, namely artificial neyronet.
|
| issn |
1561-5359 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/58815 |
| citation_txt |
Інтелектуальний метод вирішення задачі розпізнавання ситуацій великих розмірностей для оперативно-чергових служб органів внутрішніх справ / В.Ю. Тітова // Штучний інтелект. — 2011. — № 1. — С. 106-112. — Бібліогр.: 5 назв. — укр. |
| work_keys_str_mv |
AT títovavû íntelektualʹniimetodviríšennâzadačírozpíznavannâsituacíivelikihrozmírnosteidlâoperativnočergovihslužborganívvnutríšníhsprav AT títovavû intellektualʹnyimetodrešeniâzadačiraspoznavaniâsituaciibolʹšihrazmernostei AT títovavû redictivemethodforsolvingtheproblemofrecognizingsituationsoflargedimensions |
| first_indexed |
2025-11-26T22:34:05Z |
| last_indexed |
2025-11-26T22:34:05Z |
| _version_ |
1850774988995428352 |
| fulltext |
«Искусственный интеллект» 1’2011 106
1Т
УДК 004.832.2
В.Ю. Тітова
Хмельницький національний університет, м. Хмельницький, Україна
Sobaka2032@rambler.ru
Інтелектуальний метод вирішення задачі
розпізнавання ситуацій великих розмірностей
для оперативно-чергових служб органів
внутрішніх справ
У статті розглянуто задачу розпізнавання ситуацій великих розмірностей, яка вирішується оперативним
черговим оперативно-чергової служби після надходження інформації про виникнення ситуації. Дана
задача належить до важкоформалізованих задач, а тому для її розв’язання було застосовано інтелектуальні
методи, а саме метод прямонапрямленої неповнозв’язної нейромережі.
Вступ
Задачі розпізнавання ситуацій великих розмірностей в системі органів внутріш-
ніх справ притаманні наступні особливості:
– джерелом інформації є людина, а тому вхідні дані можуть бути неточними, по-
милковими, суперечливими та мати суб’єктивний характер;
– наявна велика кількість можливих рішень, що потребує значних затрат часу
для розв’язання задачі шляхом повного перебору усіх наявних варіантів. Крім того,
вхідні дані можуть змінюватись у процесі розв’язання задачі, а при зміні хоча б одно-
го значення необхідно перебирати усі наявні варіанти спочатку;
– вхідні дані важко представити у вигляді числових даних, а тому розв’язання
задачі не може бути зведене до числових розрахунків.
Отже, задачі розпізнавання ситуацій великих розмірностей належать до важко-
формалізованих задач. На сьогоднішній день для вирішення подібних задач у різних
галузях застосовуються штучні нейронні мережі (ШНМ) [1].
Тому для вирішення даної задачі розпізнавання також використаємо нейроме-
режний підхід.
Характеристика предметної області
Оперативна чергова служба (ОЧС) – самостійний структурний підрозділ в сис-
темі управління внутрішніх справ, покликаний здійснювати керівництво і контроль
за діяльністю різних служб і виконувати задачі з охорони громадського порядку і бо-
ротьби зі злочинністю [1].
Основною діючою особою ОЧС, яка приймає повідомлення про виникнення си-
туації, попередньо оцінює ситуацію та приймає рішення для її вирішення, є оператив-
ний черговий (ОЧ).
Рішення, які приймаються ОЧ, повинні бути ретельно продумані й обґрунтова-
ні, тому що вони стосуються людей, їх матеріального, фізичного і духовного стану.
Інтелектуальний метод вирішення задачі розпізнавання ситуацій…
«Штучний інтелект» 1’2011 107
1Т
Робота ОЧ полягає у вирішенні задач [2]:
– обробки первинної інформації та перевірки її на предмет вірогідності, значу-
щості, корисності, визначенні необхідних для подальшої роботи даних;
– розпізнавання ситуації та прийняття на основі наявної інформації деякого на-
бору первинних рішень;
– прогнозування розвитку ситуації та визначення наслідків виконання кожного
з первинних рішень;
– прийняття остаточного рішення на основі аналізу наслідків.
Ситуація з точки зору ОЧ – це обставини, спричинені соціальним, природним,
іншими факторами та/або які порушують чинне кримінальне, адміністративне, інші
законодавства, вирішення яких потребує від нього прийняття певних рішень в контексті
своїх посадових обов’язків.
Задача розпізнавання ситуації та прийняття первинних рішень базується на від-
несенні поточної ситуації до одного з відомих класів та визначенні наступних дій для
вирішення ситуації. Умовами, необхідними для вирішення задачі розпізнавання ситуа-
ції та прийняття первинних рішень, є її статус, тип та місце ситуації. У свою чергу,
статус ситуації залежить від обставин (конкретних подій, осіб, що брали в них участь
або були свідками, кількості свідків, часу, що минув від початку ситуації до надходжен-
ня повідомлення про неї). Кількість свідків може залежати від часу доби, дня, часу ро-
ку, місця ситуації тощо. На рис. 1 зображено схему взаємозв’язків та залежностей між
умовами, що характеризують ситуацію, та її можливими рішеннями.
Рисунок 1 – Схема взаємозв’язків та залежностей між умовами, що характеризують
ситуацію, та її можливими рішеннями
Математична модель задачі розпізнавання ситуації та прийняття первинних рі-
шень являє собою набір умов [3]:
j 1 НАДЗ
j 2 НАДЗ ДПС ГНР/СОГ НЕЗ ППС
j 2 3 НАДЗ ГНР/СОГ НЕЗ ППС ДПС
j 2 4 НАДЗ ДПС НЕЗ ППС ГНР/СОГ
j 2 3 4 НАДЗ Н
r R ,якщо R max
r R ,якщо R , R , R , R min, R max
r R R ,якщо R , R , R min, R , R max
r R R ,якщо R , R , R min, R , R max
r R R R ,якщо R , R
ЕЗ ППС ДПС ГНР/СОГ
j 5 НЕЗ
min, R , R , R max
r R ,якщо R max
(1)
Тітова В.Ю.
«Искусственный интеллект» 1’2011 108
1Т
де 1R – множина рішень про визнання ситуації надзвичайною; 2R – множина рішень
про необхідність залучення загонів патрульно-постової служби (ППС); 3R – множина
рішень про необхідність застосування загонів дорожньо-патрульної служби (ДПС);
4R – множина рішень про необхідність застосування груп негайного реагування або
слідчо-оперативних груп (ГНР/СОГ); 5R – множина рішень про незалучення жодних
зазначених сил та засобів; rj – одне з можливих рішень конкретної ситуації; НАДЗR –
необхідність визнання ситуації надзвичайною; ППСR – необхідність застосування заго-
нів ППС; ДПСR – необхідність застосування загонів ДПС; ГНР/СОГR – необхідність засто-
сування ГНР/СОГ; НЕЗR – необхідність незалучення жодних зазначених сил та засобів.
Її розв’язок знаходять з наближеного набору експертних правил [3].
В системі підтримки прийняття рішень для оперативно-чергових служб (СППР ОЧС)
дана задача вирішувалася підсистемою прийняття первинних рішень, яка базувалася
на штучній нечіткій нейронній мережі [4].
Використання зазначеного методу мало ряд суттєвих переваг [4]:
навчання здійснювалося за допомогою алгоритмів навчання нейромереж, які
мають переваги при обробці недостовірних даних, джерелом яких є людина;
усі висновки робилися на основі нечіткої логіки, у функції та вирази якої було
перетворено набір правил математичної моделі задачі розпізнавання ситуації та прий-
няття первинних рішень.
Однак в результаті досліджень якості решень нечіткої нейромережі було вияв-
лено суттєвий недолік даного підходу. А саме, зі збільшенням кількості правил якість
результатів роботи мережі знижується.
В ході досліджень було виявлено, що кількість правил z залежить від кількості
загонів ППС h та ДПС g на дільниці та розраховується за формулою z = h*(3*g + 3) + 2.
Отже, використання СППР ОЧС у центральних відділеннях міських та обласних
УМВС, де кількість загонів ППС та ДПС становить кілька десятків, може призвести до
зниження якості розпізнавання ситуацій системою, що в подальшому вплине на якість
остаточного рішення. Тому математичну модель на основі набору продукційних правил
недоцільно використовувати для задач розпізнавання ситуацій великої розмірності.
Для усунення зазначеного недоліку було розроблено математичну модель, яка
не використовує набір продукційних правил:
1 2,f 3,g 4,1 4,2 5 2,f 3,g 2,f 4,1 2,f 4,2 2,f 3,g 4,1 2,f 3,g 4,2R {r , r , r , r , r , r , r r , r r , r r , r r r , r r r } . (2)
Структура нейронної мережі для вирішення задачі
розпізнавання ситуацій великих розмірностей
Для вирішення поставленої задачі було використано неповнозв’язну прямонап-
рямлену нейромережу, побудовану відповідно до математичної моделі.
Розглянемо структуру нейромережі, графічна модель якої зображена на рис. 2.
Вона складається з трьох шарів нейронів.
Нейрони усіх шарів виконують зважене додавання. Як активаційна функція для
нейронів першого та другого шарів обрана функція гіперболічного тангенсу ‘tansig’.
Активаційною функцією нейронів третього шару є лінійна функція ‘purelin’. Аргумен-
тацією для її вибору стали лінійні залежності між вхідними даними й умовами задачі
прогнозування розвитку ситуації та визначення наслідків прийнятих рішень, прогнозо-
ваними подіями й місцем ситуації та наслідками прийнятих рішень.
Інтелектуальний метод вирішення задачі розпізнавання ситуацій…
«Штучний інтелект» 1’2011 109
1Т
Шар 1. На нейрони цього шару надходять вхідні дані, необхідні для розпізна-
вання ситуації та генерації можливих рішень.
Шар 2. Нейрони цього шару виконують розпізнавання ситуації. Ці дані передаю-
ться на третій шар нейромережі.
Шар 3. Нейрони даного шару визначають можливі рішення для вирішення кож-
ної ситуації.
Рисунок 2 – Структура нейромережі для вирішення задачі
розпізнавання ситуацій великих розмірностей
На входи нейромережі подаються 7 вхідних векторів: x1 – географічне місце ситуа-
ції для загонів ППС, x2 – географічне місце ситуації для загонів ДПС, х3 – події місця
ситуації, x4 – людність місця ситуації, x5 – небезпечність місця ситуації, x6 – абсолют-
ний час ситуації, x7 – відносний час ситуації.
Для формування цих векторів використовуються бази даних місць ситуації, по-
дій ситуації, прийнятих рішень, де для кожного поля існує відповідне значення вхідно-
го елемента вибірки у заданому діапазоні. Дані значення визначаються з функціями
належності, наведеними нижче:
вектор х1 = [х1,1 .. х1,h], де h – це максимальна кількість загонів патрульно-пос-
тової служби (ППС) на дільниці. Кожне місце ситуації має свій номер в залежності
від того, які загони ППС її контролюють, номер визначається з діапазону [0..500], де
500 – максимальна кількість географічних місць ситуації на одній середній дільниці
для ППС. Для кожного такого номера за трапецеїдальною функцією визначена комбі-
нація значень вектора х1, кожен з елементів якого має значення в діапазоні [0..1];
вектор х2 = [х2,1 .. х2,g], де g – це максимальна кількість загонів дорожньо-пат-
рульної служби (ДПС). Кожне місце ситуації має свій номер в залежності від того, які
загони ДПС її контролюють, номер визначається з діапазону [0..100], де 100 – макси-
Тітова В.Ю.
«Искусственный интеллект» 1’2011 110
1Т
мальна кількість географічних місць ситуації на одній середній дільниці для ДПС.
Для кожного такого номера за трапецеїдальною функцією визначена комбінація зна-
чень вектора х2, кожен з елементів якого має значення в діапазоні [0..1];
вектор х3 = [х3,1 .. х3,8]. Кожна подія має свій номер в залежності від того, які
сили для свого вирішення вона потребує з діапазону [0..200], де 200 – максимальна
кількість можливих подій ситуації. Для кожного такого номера за трапецеїдальною
функцією визначена комбінація значень вектора х3, кожен з елементів має значення
в діапазоні [0..1];
входи х4, х5 приймають значення з діапазону [0..4], де 0 – відсутність люднос-
ті/небезпеки, 1 – знижений рівень людності/небезпеки, 2 – середній рівень людності/
небезпеки, 3 – підвищений рівень людності/небезпеки, 4 – найвищий рівень люднос-
ті/небезпеки;
вхід х6 приймає значення з діапазону [0..3], де 0 – «глухі години», на вулиці лю-
ди майже відсутні, 1 – години, коли на вулиці буває небагато людей, 2 – години, коли
на вулиці буває багато людей, 3 – години-пік;
вхід х7 приймає значення з діапазону [0..3], де 0 – якщо з моменту виникнення
ситуації пройшло не більше 2 годин, 1 – якщо з моменту виникнення ситуації пройш-
ло 2 – 24 години, 2 – якщо з моменту виникнення ситуації пройшло 24 – 48 годин, 3 –
якщо з моменту виникнення ситуації пройшло більше 48 годин.
З виходів нейромережі зчитується вихідний вектор r = [r1 .. rh*(3*g+3)+2]. Значення
1 має той елемент, чий номер відповідає номеру рішення, для якого визначаються на-
слідки, усі інші елементи дорівнюють 0.
Неповнозв’язну прямонапрямлену нейронну мережу для вирішення задачі роз-
пізнавання ситуацій великих розмінностей було побудовано у пакеті Matlab. Її було
навчено за допомогою алгоритмів градієнтного спуску 'traingd', градієнтного спуску
з параметром швидкості настроювання 'traingdа', градієнтного спуску зі збуренням
'traingdm', градієнтного спуску Полака-Рибейри 'traincgp', градієнтного спуску Молле-
ра 'trainscg', оберненого поширення помилки 'trainrp', Флетчера _Рівса 'traincgf', мето-
ду січної ОSS 'trainoss' та Левенберга-Марквардта 'trainlm'. Результати навчання мере-
жі у табл. 1.
Таблиця 1 – Результати навчання нейромережі за відповідними алгоритмами
Алгоритм
Кількість
епох
Час навчання, с
Досягнута
точність
Градієнтного спуску 1000 6 хв. 0,005
Градієнтного спуску з парам.
швидкості настроювання
1350 7 хв. 30 с 0,005
Градієнтного спуску зі збуренням 1800 15 хв. 40 с 0,005
Градієнтного спуску Полака-
Рибейри
1000 19 хв. 20 с 0,005
Градієнтного спуску Моллера 1000 12 хв. 15 с 0,005
Флетчера _Рівса 2000 14 хв. 40 с 0,005
Метода січної ОSS 1230 14 хв. 50 с 0,005
Оберненого поширення помилки 635 4 хв. 50 с 0,005
Левенберга-Марквардта 1000 1 год. 34 хв. 0,005
Інтелектуальний метод вирішення задачі розпізнавання ситуацій…
«Штучний інтелект» 1’2011 111
1Т
З аналізу результатів навчання нейромережі слідує, що найкращу точність було
досягнуто при використанні алгоритмів градієнтного спуску Моллера, методу січної,
оберненого поширення помилки та Левенберга-Марквардта. Найшвидше мережа на-
вчалася за алгоритмами градієнтного спуску, градієнтного спуску з параметром швид-
кості настроювання та оберненого поширення помилки.
Отже, навчання нейромережі за алгоритмом оберненого поширення помилки до-
зволяє досягнути найкращої точності за найменший час. Тому для вирішення задачі
розпізнавання ситуацій великих розмінностей було використано неповнозв’язну пря-
монапрямлену нейромережу, навчену саме за цим алгоритмом.
Для тестування однакову кількість ситуацій було вирішено двома різними мето-
дами вирішення задачі розпізнавання ситуацій: методом, запропонованим у статті, та
методом, що був застосований у системі підтримки прийняття рішень для оперативно-
чергових служб [4]. Правильність кожної розпізнаної ситуації та варіантів можливих
рішень, їх відповідність існуючим планам дій оцінював начальник чергової зміни.
Результати оцінювання наведені у табл. 2. На основі отриманих результатів можна
зробити висновок, що використання запропонованого у статті методу дозволило під-
вищити відсоток правильно розпізнаних ситуацій до 96%.
Таблиця 2 – Результати розпізнавання ситуацій
Правильність розпізнавання
ситуації при використанні методу
вирішення задачі розпізнавання
ситуації та прийняття первинних
рішень для СППР ОЧС
Правильність розпізнавання
ситуації при використанні
запропонованого у статті методу
Ситуація №1 100% 100%
Ситуація №2 95% 100%
Ситуація №3 80% 90%
Ситуація №4 95% 100%
Ситуація №5 90% 95%
Ситуація №6 100% 100%
Ситуація №7 100% 100%
Ситуація №8 90% 95%
Ситуація №9 80% 90%
Ситуація №10 90% 90%
Сумарний відсоток
правильно розпізнаних
ситуацій
92% 96%
Висновки
Аналіз математичної моделі задачі розпізнавання ситуації та прийняття первин-
них рішень показав, що вона є неефективною у випадку вирішення ситуацій великих
розмінностей.
Тому було запропоновано вдосконалену математичну модель, яка не містить на-
бору продукційних правил. Та на основі цієї моделі було побудовано прямонапрямлену
неповнозв’язну ШНМ для вирішення задачі розпізнавання ситуацій великих розмір-
ностей.
Використання зазначеної ШНМ дозволило збільшити відсоток правильно роз-
пізнаних ситуацій з 92% до 96%.
Тітова В.Ю.
«Искусственный интеллект» 1’2011 112
1Т
Література
1. Локазюк В.М. Система підтримки прийняття рішень для оперативно-чергових служб / В.М. Лока-
зюк, О.В. Поморова, В.Ю. Тітова // Вісник Хмельницького Національного університету. – 2005. –
№ 4, Ч. 1, т. 2. – С. 195-198.
2. Тітова В.Ю. Інформаційно-аналітична підтримка прийняття рішень оперативним черговим опера-
тивно-чергової служби / В.Ю. Тітова // Искусственный интеллект. – 2006. – № 4. – С. 504-509.
3. Тітова В.Ю. Модель процесу розпізнавання ситуації та прийняття первинних рішень оперативним
черговим оперативно-чергової служби / В.Ю. Тітова // Радіоелектронні та комп’ютерні системи. –
Харків : ХАІ. – 2007. – № 6. – С. 188-193.
4. Тітова В. Інтелектуальні методи для створення підсистеми прийняття первинних рішень системи
підтримки прийняття рішень для оперативно-чергових служб / В. Тітова // Комп’ютерні науки та
інформаційні технології. – Львів : Львівська політехніка. – 2007. – № 598. – С. 78-85.
5. Локазюк В.М. Інтелектуальне діагностування мікропроцесорних пристроїв та систем : навч. посіб-
ник / Локазюк В.М., Поморова О.В., Домінов А.О. – Київ : Такі справи. – 2001. – 286 с.
В.Ю. Титова
Интеллектуальный метод решения задачи распознавания ситуаций больших размерностей
В статье рассмотрена задача распознавания ситуаций больших размерностей, которая решается оперативным
дежурным оперативно-дежурной службы после поступления информации о возникновении ситуации.
Данная задача относится к трудноформализируемым задачам, а потому для ее решения были использованы
интеллектуальные методы, а именно прямонаправленная, неполносвязная нейросеть.
V.U. Titova
Redictive Method for Solving the Problem of Recognizing Situations of Large Dimensions
The article considers the problem of recognizing situations of large dimensions, which is solved by operational
duty of the detective-duty service after receiving information about the occurrence of the situation. This problem
relates to the problems, which are difficult to formalize and therefore to solve it intelligent methods have
been used, namely artificial neyronet.
Стаття надійшла до редакції 30.06.2010.
|