Россия
Россия
Россия
В настоящей статье рассматривается система поддержки принятия решений (DSS), основанная на нечетких методах, применяемых для идентификации и обработки газодинамических изображений, полученных при мониторинге и управлении процессами подземной угольной шахтной атмосферы. DSS поддерживает решения оператора вентиляции в сложных и непредвиденных газодинамических ситуациях. В работе проанализирована количественная и качественная информация, используемая оператором вентиляции для принятия решений. На основании этих данных проведен анализ эффективности применения нечетких моделей и методов для интерпретации и обработки газодинамических изображений. Предложены нечеткие модели и методы интерпретации и обработки газодинамических изображений. В дальнейшем на основании данных моделей и методов будет разработано программное обеспечение поддержки принятия решений оператора.
система поддержки принятия решений, нечеткие методы, процессы мониторинга и управления подземными объектами
1. Аждер Т. Б., Гуреева О. А. Системы поддержки принятия решений и информационные системы // Уральский научный вестник. – 2019. – Т. 6, № 3. – С. 46-48. – EDN GKFBGV.
2. Iskra N. A., Iskra V., Lukashevich M. Neural network based image understanding with ontological approach // Открытые семантические технологии проектирования интеллектуальных систем. – 2019. – No. 3. – P. 113-122. – EDN DVIKMR.
3. Оценка эффективности методического и алгоритмического обеспечения системы поддержки принятия решений специального назначения / Р. В. Допира, А. Н. Потапов, Д. Ю. Брежнев [и др.] // Программные продукты и системы. – 2019. – № 2. – С. 273-282. – EDN ECHWVQ.
4. Voskoboinikov Yu. E. A locally adaptive wavelet filtering algorithm for images // Analysis and Data Processing Systems. – 2023. – No. 1(89). – P. 25-36. – DOIhttps://doi.org/10.17212/2782-2001-2023-1-25-36. – EDN GDNRIB.
5. Горбина Е. В., Кот М. А. Особенности использования корреляционных взаимосвязей для анализа экспериментальных данных // Традиции и инновации в современной науке: Сборник материалов XVI Международной научно-практической конференции, Москва, 30 ноября 2016 года. – М.: Научный центр "Олимп", 2016. – С. 85-87. – EDN XRTORJ.
6. Локшина И. В., Инсинга Р. С. Разработка моделей и алгоритмов интеллектуальной системы поддержки решений оператора вентиляции угольной шахты. – Москва, 1995.
7. Nagaytsev I. V. Classification of typical technological processes using neural networks // The World of Science without Borders: Proceedings of the 10th All-russian scientific and practical conference (with international participation) for young researchers, Tambov, 21 апреля 2023 года. – Tambov: Издательский центр ФГБОУ ВО "Тамбовский государственный технический университет", 2023. – P. 237-239. – EDN DXXETK.
8. Боженко П. П., Стативко Р. У. Краткая характеристика нейронных сетей. Реализация расширяемой нейронной сети // Вестник молодёжной науки России. – 2019. – № 5. – С. 1. – EDN SDFVWR.
9. Sherstneva Yu. G., Dmitriev V. D. The use of neural networks in high-tech areas // Решетневские чтения: Материалы XXVI Международной научно-практической конференции, посвященной памяти генерального конструктора ракетно-космических систем академика М.Ф. Решетнева. В 2-х частях, Красноярск, 09–11 ноября 2022 года / Под общей редакцией Ю.Ю. Логинова. Vol. Часть 2. – Красноярск: Федеральное государственное бюджетное образовательное учреждение высшего образования "Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева", 2022. – P. 196-198. – EDN MEMYPU.
10. Шляхова Н. И. Метод построения функций принадлежности нечетких множеств на основе модификации метода попарных сравнений и прямого группового метода // Актуальные проблемы современной науки: IV Международная научно-практическая конференция, Алушта, 27–30 апреля 2015 года. Том Выпуск 4, Том 2. – Алушта: Ставропольский университет, 2015. – С. 285-287. – EDN UECTDL.
