CC BY
7
УДК 621.396
DOI: 10.24412/2071-6168-2022-8-156-160
РАСПОЗНАВАНИЕ И ПРОГНОЗИРОВАНИЕ ТИПОВЫХ УЧЕБНО-БОЕВЫХ МЕРОПРИЯТИЙ С ИСПОЛЬЗОВАНИЕМ СИТУАЦИОННЫХ МОДЕЛЕЙ
Н.П. Удальцов, П.А. Агеев, А.М. Кудрявцев
В статье рассматриваются основные способы распознавания и прогнозирования типовых учебно-боевых мероприятий с использованием ситуационных моделей с целью совершенствования способов и методов работы и повышения качества управления.
Ключевые слова: учебно-боевое мероприятие, распознавание, прогнозирование, модель, система, объект, мониторинг, обстановка, событие, поток.
Распознавание и прогнозирование учебно-боевых мероприятий (УБМ) - процесс сопоставления ранее разработанных типовых моделей УБМ (для различных типовых ситуаций) на основе предыдущего опыта мониторинга обстановки и соответствующих справочных данных с реально добываемыми данными и по степени похожести, формулирование выводов о возможном типе УБМ на данный момент и в каком направлении могут осуществляться его изменения.
Ограниченная точность средств мониторинга в системах реального времени, наличие нескольких независимых каналов наблюдения, присутствие шумов и искажений приводят к неполноте, неточности и противоречивости информации о событиях. Как следствие, в наблюдаемом потоке событий могут присутствовать шумовые события, пропуски событий, искажения параметров и т. д. Выявление причинно-следственных зависимостей между событиями и комбинациями событий в процессе УБМ является нетривиальной задачей, требующей участия в ее решении человека-оператора или эксперта. Снизить зависимость от «человеческого фактора» можно путем автоматизации процессов мониторинга и прогнозирования ситуаций с использованием интеллектуальных систем (ИС). Наиболее подходящим инструментом могли бы стать ИС, основанные на прецедентах, действующие на основе принципов: «ситуациям свойственно повторяться» и «в подобных ситуациях могут быть приняты подобные решения». Однако, использовать существующие модели прецедентных ИС для решения задач мониторинга и прогнозирования ситуаций невозможно из-за их чрезмерной статичности: независимые друг от друга проблемные ситуации в них никогда не пересекаются во времени - в каждый момент рассматривается только один прецедент, не допускающий развития ситуации и являющийся статическим «снимком» значений параметров. В то же время, реализация динамических прецедентных ИС требует соответствующего теоретического обоснования.
Основой для принятия решений по прецедентам в прецедентных ИС реального времени является выявление подобия для последовательностей (потоков) событий: наблюдаемых и эталонных, хранимых в рабочей памяти (базах данных). Использование событийных моделей, описание динамики типовых УБМ в прецедентах с помощью потоков событий требуют разработки методики оценки подобия последовательностей, способного учитывать неполноту и неточность информации, с достаточно низкой для систем реального времени вычислительной сложностью.
Наибольшее распространение в прецедентных ИС получили абсолютные, относительные и метрические оценки подобия, восходящие к известной из теории подобия Тверского и основанные на исследовании совпадающих и различающихся свойств пары объектов. Каждый из объектов представляется как множество числовых параметров, между которыми измеряется расстояние (Евклидово, Манхэттенское, Римановское и т. д.) [1]. Метрические оценки основываются на использовании отношений совершенного или полного порядка для заданного множества и представляются в виде нормализованного вещественного числа из диапазона [0...1], или элементом решетки, построенной на основе отношения порядка. Декларативные методы метрической оценки подобия имеют значительную вычислительную сложность, вследствие чего не могут использоваться в системах реального времени. Процедурные методы используют искусственные концепты, такие как векторы коэффициентов значимости для совпадающих и различающихся параметров, коэффициенты выпуклости множеств параметров, граничные срезы отношения порядка и т. д., которые, во-первых, являются статическими, а во-вторых, выбираются
156
экспертами в процессе разработки ИС, что существенно ограничивает их применимость. Все рассмотренные декларативные и процедурные методы оценки подобия основаны на принципе попарного сопоставления объектов. Между тем, в динамических ИС требуется оценивать подобие не пар, а последовательностей объектов. В рассматриваемых задачах необходимо оценивать подобие не отдельных событий, а их последовательностей, поэтому известные методы оценки подобия объектов непосредственно использоваться не могут.
Вопросы оценки подобия последовательностей объектов на сегодняшний день исследованы недостаточно [2]. Предложенныйметод сравнения длинных последовательностей, основанный на подсчете расстояния Левенштайна, практическая реализация которого затруднительна ввиду его значительной вычислительной сложности. В [3] для сравнения последовательностей предложены нейронные сети и генетические алгоритмы, которые в ИС реального времени не могут быть использованы в силу их нелинейности.
В [4] предложен подход к сравнению последовательностей объектов, неадаптивный к условиям неточной и противоречивой информации. Подходящим для реализации в условиях неполной и неточной информации является метод динамического подсчета вхождений [5], разработанный для решения специфической задачи обнаружения вторжений в компьютерные сети. В его основе лежит статистическая модель подсчета вхождений событий, отдающая приоритет слабо схожим редко встречающимся последовательностям в противовес сильно схожим часто встречающимся последовательностям, что препятствует использованию данного метода в других предметных областях.
Таким образом, задача динамической оценки подобия последовательностей событий представляет собой недостаточно исследованную область, решение ее в условиях неполноты и неточности наблюдений в реальном времени известными методами получить невозможно.
Цель разработки методики состоит в синтезе метода динамической оценки подобия двух потоков событий в условиях неполной и неточной информации, пригодного для практической реализации в прецедентных системах реального времени для решения задач мониторинга и прогнозирования ситуаций в ходе типовых УБМ.
Для обеспечения требуемой эффективности длинные потоки событий необходимо сегментировать, разбивая на последовательности небольшой длины. Кроме того, необходимо усовершенствовать схему подсчета затрат на совмещение сегментов, обеспечив ей более низкую вычислительную сложность, и обеспечить учет временных взаимоотношений между событиями, для чего задать явную временную шкалу, к которой и привязать события потоков данных.
Фактически, поступающие в систему распознавания и прогнозирования события могут быть представлены как входной поток событий, характеризующий реально проводимые УБМ.
Считываемые из базы данных модели УБМ в этом случае представляются как эталонные потоки событий. Сравнение этих двух потоков позволяет определить степень их похожести и. соответственно, принять решение о типе проводимых УБМ и спрогнозировать их развитие
Разработанные эталонные описания типовых УБМ позволяют реализовать процедуры распознавания и прогнозирования типовых УБМ. Алгоритм, реализующий данные процедуры, представлен на рис. 1.
Сущность данного алгоритма заключается в следующем.
Этап 1. С информационных датчиков считываются (поступают) зарегистрированные реальные события: условный номер события, время регистрации.
Этап 2. Сравнение с эталонными описаниями ситуаций (типовыми УБМ) путем сопоставления потоков поступающих событий и с событиями, представленными в эталонных описаниях ситуаций (типовых УБМ) с учетом зависимых и независимых событий, индексация зарегистрированных реальных событий.
Этап 3. В случае, если обнаружены совпадающие события (группы событий), осуществляется переход к этапу 4, в противном случае - к этапу 5.
Этап 4. Вычисление степени похожести потоков регистрируемых событий с потоками событий эталонных описаний ситуаций (типовых УБМ) на конкретном примере показан на рис. 2.
В данном примере большей похожестью на реальные УБМ обладает эталон 1 (0,68) против эталона 2 (0,5).
Этап 5. В случае, если поток поступающих на распознавание событий исчерпан и при этом на этапе 3 не выявлено совпадающих событий с эталонами, осуществляется переход к этапу 6, в противном случае - к этапу 8.
Этап 6. Осуществляется процедура отказа от распознавания ситуации (типового УБМ) в виду недостаточности информации (отсутствия совпадающих с эталонами событий).
Этап 7. Ранжирование вариантов возможных ситуаций (типовых УБМ) по степени похожести на эталоны.
^ Начало J
Г Конец )
Рис. 1. Алгоритм распознавания и прогнозирования типовых УБМ
N(t)o5LL4
N(t)i
il
N(t) =
1
L
ЭТАЛОН 2
P(t)nox - N (t)ся.соб/N (t)соб.овщ
N(t)i- 1+1 = 2 N(1^-0.5+1 = 1.5
P(t>««i= 2/3= 0.68 1.5/3= 0.5
Рис. 2. Вычисление степени похожести проводимых УБМ с эталонными
158
Этап 8. Проверка наличия дополнительной информации (событий, характеризующих проводимые УБМ). В случае отсутствия осуществляется вывод данных о возможном типе ситуации (УБМ) с указанием степени похожести. В противном случае осуществляется переход к этапу 1.
Таким образом, разработанный алгоритм распознавания и прогнозирования типовых учебно-боевых мероприятий позволяет должностным лицам информационно-аналитических органов в масштабе времени, близком к реальному, принимать решения о типах проводимых УБМ по данным средств мониторинга обстановки и прогнозировать их дальнейший ход.
Список литературы
1. Бронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся втузов: учебное пособие. СПб: Издательство «Лань», 2010. 608 с.
2. Шерстюк В.Г. Метод динамической оценки двух потоков событий. Учебное пособие. Херсон ХНТУ, 2011. С. 82-106.
3. Малютин В.А. Вскрытие источников, объектов и кризисных ситуаций в сложных условиях. Л.: ВАС, 1988. 201 с.
4. Ивченко Г.И., Каштанов В.А., Ковальченко И.Н. Теория массового обслуживания. Учебное пособие для ВУЗов. М.: Высшая школа, 1982. 256 с.
5. Трофимова Л.А., Трофимов В.В. Управленческие решения (методы принятия и реализации). Учебное пособие. СПб.: СПбГУЭФ, 2011. 190 с.
Удальцов Николай Петрович, канд. воен. наук, профессор, преподаватель, [email protected], Россия, Санкт-Петербург, Военная академия связи имени Маршала Советского Союза С.М. Буденного,
Агеев Павел Александрович, канд. воен. наук, преподаватель, Россия, Санкт-Петербург, Военная академия связи имени Маршала Советского Союза С.М. Буденного,
Кудрявцев Александр Михайлович, д-р воен. наук, профессор, Россия, Санкт-Петербург, Военная академия связи имени Маршала Советского Союза С.М. Буденного
RECOGNITION AND PREDICTION OF TIPICAL MILITARY TRAINING ACTIVITIES USING SITUATIONAL PATERNS
N.P. Udalzov, P.A. Ageev, A.M. Kudrayvcev
The article discusses the main ways of Recognition and Prediction of typical military training activities using situational patterns in order to improve ways of working and management quality.
Key words: military training activities, recognition, prediction, pattern, system, object, monitoring, situation.
Udalzov Nikoly Petrovich, candidate of military sciences, professor, lecturer, pol18deligne@rambler. ru, Russia, Sankt-Petersburg, Military Academy of Telecommunications named after Marshal of the Soviet Union S.M. Bydyonny,
Ageev Pavel Aleksandrovich, candidate of military sciences, lecturer, Russia, Sankt-Petersburg, Military Academy of Telecommunications named after Marshal of the Soviet Union S.M. Bydyonny,
Kudrayvcev Aleksandr Mikhailovich, doctor of military sciences, professor, Russia, Sankt-Petersburg, Military academy of telecommunications named after Marshal of the Soviet Union S.M. Bydyonny
