ВИБІР МАТЕМАТИЧНОГО АПАРАТУ ДЛЯ ПОБУДОВИ МОДЕЛІ ПРОГНОЗУВАННЯ НЕСПРИЯТЛИВИХ АВІАЦІЙНИХ ПОДІЙ ПІД ЧАС ПОЛЬОТУ
Ключові слова:
прогнозування, класифікація, байєсівський класифікатор, метод опорних векторів, згорткова нейронна мережа, рекурентна нейронна мережа
Анотація
Мета статті. Проведення дослідження та вибір найбільш ефективного математичного апарату для побудови моделі прогнозування несприятливих авіаційних подій під час польоту. Результати. В статті проведений аналіз відомих методів, що використовуються для вирішення задач класифікації даних с точки зору доцільності їх застосування для побудови моделі прогнозування несприятливих авіаційних подій під час польоту на основі аналізу текстових повідомлень. Розглянуто наступні методи: логістична регресія, метод опорних веторів, наївний байєсівський класифікатор, випадковий ліс (random forest). Крім того для вирішення подібного класу задач розглянуто згорткові та рекурентні нейронні мережі в яких застосовуються алгоритми глибокого навчання. Висновки. В результаті аналізу вказаних методів для побудови моделі прогнозування несприятливих авіаційних подій під час польоту на основі аналізу текстових повідомлень обрано математичний апарат глибоких нейронних мереж. Завдяки застосуванню в них алгоритмів глибокого навчання вони володіють найбільш високою точністю у порівнянні з традиційними підходами.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Состояние безопасности полетов в гражданской авиации государств-участников соглашения о гражданской авиации и об использовании воздушного пространства в первом полугодии 2018 г. [Электронный ресурс]. – Режим доступа: https://mak-iac.org/upload/iblock/5b0/bp-18-1.pdf.
2. П.Флах Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из даннях / пер. с англ А.А.Слинкина. ̶М.: ДМК Пресс, 2015. –̶400 с.
3. Бідюк П.І. Основні етапи побудови і приклади застосування мереж Байєса / П.І. Бідюк, Н.В. Кузнєцова // Систем. дослідж. та інформ. технології. — 2007. — № 4. — С. 26 — 39.
4. dos Santos C.N., Gatti M. Deep Convolutional Neural Networks for Sentiment Analysis of Short Texts // COLING, 2014. P. 69 – 75.
5. Y. Kim. Convolutional neural networks for sentence classification. arXiv:1408.5882 [cs.CL], 2014.
6. C. Olah. Neural networks, recurrent neural networks, convolutional neural networks [Электронный ресурс]. – Режим доступа: http://colah.github.io.
7. Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation 9, 1997. Issue 8. P. 1735 – 1780.
2. П.Флах Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из даннях / пер. с англ А.А.Слинкина. ̶М.: ДМК Пресс, 2015. –̶400 с.
3. Бідюк П.І. Основні етапи побудови і приклади застосування мереж Байєса / П.І. Бідюк, Н.В. Кузнєцова // Систем. дослідж. та інформ. технології. — 2007. — № 4. — С. 26 — 39.
4. dos Santos C.N., Gatti M. Deep Convolutional Neural Networks for Sentiment Analysis of Short Texts // COLING, 2014. P. 69 – 75.
5. Y. Kim. Convolutional neural networks for sentence classification. arXiv:1408.5882 [cs.CL], 2014.
6. C. Olah. Neural networks, recurrent neural networks, convolutional neural networks [Электронный ресурс]. – Режим доступа: http://colah.github.io.
7. Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation 9, 1997. Issue 8. P. 1735 – 1780.
Опубліковано
2018-10-30
Як цитувати
GryshmanovЕ. Вибір математичного апарату для побудови моделі прогнозування несприятливих авіаційних подій під час польоту / GryshmanovЕ. // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2018. – Т. 5 (51). – С. 20-23. – doi:https://doi.org/10.26906/SUNZ.2018.5.020.
Розділ
Контроль космічного та повітряного простору
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
