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.
Analysis and Modeling of Position Choice Process for Transportation of the Sufferer on the basis of Bayesian Belief Networks
Abstract
The purpose of any rescue and other emergency operations is to save people and assist to sufferers, to localize accidents and eliminate the damage hindering rescue operations, as well as to create conditions for the subsequent recovery works. In the presence of factors that menace life and health of the people carrying out these works (rescuers, firefighters, etc.) there is an objective need for application of the automated robotic means of transportation of a sufferer. A lack of the corresponding methodological and program- algorithmic tools causes a need to model specified means. A model of a transportation position of the sufferer on the basis of Bayesian belief networks is presented in the paper.
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).
