Анализ и моделирование процесса выбора положения для транспортировки пострадавшего на основе байесовских сетей доверия
Ключевые слова:
робототехника, аварийно-спасательные роботы, человеко-машинное взаимодействие, транспортировка пострадавших, первая помощь, аварийно-спасательные работы, чрезвычайная ситуация, байесовские сети доверияАннотация
Целью любых аварийно-спасательных и других неотложных работ является спасение людей и оказание помощи пострадавшим, локализация аварий и устранение повреждений, препятствующих проведению спасательных работ, а также создание условий для последующего проведения восстановительных работ. При наличии факторов, угрожающих жизни и здоровью проводящих эти работы людей (спасателей, пожарных и др.) возникает объективная необходимость в применении автоматизированных робототехнических средств транспортировки пострадавших, а отсутствие соответствующего научно-методического и программно-алгоритмического инструментария обусловливает необходимость моделирования указанных средств. В работе представлена модель положения для транспортировки пострадавшего на основе байесовских сетей доверияЛитература
1. Мотиенко А.И., Басов О.О. Применение автоматизированных робототехнических средств транспортировки для оказания первой помощи пострадавшим // Сборник научных статей 2-й Международной молодежной научно-технической конференции «Прогрессивные технологии и процессы». Курск. 2015. Т. 2. С. 216–220.
2. Коннова Л.А., Балабанов В.А., Артамонова Г.К. Основы первой помощи: учебник для курсантов, студентов и слушателей высших учебных заведений, обучающихся по направлению подготовки бакалавров «Техносферная безопасность» и специальности «Пожарная безопасность» / Под общей ред. О. М. Латышева // СПб.: Санкт-Петербургский университет ГПС МЧС России. 2015. 162 с.
3. Мотиенко А.И., Ронжин А.Л., Павлюк Н.А. Современные разработки аварийно-спасательных роботов: возможности и принципы их применения // Научный вестник НГТУ. 2015. № 3(60). С. 147–165.
4. Приказ Минздравсоцразвития РФ № 477н «Об утверждении перечня состояний, при которых оказывается первая помощь, и перечня мероприятий по оказанию первой помощи». 2012. 3 с.
5. Михеев М.Ю., Котякова В.А., Володина Е.А., Баннов В.Я. Применение «дерева решений» для анализа состояния сложных систем // Труды международного симпозиума Надёжность и качество. Пенза: ПГУ. 2012. Т. 2. С. 401–403.
6. Тутыгин А.Г., Коробов В.Б. Преимущества и недостатки метода анализа иерархий // Известия РГПУ им. А. И. Герцена. 2010. Т. 1. С. 108–115.
7. Продукционная модель знаний. URL: http://www.aiportal.ru/articles/knowledge-models/production-model.html (дата обращения: 29.10.2015).
8. Кузькин А.А. Методика обеспечения устойчивости стратегии развития информационных технологий на предприятии в условиях неопределенности воздействия среды // Дисс. к.т.н. Спб. 2015. 116 с.
9. Басов О.О., Карпов А.А., Саитов И.А. Методологические основы синтеза полимодальных инфокоммуникационных систем государственного управления: монография // Орёл: Академия ФСО России. 2015. 271 с.
10. Мусина В.Ф. Байесовские сети доверия как вероятностная графическая модель для оценки медицинских рисков // Труды СПИИРАН. 2013. Вып. 24. С. 135–151.
11. Pitsikalis V., Katsamanis A., Papandreou G., Maragos P. Adaptive multimodal fusion by uncertainty compensation // In: Ninth International Conference on Spoken Language Processing. Pittsburgh. 2006.
12. Wasyluk H., Onisko A., Druzdzel M.J. Support of diagnosis of liver disorders based on a causal Bayesian network model // Medical Science Monitor. 2001. vol. 7. pp. 327–332.
13. Lacave C., Diez F.J. Knowledge Acquisition in PROSTANET – A Bayesian network for diagnosis prostate cancer // Knowledge-Based Intelligent Information and Engineering Systems. Lecture Notes in Computer Science. 2003. vol. 2774. pp. 1345–1350.
14. Wiegerincka W.A.J.J., et al. Approximate inference for medical diagnosis // Pattern Recognition Letters. 1999. vol. 20. no. 11–13. pp. 1231–1239.
15. Jensen F.V., Nielsen T.D. Bayesian networks and decision graphs // New York: Springer. 2007.
16. Dempster A., Laird N., Rubin D. Maximum likelihood from incomplete data via the EM algorithm // J. of the Royal Statistical Society. 1997. vol. 39. no. 1. pp. 1–38.
17. Bender J., Koller D., Russel R., Kanazava K. Adaptive probabilistic networks with hidden variables // Machine Learning. 1997. vol. 29. no. 2–3. pp. 213–244.
18. Тулупьев А.Л., Сироткин А.В., Николенко С.И. Байесовские сети доверия. Логико-вероятностный вывод в ациклических направленных графах // СПб.: Изд-во СПбГУ. 2009. 400 с.
19. Henrion M. Propagating uncertainty in Bayesian networks by logic sampling // Uncertainty in Artificial Intelligence. Amsterdam 1988. vol 2. pp. 149–163.
20. Fung R., Chang K.-C. Weighting and integrating evidence for stochastic simulation in Bayesian networks // Proc. ofthe Fifth Conference on Uncertainty in Artificial Intelligence (UAI-89). Amsterdam. 1989. pp. 475–482.
21. Shachter R., Peot M. Simulation approaches to general probabilistic inference on belief networks // Proc. of the Fifth Workshop on Uncertainty in Artificial Intelligence (UAI-89). Amsterdam. 1989. pp. 311–318.
22. Масленников Е.Д., Сулимов В.Б. Предсказания на основе байесовских сетей доверия: алгоритм и программная реализация // Вычислительные методы и программирование. 2010. Т. 11. № 2. С. 222–235.
23. Netica. URL: http://www.norsys.com/ (дата обращения: 12.09.2015).
24. Ронжин А.Л., Юсупов Р.М. Многомодальные интерфейсы автономных мобильных робототехнических комплексов // Известия ЮФУ. Технические науки. 2015. № 1(162). С. 195–206.
25. Басов О.О. Принципы построения полимодальных инфокоммуникационных систем на основе многомодальных архитектур абонентских терминалов // Труды СПИИРАН. 2015. Вып. 39. C. 109–122.
26. Козыренко Н.С., Мещеряков Р.В., Ходашинский И.А., Ануфриева Н.Ю. Математическое и алгоритмическое обеспечение оценки состояния здоровья человека // Труды СПИИРАН. 2014. Вып. 33. C. 117–146.
27. Карпов А.А., Ронжин А.Л. Многомодальные интерфейсы в автоматизированных системах управления // Известия высших учебных заведений. Приборостроение. 2005. Т. 48. № 7. С. 9-14.
2. Коннова Л.А., Балабанов В.А., Артамонова Г.К. Основы первой помощи: учебник для курсантов, студентов и слушателей высших учебных заведений, обучающихся по направлению подготовки бакалавров «Техносферная безопасность» и специальности «Пожарная безопасность» / Под общей ред. О. М. Латышева // СПб.: Санкт-Петербургский университет ГПС МЧС России. 2015. 162 с.
3. Мотиенко А.И., Ронжин А.Л., Павлюк Н.А. Современные разработки аварийно-спасательных роботов: возможности и принципы их применения // Научный вестник НГТУ. 2015. № 3(60). С. 147–165.
4. Приказ Минздравсоцразвития РФ № 477н «Об утверждении перечня состояний, при которых оказывается первая помощь, и перечня мероприятий по оказанию первой помощи». 2012. 3 с.
5. Михеев М.Ю., Котякова В.А., Володина Е.А., Баннов В.Я. Применение «дерева решений» для анализа состояния сложных систем // Труды международного симпозиума Надёжность и качество. Пенза: ПГУ. 2012. Т. 2. С. 401–403.
6. Тутыгин А.Г., Коробов В.Б. Преимущества и недостатки метода анализа иерархий // Известия РГПУ им. А. И. Герцена. 2010. Т. 1. С. 108–115.
7. Продукционная модель знаний. URL: http://www.aiportal.ru/articles/knowledge-models/production-model.html (дата обращения: 29.10.2015).
8. Кузькин А.А. Методика обеспечения устойчивости стратегии развития информационных технологий на предприятии в условиях неопределенности воздействия среды // Дисс. к.т.н. Спб. 2015. 116 с.
9. Басов О.О., Карпов А.А., Саитов И.А. Методологические основы синтеза полимодальных инфокоммуникационных систем государственного управления: монография // Орёл: Академия ФСО России. 2015. 271 с.
10. Мусина В.Ф. Байесовские сети доверия как вероятностная графическая модель для оценки медицинских рисков // Труды СПИИРАН. 2013. Вып. 24. С. 135–151.
11. Pitsikalis V., Katsamanis A., Papandreou G., Maragos P. Adaptive multimodal fusion by uncertainty compensation // In: Ninth International Conference on Spoken Language Processing. Pittsburgh. 2006.
12. Wasyluk H., Onisko A., Druzdzel M.J. Support of diagnosis of liver disorders based on a causal Bayesian network model // Medical Science Monitor. 2001. vol. 7. pp. 327–332.
13. Lacave C., Diez F.J. Knowledge Acquisition in PROSTANET – A Bayesian network for diagnosis prostate cancer // Knowledge-Based Intelligent Information and Engineering Systems. Lecture Notes in Computer Science. 2003. vol. 2774. pp. 1345–1350.
14. Wiegerincka W.A.J.J., et al. Approximate inference for medical diagnosis // Pattern Recognition Letters. 1999. vol. 20. no. 11–13. pp. 1231–1239.
15. Jensen F.V., Nielsen T.D. Bayesian networks and decision graphs // New York: Springer. 2007.
16. Dempster A., Laird N., Rubin D. Maximum likelihood from incomplete data via the EM algorithm // J. of the Royal Statistical Society. 1997. vol. 39. no. 1. pp. 1–38.
17. Bender J., Koller D., Russel R., Kanazava K. Adaptive probabilistic networks with hidden variables // Machine Learning. 1997. vol. 29. no. 2–3. pp. 213–244.
18. Тулупьев А.Л., Сироткин А.В., Николенко С.И. Байесовские сети доверия. Логико-вероятностный вывод в ациклических направленных графах // СПб.: Изд-во СПбГУ. 2009. 400 с.
19. Henrion M. Propagating uncertainty in Bayesian networks by logic sampling // Uncertainty in Artificial Intelligence. Amsterdam 1988. vol 2. pp. 149–163.
20. Fung R., Chang K.-C. Weighting and integrating evidence for stochastic simulation in Bayesian networks // Proc. ofthe Fifth Conference on Uncertainty in Artificial Intelligence (UAI-89). Amsterdam. 1989. pp. 475–482.
21. Shachter R., Peot M. Simulation approaches to general probabilistic inference on belief networks // Proc. of the Fifth Workshop on Uncertainty in Artificial Intelligence (UAI-89). Amsterdam. 1989. pp. 311–318.
22. Масленников Е.Д., Сулимов В.Б. Предсказания на основе байесовских сетей доверия: алгоритм и программная реализация // Вычислительные методы и программирование. 2010. Т. 11. № 2. С. 222–235.
23. Netica. URL: http://www.norsys.com/ (дата обращения: 12.09.2015).
24. Ронжин А.Л., Юсупов Р.М. Многомодальные интерфейсы автономных мобильных робототехнических комплексов // Известия ЮФУ. Технические науки. 2015. № 1(162). С. 195–206.
25. Басов О.О. Принципы построения полимодальных инфокоммуникационных систем на основе многомодальных архитектур абонентских терминалов // Труды СПИИРАН. 2015. Вып. 39. C. 109–122.
26. Козыренко Н.С., Мещеряков Р.В., Ходашинский И.А., Ануфриева Н.Ю. Математическое и алгоритмическое обеспечение оценки состояния здоровья человека // Труды СПИИРАН. 2014. Вып. 33. C. 117–146.
27. Карпов А.А., Ронжин А.Л. Многомодальные интерфейсы в автоматизированных системах управления // Известия высших учебных заведений. Приборостроение. 2005. Т. 48. № 7. С. 9-14.
Опубликован
2015-11-25
Как цитировать
Мотиенко, А. И., Макеев, С. М., & Басов, О. О. (2015). Анализ и моделирование процесса выбора положения для транспортировки пострадавшего на основе байесовских сетей доверия. Труды СПИИРАН, 6(43), 135-155. https://doi.org/10.15622/sp.43.8
Раздел
Методы управления и обработки информации
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
