Математичні методи розпізнавання надзвичайних ситуацій в умовах невизначеності


  • V. A. Labzhynskiy Національний технічний університет України "Київський політехнічний інститут ім. Ігоря Сікорського", м. Київ https://orcid.org/0000-0003-0970-770X
Ключові слова: надзвичайні ситуації; умови невизначеності; імовірнісна логіка; імовірнісні автомати; імовірнісні моделі графів; імовірнісні мережі Петрі; приховані мережі Петрі

Анотація

Показано, що системи розпізнавання надзвичайних подій виявляють різні типи невизначеності: неповні потоки даних, помилки в потоках даних і невідповідні шаблони складних подій. Показано, що потоки подій, що потрапляють на вхід системи розпізнавання складних подій, характеризуються певним ступенем невизначеності. Джерела даних є неоднорідними і характеризуються різною структуризацією даних і відповідними процедурами реагування на пошкоджені блоки даних. Навіть для даних, визначених достатньо точно, система може некоректно моделювати складні події, що призводить до подальшого типу невизначеності. Отже, зазначено, що важливо розглянути методи розпізнавання складних подій, які можна віднести до невизначених. З цією метою було запропоновано відповідні модельні об'єкти. Проведений аналіз ключових моментів побудови систем розпізнавання складних подій, які здатні ефективно працювати в умовах невизначеності, охоплював          методи стохастичного моделювання, моделі часового представлення та реляційні моделі. Розглянуто методики, що базуються на абстрактних автоматах, імовірнісних моделях графів, системах логіки першого порядку, мережах Петрі та прихованих мережах Петрі. Зазначено, що проміжним етапом роботи відповідних алгоритмів має бути створення ієрархії складних об'єктів, що не завжди піддаються чіткому визначенню. Виявлено низку обмежень щодо використовуваного синтаксису, моделей і ефективності, які були зіставлені з конкретними варіантами їх реалізації. Запропоновано підхід щодо переходу від детерміністичного математичного апарату до системи розпізнавання складних подій в умовах невизначеності, через введення функції вірогідності події. Розроблена методологія дала змогу виділити напрями досліджень і оцінити продуктивність використовуваних математичних методів.

Біографія автора

V. A. Labzhynskiy, Національний технічний університет України "Київський політехнічний інститут ім. Ігоря Сікорського", м. Київ

канд. техн. наук, доцент, кафедра автоматизації проектування енергетичних процесів і систем

Посилання

Albanese, M., Chellappa, R., Cuntoor, N., Moscato, V., Picariello, A., Subrahmanian, V. S., & Udrea, O. (2010). Pads: A probabilistic activity detection framework for video data. IEEE Transactions on Pattern Analysis and Machine Intelligence, 32(12), 2246–2261.
Albanese, M., Chellappa, R., Moscato, V., Picariello, A., Subrahmanian, V. S., Turaga, P., & Udrea, O. (2008). A constrained probabilistic petri net framework for human activity detection in video. IEEE Transactions on Multimedia, 10(8), 982–996.
Allen, J. F. (1984). Towards a general theory of action and time. Artificial intelligence, 23(2), 123–154.
Artikis, A., Etzion, O., Feldman, Z., & Fournier, F. (2012, July). Event processing under uncertainty. In Proceedings of the 6th ACM International Conference on Distributed Event-Based Systems, (pp. 32–43). ACM.
Artikis, A., Sergot, M., & Paliouras, G. (2010, October). A logic programming approach to activity recognition. In Proceedings of the 2nd ACM International workshop on Events in multimedia, (pp. 3–8). ACM.
Artikis, A., Skarlatidis, A., Portet, F., & Paliouras, G. (2012). Logic-based event recognition. The Knowledge Engineering Review, 27(4), 469–506.
Brand, M., Oliver, N., & Pentland, A. (1997, June). Coupled hidden Markov models for complex action recognition. In Computer vision and pattern recognition, proceedings., 1997 ieee computer society conference, (pp. 994–999). IEEE.
Brendel, W., Fern, A., & Todorovic, S. (2011,). Probabilistic event logic for interval-based event recognition. In Computer Vision and Pattern Recognition (CVPR): Conference, June, 2011, (pp. 3329–3336). IEEE.
Candamo, J., Shreve, M., Goldgof, D. B., Sapper, D. B., & Kasturi, R. (2010). Understanding transit scenes: A survey on human behavior-recognition algorithms. IEEE transactions on intelligent transportation systems, 11(1), 206–224.
Cervesato, I., & Montanari, A. (2000). A calculus of macro-events: Progress report. In Temporal Representation and Reasoning, TIME 2000. Proceedings. Seventh International Workshop, (pp. 47–58). IEEE.
Chuanfei, X., Shukuan, L., Lei, W., & Jianzhong, Q. (2010,). Complex event detection in probabilistic stream. In Web Conference (APWEB): International Asia-Pacific, April 12, 2010, (pp. 361–363). IEEE.
Fierens, D., Van den Broeck, G., Renkens, J., Shterionov, D., Gutmann, B., Thon, I., De Raedt, L., et al. (2015). Inference and learning in probabilistic logic programs using weighted Boolean formulas. Theory and Practice of Logic Programming, 15(3), 358–401.
Ginsberg, M. L. (1988). Multivalued logics: A uniform approach to reasoning in artificial intelligence. Computational intelligence, 4(3), 265–316.
Gong, S., & Xiang, T. (2003, October). Recognition of group activities using dynamic probabilistic networks. In Computer Vision. Proceedings. Ninth IEEE International Conference, (pp. 742–749). IEEE.
Kersting, K., De Raedt, L., & Raiko, T. (2006). Logical hidden Markov models. Journal of Artificial Intelligence Research, 25, 425–456.
Khokhar, S., Saleemi, I., & Shah, M. (2013). Multi-agent event recognition by preservation of spatiotemporal relationships between probabilistic models. Image and Vision Computing, 31(9), 603–615.
Knapp, E. D., & Langill, J. T. (2014). Industrial network security: Securing critical infrastructure networks for smart grid, SCADA, and other Industrial Control Systems. Amsterdam: Elsevier Syngress.
Korniychuk, V. V., & Grytsyuk, Yu. I. (2011). Explosion of elevator dust and explosion protection of elevators. Fire safety: Collection of scientific works of Lviv State University of Life Safety, 19, 55–60.
Korniychuk, V. V., & Grytsyuk, Yu. I. (2011). Features of the development of a decision support system during the elimination of emergencies on grain elevators. Visnyk of Lviv State University of Life Safety, 5, 64–67.
Lafferty, J., McCallum, A., & Pereira, F. C. (2001). Conditional random fields: Probabilistic models for segmenting and labeling sequence data. In ICML. Morgan Kaufmann, 282–289.
Lavee, G., Rudzsky, M., & Rivlin, E. (2013). Propagating certainty in petri nets for activity recognition. IEEE Transactions on Circuits and Systems for Video Technology, 23(2), 326–337.
Ma, J., Liu, W., & Miller, P. (2010, September). Event modelling and reasoning with uncertain information for distributed sensor networks. In International Conference on Scalable Uncertainty Management, (pp. 236–249). Springer, Berlin, Heidelberg.
Murphy, K. P., & Russell, S. (2002). Dynamic Bayesian Networks: representation, inference and learning. Ph. D. Dissertation. University of California.
Paschke, A., & Bichler, M. (2008). Knowledge representation concepts for automated SLA management. Decision Support Systems, 46(1), 187–205.
Rabiner, L. R., & Juang, B. H. (1986). An introduction to hidden Markov models. IEEE ASSP Magazine, 3(1), 4–16.
Santipantakis, G., Kotis, K. I., & Vouros, G. A. (2015). Ontology-based data sources' integration for maritime event recognition. In Information, Intelligence, Systems and Applications (IISA): International Conference, July 6, 2015, (pp. 1–6). IEEE.
Selman, J., Amer, M., Fern, A., & Todorovic, S. (2011). PEL-CNF: Probabilistic event logic conjunctive normal form for video interpretation. In Computer Vision Workshops (ICCV Workshops): International Conference, November, 2011, (pp. 680–687). IEEE.
Shet, V. D., Neumann, J., Ramesh, V., & Davis, L. S. (2007, June). Bilattice-based logical reasoning for human detection. Conference on Computer Vision and Pattern Recognition, (pp. 1–8). IEEE.
Shet, V., Singh, M., Bahlmann, C., Ramesh, V., Neumann, J., & Davis, L. (2011). Predicate logic based image grammars for complex pattern recognition. International Journal of Computer Vision, 93(2), 141–161.
Skarlatidis, A., Paliouras, G., Artikis, A., & Vouros, G. A. (2015). Probabilistic event calculus for event recognition. ACM Transactions on Computational Logic (TOCL), 16(2), 11–15.
Song, Y. C., Kautz, H., Allen, J., Swift, M., Li, Y., Luo, J., & Zhang, C. (2013, December). A markov logic framework for recognizing complex events from multimodal data. In Proceedings of the 15th ACM on International conference on multimodal interaction, (pp. 141–148). ACM.
Wasserkrug, S., Gal, A., & Etzion, O. (2006, July). A taxonomy and representation of sources of uncertainty in active systems. In International Workshop on Next Generation Information Technologies and Systems, (pp. 174–185). Springer, Berlin, Heidelberg.
Zhang, H., Diao, Y., & Immerman, N. (2014, June). On complexity and optimization of expensive queries in complex event processing. In Proceedings of the 2014 ACM SIGMOD International conference on Management of data, (pp. 217–228). ACM.
Zhang, J., Ma, X., Zou, X., & Wang, L. (2016). Load-based dynamic flow scheduling in network security monitoring systems. In Telecommunication Networks and Applications (ITNAC): International Conference, December 26, 2016, (pp. 76–79). IEEE.
Опубліковано
2019-02-28
Як цитувати
Labzhynskiy, V. A. (2019). Математичні методи розпізнавання надзвичайних ситуацій в умовах невизначеності. Науковий вісник НЛТУ України, 29(1), 121-125. https://doi.org/10.15421/40290126
Розділ
Інформаційні технології галузі