close

Вход

Забыли?

вход по аккаунту

?

Разработка алгоритма реализации нейро-нечетких моделей элементов процесса принятия решений руководителем при тушении пожаров в морских портах..pdf

код для вставкиСкачать
Информатика, вычислительная техника и управление
Information Science, Computer Engineering and Management
Оригинальная статья / Original article
УДК 004.891, 614.842.8
DOI: 10.21285/1814-3520-2016-6-99-106
РАЗРАБОТКА АЛГОРИТМА РЕАЛИЗАЦИИ НЕЙРО-НЕЧЕТКИХ МОДЕЛЕЙ ЭЛЕМЕНТОВ
ПРОЦЕССА ПРИНЯТИЯ РЕШЕНИЙ РУКОВОДИТЕЛЕМ ПРИ ТУШЕНИИ ПОЖАРОВ
В МОРСКИХ ПОРТАХ
© Т.С. Станкевич1, С.Ю. Бутузов2, А.А. Рыженко3
1
Калининградский государственный технический университет,
236022, Россия, г. Калининград, Советский проспект, 1.
2,3
Академия Государственной противопожарной службы МЧС России,
129366, Россия, Москва, ул. Бориса Галушкина, 4.
Резюме. Цель. Цель данной работы состоит в разработке алгоритма реализации нейро-нечетких моделей элементов процесса принятия решений руководителем при тушении пожаров в морских портах, что позволит повысить эффективность управления пожарными подразделениями. Методы. Для достижения поставленной цели
использованы методы системного анализа, методы теории нейронных сетей, метод горной кластеризации (субтрактивной кластеризации), метод оптимизации. Результаты. Решение задачи обеспечения информационноаналитической поддержки руководителя в условиях неопределенности информации может быть получено посредством использования системы информационно-аналитической поддержки управления при тушении пожаров
в морских портах на базе нейро-нечетких сетей, обладающих преимуществами искусственных нейронных сетей и
нечеткой логики. В качестве одного из основных элементов данной системы разработан алгоритм реализации
нейро-нечетких моделей элементов процесса принятия решений руководителем при тушении пожаров в морских
портах. Заключение. Данный алгоритм позволяет выполнить построение комбинированных колокообразных с
порогами функций принадлежности параметров, которые наилучшим образом аппроксимируют значения входного параметра за счет преодоления главного недостатка базовых колоколообразных функций – отсутствия способности формировать открытые слева или справа функции, и сформировать базы знаний.
Ключевые слова: морской порт, тушение пожаров, нейро-нечеткая модель NEFCLASS, нейро-нечеткая модель ANFIS, горная кластеризация, колокообразные функции принадлежности с порогами.
Формат цитирования: Станкевич Т.С., Бутузов С.Ю., Рыженко А.А. Разработка алгоритма реализации нейронечетких моделей элементов процесса принятия решений руководителем при тушении пожаров в морских портах // Вестник ИрГТУ. 2016. № 6. С. 99–106. DOI: 10.21285/1814-3520-2016-6-99-106
DEVELOPMENT OF THE IMPLEMENTATION ALGORITHM OF NEURO-FUZZY MODELS FOR THE ELEMENTS
OF COMMANDER’S DECISION-MAKING PROCESS UNDER FIRE EXTINGUISHING IN SEAPORTS
T.S. Stankevich, S.Y. Butuzov, A.A. Ryzhenko
Kaliningrad State Technical University,
1, Sovetsky pr., Kaliningrad, 236022, Russia.
State Fire Academy of EMERCOM of Russia,
4, Boris Galushkin St., Moscow, 129366, Russia.
Abstract. Purpose. The purpose of research is the development of an implementation algorithm of neuro-fuzzy models
of the elements of commander’s decision-making under fire extinguishing at seaports. It will improve the efficiency of fire
brigade management. Methods. The set purpose is achieved through the methods of system analysis, the methods of
the theory of neural networks, the mining fuzzy clustering method (subtractive clustering method), the optimization meth___________________________
1
Станкевич
Татьяна
Сергеевна,
ведущий
специалист
отдела
проектов
и
программ,
e-mail: nadezdastan39@mail.ru
Stankevich Tatiana, Leading specialist of the Department of Projects and Programs, e-mail: nadezdastan39 @mail.ru
2
Бутузов Станислав Юрьевич, доктор технических наук, доцент, начальник учебно-научного комплекса автоматизированных систем и информационных технологий, e-mail: butuzov_s_yu@mail.ru
Butuzov Stanislav, Doctor of Engineering, Associate Professor, Head of the Educational and Scientific Complex of A utomated Systems and Information Technologies, e-mail: butuzov_s_yu@mail.ru
3
Рыженко Алексей Алексеевич, кандидат технических наук, доцент кафедры информационных технологий в составе учебно-научного комплекса автоматизированных систем и информационных технологий,
e-mail: litloc@rambler.ru
Ryzhenko Aleksei, Candidate of Engineering, Associate Professor of the Department of Information Technologies as a
part of the Educational and Scientific Complex of Automated Systems and Information Technologies,
e-mail: litloc@rambler.ru
ISSN 1814-3520
ВЕСТНИК ИрГТУ № 6 (113) 2016/ PROCEEDINGS of ISTU № 6 (113) 2016
99
Информатика, вычислительная техника и управление
Information Science, Computer Engineering and Management
od. Results. The problem of providing information and analytical support for the commander in the conditions of information uncertainty can be solved through the use of the system of information analytical support of fire extinguishing
control in seaports based on neuro-fuzzy networks which combine the advantages of artificial neural networks and a
fuzzy logic. As one of the key elements of this system the authors have developed an implementation algorithm of neurofuzzy models for the elements of commander’s decision making process under fire extinguishing in seaports. Conclusion. This algorithm allows to generate knowledge bases as well as to build combined bell-shaped membership functions
with thresholds that in the best way approximate input parameter values through overcoming the major drawback of
basic bell-shaped functions that is the lack of ability to form left open or right open functions
Keywords: seaport, fire extinguishing, NEFCLASS neuro-fuzzy model, ANFIS neuro-fuzzy model, mountain clustering,
bell-shaped membership function with thresholds
For citation: Stankevich T.S., Butuzov S.Y., Ryzhenko A.A. Development of the implementation algorithm of neuro-fuzzy
models for the elements of commander’s decision-making process under fire extinguishing in seaports/ Proceedings of
Irkutsk State Technical University. 2016, no. 6, pp. 99–106. (In Russian) DOI: 10.21285/1814-3520-2016-6-99-106
Введение
Пожары являются одним из основных источников угроз государственной безопасности. Особую опасность для потребностей экономики, внешней торговли и
населения представляют пожары на территории особо важных и технически сложных
объектов – в морских портах. На основании
результатов анализа статистических данных о пожарах [1–7] установлено, что за
период с 2010 по 2014 гг. произошло более
120 пожаров на объектах морского транспорта. Из них два пожара на объектах портовой инфраструктуры: в Калининградском
морском торговом порту (17 июля 2013 г.) и
в Калининградском морском рыбном порту
(19 августа 2013 г.). В ходе анализа статистических данных выявлен рост количества
пожаров на объектах морского транспорта
на 31,3% (от 22 ед. в 2010 г. до 32 ед. в
2014 г.). Также установлено, что значения
материального ущерба от одного пожара
на объектах морского транспорта значительно превышают значения материального ущерба на объектах транспорта (более
чем в 4 раза). То есть в настоящее время
задача обеспечения пожарной безопасности в морских портах посредством сосредоточения усилий на предупреждении, ликвидации и минимизации последствий пожаров, а также совершенствовании государственного управления является актуальной.
Решение задачи обеспечения пожарной безопасности морских портов возможно путем совершенствования форм и
методов управления развитием и функционированием объектов на основе современ100
ных подходов с целью сокращения временных и материальных затрат за счет принятия руководителем эффективных управленческих решений. Современные информационные технологии позволяют создавать и внедрять программные средства для
поддержки лиц, принимающих решения
(ЛПР), при тушении пожаров. В ходе рассмотренного в [8] анализа функциональных
возможностей отечественных и зарубежных
программных средств, предназначенных
для решения управленческих задач на пожарах, установлена невозможность оперативной поддержки работы ЛПР в условиях
неопределенности информации. На основании результатов представленного в [9]
анализа наиболее распространенных систем и методов, используемых в качестве
средств уменьшения степени неопределенности при выборе вариантов решений,
выявлена предпочтительность применения
нейро-нечетких сетей (ННС) для решения
задач
обеспечения
информационноаналитической поддержки управления в
условиях неопределенности информации.
Данный вывод позволяет говорить о необходимости существенного изменения подхода к организации тушения пожаров в
морских портах в условиях неопределенности информации посредством разработки и
применения системы информационноаналитической поддержки управления при
тушении пожаров в морских портах на базе
ННС. В качестве одного из ключевых элементов данной системы предложено разработать алгоритм реализации нейронечетких моделей элементов процесса
принятия решений руководителем.
ВЕСТНИК ИрГТУ № 6 (113) 2016/ PROCEEDINGS of ISTU № 6 (113) 2016
ISSN 1814-3520
Информатика, вычислительная техника и управление
Information Science, Computer Engineering and Management
Цель данной работы состоит в разработке алгоритма реализации нейронечетких моделей элементов процесса
принятия решений руководителем при тушении пожаров в морских портах, что позволит повысить эффективность управления
пожарными подразделениями.
Анализ нейро-нечетких моделей
для решения управленческих задач
руководителя при тушении пожаров
в морских портах
В ходе разработки алгоритма реализации нейро-нечетких моделей элементов
процесса принятия решений руководителем при тушении пожаров в морских портах
необходимо осуществить выбор типов моделей:
 для решения задач классификации, к которым относится задача выбора
ранга пожара (РП);
 для решения задач прогнозирования, к которым относится задача прогнозирования площади пожара.
В настоящее время существует значительное число нейро-нечетких моделей,
различных по архитектуре, возможностям и
используемым в них методам. На основании результатов анализа (табл. 1) наиболее распространенных моделей в зависимости от возможности их применения
определено, что для решения задач классификации возможно применение сети
NEFCLASS, для решения задач прогнозирования – сетей ANFIS и NEFPROX. При
сравнении сетей ANFIS и NEFPROX произведено изучение литературы и выявлено,
что сети ANFIS значительно превосходят
сети NEFPROX. Согласно результатам тестирования сетей ANFIS и NEFPROX из
[10], которые отражены в табл. 2, ANFIS
быстрее обучаются (количество эпох обучения примерно в 3 раза меньше) и значение среднеквадратичной ошибки RSME
(Root Mean Square Error) существенно ниже
(примерно в 20 раз меньше).
Таблица 1
Результаты анализа нейро-нечетких моделей в зависимости от области
их применения
Table 1
Analysis results of neuro-fuzzy models depending on their application field
Тип модели /
Model type
AMN (Associate Memory Network)
ANFIS (Adaptive Network Based Fuzzy
Inference System)
ARIC (Approximate Reasoning Based
Intelligent Control)
GARIC (Generalized Approximate Reasoning Based Intelligent Control)
FALCON (Fuzzy Adaptive learning
Control Network)
FAM (Fuzzy Assosiated Maps)
FBF (Fuzzy Basis Functions)
FUN (Fuzzy Net)
NEFPROX (Neuro-Fuzzy function
approximator)
NEFCLASS (Neuro-Fuzzy
Classification)
NEFCON (Neural Fuzzy CONtrol)
NNDFR (Neuron Network Driven Fuzzy
Reasoning)
ISSN 1814-3520
Область применения /
Application field
Классификация /
Прогнозирование /
Classification
Forecasting
–
–
–
+
–
–
–
–
–
–
–
–
–
–
–
–
–
+
+
–
–
–
–
–
ВЕСТНИК ИрГТУ № 6 (113) 2016/ PROCEEDINGS of ISTU № 6 (113) 2016
101
Информатика, вычислительная техника и управление
Information Science, Computer Engineering and Management
Таблица 2
Результаты тестирования нейро-нечетких моделей ANFIS и NEFPROX
Table 2
Test results of ANFIS and NEFPROX neuro-fuzzy models
Тип модели /
Model type
NEFPROX
ANFIS
Количество эпох обучения /
Number of iterations
216
75
На основании вышеизложенного
осуществлен выбор следующих типов моделей: для решения задач классификации
(выбор РП) использована сеть NEFCLASS;
для решения задач прогнозирования (прогноз площади пожара) – сеть ANFIS.
В ходе разработки алгоритма реализации нейро-нечетких моделей необходимо
предварительно осуществить выбор типов
функций принадлежности (ФП) параметров
моделей. В настоящее время существует
значительное число ФП нечетких множеств.
Поскольку вид ФП может существенно влиять на результаты вычислений [11], выполнен анализ существующих ФП с целью выявления типа функции для нейро-нечетких
моделей. В результате анализа выявлено,
что применение гауссовых и колоколообразных функций предпочтительней, так как
данные ФП дают более реальные результаты [12]. Существенное преимущество
гауссовых и колоколообразных ФП над
остальными базовыми функциями обусловлено их гладкостью и гибкостью из-за
использования уровня значимости и простотой реализации [13]. При этом колоколообразная ФП имеет некоторое преимущество перед гауссовой функцией. Однако
колоколообразная ФП не позволяет в полной мере учесть особенности параметров
моделей из-за имеющихся определенных
ограничений (не способна формировать
открытые слева или справа ФП).
Проведенный
анализ
позволил
впервые предложить применение в модели
выбора РП и модели прогнозирования
площади пожара комбинированные колоколообразные функции с порогами, поскольку
данный тип функций обладает преимуществами базовых колокообразных ФП, а за
счет введения порогов преодолевается
102
Среднеквадратичная ошибка RSME /
Root-mean-square error RSME
0,0332
0,0017
главный недостаток данного типа функций –
отсутствие способности формировать открытые слева или справа ФП.
Алгоритм реализации нейро-нечетких
моделей элементов процесса принятия
решений руководителем при тушении
пожаров в морских портах
Для построения комбинированных
колоколообразных с порогами ФП параметров моделей и формирования баз знаний
предложен алгоритм реализации нейронечетких моделей, представленный на
рисунке.
1. Ввод данных: X k  xik  – k -й
входной вектор параметров; X i j  xij  –
объекты, подлежащие кластеризации, где
i  1,N , j  1,M ,  ,   0 – положительные
коэффициенты кластеризации, 0 – пороговое значение для кластеризации.
2. Синтез системы нечеткого логического вывода из данных с использованием метода горной кластеризации (субтрактивной кластеризации).
2.1. Определение параметров ФП
путем определения потенциала точки, на
котором базируется горная кластеризация,
то есть числа, демонстрирующего близость
расположения данных в окрестности точки.
Шаг 1. Определение точек, которые
могут быть центрами кластеров. В качестве
центров кластеров выбраны объекты кластеризации (строчки матрицы X i j  xij  , где
, j  1,M ), число потенциальных центров кластеров D соответствует числу
объектов кластеризации N .
Шаг 2. Расчет для каждой такой точки значения потенциала P(Wn ) , показывающего возможность формирования кластера в окрестности точки по формулам [14]:
i  1,N
ВЕСТНИК ИрГТУ № 6 (113) 2016/ PROCEEDINGS of ISTU № 6 (113) 2016
ISSN 1814-3520
Информатика, вычислительная техника и управление
Information Science, Computer Engineering and Management
R(Wn , X k ) 
w
j 1,M
P(Wn ) 
из потенциалов по формуле [15]
 (Wn j  X k j )
2
j
 exp(   R(W , X
n
k
)) ,
,
(1)
(2)
i 1,N
где R(Wn ,X k ) – расстояние между потенциальным центром кластера (Wn ) и объектом
кластеризации ( X k ) ; w j – вес s -й координаты.
Шаг 3. Определение степени принадлежности ( X ik ) нечеткому множеству
( X ik ) 
P(Wn )
.
max j 1,n ( P(Wn ))
(3)
Шаг 4. Выбор координат вершин в
качестве центров кластеров посредством
ранжирования потенциалов центров кластеров с последующим назначением центром первого кластера точки с наибольшим
потенциалом P(W ) [14]:
P(W )  max P(Wn ),n
(4)
Блок-схема реализации нейро-нечетких моделей элементов процесса принятия решений
руководителем при тушении пожаров в морских портах
A block diagram of the implementation of neuro-fuzzy models of decision-making process elements
by a commander under fire extinguishing in seaports
ISSN 1814-3520
ВЕСТНИК ИрГТУ № 6 (113) 2016/ PROCEEDINGS of ISTU № 6 (113) 2016
103
Информатика, вычислительная техника и управление
Information Science, Computer Engineering and Management
Шаг 5. Перерасчет центров кластеров Vi с целью устранения влияния выявленного кластера, поскольку типичным случаем является наличие рядом с наивысшей
вершиной нескольких достаточно высоких
пиков. В ходе перерасчета центров кластеров Vi от текущих значений потенциала
вычитают вклад центра только что найденного кластера по формулам [14]:
Vi  arg max P(V
i
k ) , k  1,Dn ,
(5)
Pi 1(W )  P(W
(6)
i
n )  P(V
i
i )  exp(    R(Wn ,Vi )).
Шаг 6. Итерационная процедура пересчета потенциалов и выделения центров
кластеров продолжается до тех пор, пока
максимальное значение потенциала  ( )
превышает некоторый порог P0 : P(W
i
n )  P0 .
2.2. Формирование базы знаний
нейро-нечеткой модели. Суть синтеза нечетких правил, связывающих вход X с выходом Y , заключается в том, что центру
кластера Vi ( i  1,c ) ставится в соответствие
нечеткое правило [15]: ЕСЛИ X  x , ТО
Y  y.
3. Настройка системы нечеткого логического вывода: гибридный метод оптимизации; точность обучения – 0; количество итераций обучения – 400.
4. Определение параметров ФП,
наилучшим образом аппроксимирующей
нечеткое множество.
Шаг 1. Определение ограничений на
параметры ФП и начальную точку оптимизации. В качестве начальной точки оптимизации выбраны параметры колокообразных
функций, полученных в результате генерировании системы нечеткого логического
вывода:
 a1н  b1н  c1н  1
 в
в
в
 a1  b1  c1  300
н н
,
t1  t2  0,001
в в
t1  t2  1
t10  t20  0,5

l ( X ik ) 
для
1
X  c1
1
a1
k
i
2 b1
;
X ik  c1 ,
r ( X ik ) 
1
X  c2
1
a2
k
i
2 b2
;
(8)
– для колоколообразной ФП с порогом слева:
если l ( X ik )  t1 , то
(9)
l ( X ik )  t1 ;
– для колоколообразной ФП с порогом справа:
если r ( X ik )  t2 , то
r ( X ik )  t2 .
(7)
где a1н ,b1н ,c1н – нижняя граница коэффициен104
та концентрации, крутизны и координаты
максимума функции; a1в ,b1в ,c1в – верхняя граница коэффициента концентрации, крутизны и координаты максимума функции; t1н ,t1в
– нижняя и верхняя границы координаты
порога функции для левой ветки; t2н ,t2в –
нижняя и верхняя границы координаты порога функции для правой ветки; t10 ,t20 –
начальная точка оптимизации координаты
порога функции для левой и правой ветки.
Шаг 2. Установка начальных параметров оптимизации: максимальное число
итераций алгоритма – 100; минимальный
шаг по каждой из искомых переменных –
0,0000005; максимальный шаг по каждой из
искомых переменных – 0,1.
Шаг 3. Определение степеней принадлежности для левой ветки l ( X ik ) и
правой ветки r ( X ik ) ФП путем оптимизации параметров по формулам:
– для X ik  c2
(10)
Шаг 4. Внесение изменений в систему нечеткого логического вывода.
Применение рассмотренного выше
алгоритма направлено на повышение адекватности построения модели, что напрямую
ВЕСТНИК ИрГТУ № 6 (113) 2016/ PROCEEDINGS of ISTU № 6 (113) 2016
ISSN 1814-3520
Информатика, вычислительная техника и управление
Information Science, Computer Engineering and Management
влияет на качество принимаемых управленческих решений. Ключевыми отличиями
разработанного алгоритма от существующих являются возможность построения
комбинированной колоколообразной функции с порогами, наилучшим образом аппроксимирующей значения входного параметра.
Заключение
На основании полученных в научном
исследовании результатов можно сформировать следующие выводы:
1. Осуществлен выбор типов нейронечетких моделей: для решения задач
классификации возможно применение сети
NEFCLASS; для решения задач прогнозирования – сети ANFIS. Выбор сети
NEFCLASS обоснован характером решаемой задачи (задача классификации), для
которой может быть применена только сеть
данного типа. Выбор типа ANFIS обусловлен ее достаточной точностью и способностью быстрее обучается в сравнении с другими.
2. Выполнен выбор типов ФП параметров нейро-нечетких моделей. В диссертационном исследовании впервые предложено применять колоколообразные функции с порогами, поскольку данный тип
функций обладает рядом преимуществ перед другими типами (более реальные результаты, гладкость и гибкость, простота
реализации), а за счет введения порогов
преодолевается главный недостаток колоколообразных функций – отсутствие способности формировать открытые слева или
справа ФП.
3. Разработан алгоритм реализации
нейро-нечетких моделей для построения
комбинированных колокообразных с порогами ФП параметров и формирования баз
знаний. Ключевыми отличиями разработанного алгоритма от существующих являются возможность построения комбинированной колоколообразной функции с порогами, наилучшим образом аппроксимирующей значения входного параметра.
Библиографический список
1. Пожары и пожарная безопасность в 2007 году:
ственного технического университета. Серия: МорСтатистический сборник / под общ. ред. Н.П. Копыская техника и технология. 2012. № 2. С. 18–25.
лова. М.: ВНИИПО, 2008. 137 с.
10. Nadia Nedjah, Luiza de Macedo Mourelle. Fuzzy
2. Пожары и пожарная безопасность в 2008 году:
Systems Engineering: Theory and Practice (Studies in
Статистический сборник / под общ. ред. Н.П. КопыFuzziness and Soft Computing). Springer, 2005. 230 p.
лова. М.: ВНИИПО, 2008. 137 с.
11. Захаров В.А. О выборе методов построения
3. Пожары и пожарная безопасность в 2009 году:
функций принадлежности для формализации задач
Статистический сборник / под общ. ред. Н.П. Копыпринятия решений [Электронный ресурс]. URL:
лова. М.: ВНИИПО, 2010. 135 с.
http://www.smolensk.ru/user/sgma/MMORPH/N-124. Пожары и пожарная безопасность в 2010 году:
html/borisov/zakharov/zakharov.htm (26.05.2016).
Статистический сборник / под общ. ред. В.И. Клим12. Зайченко Ю.П., Заец И.О., Камоцкий О.В., Павкина. М.: ВНИИПО, 2011. 140 с.
люк О.В. Исследование разных видов функций при5. Пожары и пожарная безопасность в 2011 году:
надлежности параметров нечетких прогнозирующих
Статистический сборник / под общ. ред. В.И. Климмоделей в нечетком методе группового учета аргукина. М.: ВНИИПО, 2012. 137 с.
ментов // Управляющие системы и машины. 2003.
6. Пожары и пожарная безопасность в 2012 году:
№ 2. C. 1–15.
Статистический сборник / под общ. ред. В.И. Клим13. Халов Е.А Систематический обзор четких однокина. М.: ВНИИПО, 2013. 137 с.
мерных функций принадлежности интеллектуаль7. Пожары и пожарная безопасность в 2013 году:
ных систем // Информационные технологии и выСтатистический сборник; под общ. ред. В.И. Климчислительные системы. 2009. № 3. С. 60–74.
кина. М.: ВНИИПО, 2014. 137 с.
14. Агеев С.А. Применение интеллектуальных ме8. Станкевич Т.С. Анализ мирового и отечествентодов представления информации для управления
ного рынка программных средств, предназначенных
рисками информационной безопасности в защидля руководителя тушения пожара // Безопасность
щенных мультисервисных сетях специального
жизнедеятельности. 2014. № 7. С. 42–48.
назначения // Труды СПИИРАН. 2015. № 4 (41).
9. Кипер А.В., Станкевич Т.С. Разработка нечеткоС. 149–160.
го классификатора на базе нечеткой системы Суге15. Штовба С.Д. Проектирование нечетких систем
но для определения ранга пожара на территории
средствами MATLAB. М.: Горячая линия-Телеком,
морского порта // Вестник Астраханского государ2007. 288 с.
ISSN 1814-3520
ВЕСТНИК ИрГТУ № 6 (113) 2016/ PROCEEDINGS of ISTU № 6 (113) 2016
105
Информатика, вычислительная техника и управление
Information Science, Computer Engineering and Management
References
1. Pozhary i pozharnaya bezopasnost' v 2007 godu:
10. Nadia Nedjah, Luiza de Macedo Mourelle. Fuzzy
Statisticheskii sbornik [Fires and fire safety in 2007:
Systems Engineering: Theory and Practice (Studies in
Fuzziness and Soft Computing). Springer, 2005, 230 p.
Statistical Digest]. Moscow, VNIIPO Publ., 2008, 137 p.
2. Pozhary i pozharnaya bezopasnost' v 2008 godu:
11. Zakharov V.A. O vybore metodov postroeniya
Statisticheskii sbornik [Fires and fire safety in 2008:
funktsii prinadlezhnosti dlya for-malizatsii zadach
prinyatiya reshenii [Membership functions construction
Statistical Digest]. Moscow, VNIIPO Publ., 2008, 137 p.
3. Pozhary i pozharnaya bezopasnost' v 2009 godu:
choice for decision problems formalization] Available at:
Statisticheskii sbornik [Fires and fire safety in 2009:
http://www.smolensk.ru/user/sgma/MMORPH/N-12Statistical Digest]. Moscow, VNIIPO Publ., 2010, 135 p.
html/borisov/zakharov/ zakharov.htm (accessed 26.
4. Pozhary i pozharnaya bezopasnost' v 2010 godu:
May 2016).
Statisticheskii sbornik [Fires and fire safety in 2010:
12. Zaichenko Yu.P., Zaets I.O., Kamotskii O.V.,
Pavlyuk O.V. Issledovanie raznykh vidov funktsii
Statistical Digest]. Moscow, VNIIPO Publ., 2011, 140 p.
5. Pozhary i pozharnaya bezopasnost' v 2011 godu:
prinadlezhnosti parametrov nechetkikh prognoziruyushStatisticheskii sbornik [Fires and fire safety in 2011:
chikh modelei v nechetkom metode gruppovogo ucheta
argumentov [Research of the different types of predictStatistical Digest]. Moscow, VNIIPO Publ., 2012, 137 p.
6. Pozhary i pozharnaya bezopasnost' v 2012 godu:
ing model fuzzy parameters membership functions in
Statisticheskii sbornik [Fires and fire safety in 2012:
the fuzzy method of arguments group account]. Upravlyayushchie sistemy i mashiny – Control systems and
Statistical Digest]. Moscow, VNIIPO Publ., 2013, 137 p.
7. Pozhary i pozharnaya bezopasnost' v 2013 godu:
Machines. 2003, no. 2, pp. 1–15.
Statisticheskii sbornik [Fires and fire safety in 2013:
13. Khalov E.A Sistematicheskii obzor chetkikh odnomernykh funktsii prinadlezhno-sti intellektual'nykh
Statistical Digest]. Moscow, VNIIPO Publ,. 2014, 137 p.
8. Stankevich T.S. Analiz mirovogo i otechestvennogo
sistem [A systematic review of intelligent systems prerynka programmnykh sredstv, prednaznachennykh dlya
cise one-dimensional membership functions]. Inforrukovoditelya tusheniya pozhara [Analysis of the global
matsionnye tekhnologii i vychislitel'nye sistemy – Information technologies and computer systems. 2009, no.
and national markets of software designed for the fire
extinguishing commander]. Bezopasnost' zhizned3, pp. 60–74.
eyatel'nosti – Life Safety. 2014, no. 7, pp. 42–48.
14. Ageev S.A. Primenenie intellektual'nykh metodov
9. Kiper A.V., Stankevich T.S. Razrabotka nechetkogo
predstavleniya informatsii dlya upravleniya riskami inklassifikatora na baze nechet-koi sistemy Sugeno dlya
formatsionnoi bezopasnosti v zashchishchennykh
opredeleniya ranga pozhara na territorii morskogo porta
mul'tiservisnykh setyakh spetsial'nogo naznacheniya
[Sugeno fuzzy system-based designing of a fuzzy clas[The use of intelligent methods of information presentasifier for determining a fire rank in a seaport]. Vestnik
tion for information security risk control in special purAstrakhanskogo gosudarstvennogo tekhnicheskogo
pose protected multiservice networks]. Trudy SPIIRAN
universiteta. Seriya Morskaya tekhnika i tekhnologiya –
– SPIIRAS Proceedings. 2015, no 4 (41), pp. 149–160.
Vestnik of Astrakhan State Technical University. Series:
15. Shtovba S.D. Proektirovanie nechetkikh sistem
Marine engineering and technology. 2012, no. 2, pp.
sredstvami MATLAB [Fuzzy system design by MATLAB
18–25.
tools] Moscow, Goryachaya liniya-Telekom Publ., 2007,
288 p.
Конфликт интересов
Авторы заявляют об отсутствии конфликта
интересов.
Статья поступила 29.05.2016 г.
106
Conflict of interest
The authors declare no conflict of interest.
The article was received 29 May 2016
ВЕСТНИК ИрГТУ № 6 (113) 2016/ PROCEEDINGS of ISTU № 6 (113) 2016
ISSN 1814-3520
1/--страниц
Пожаловаться на содержимое документа