Метод прогнозування несприятливих авіаційних подій під час польоту на основі гібридних нейронних мереж
DOI:
https://doi.org/10.33099/2311-7249/2019-34-1-69-75Ключові слова:
безпека польотів, прогнозування, згорткова нейронна мережа, рекурентна нейронна мережа, модуль LSTM, функція активації, тензорАнотація
В роботі представлено структуру методу прогнозування несприятливих авіаційних подій під час польоту на основі згорткових нейронних мереж (CNN) та рекурентних нейронних мереж (RNN) на базі модулів LSTM. Безпосередньо під прогнозуванням в роботі мається на увазі вирішення задачі аналізу текстових повідомлень, що представлені у вигляді структурованого та неструктурованого тексту та формуються на основі даних, отриманих від різних джерел інформації в процесі управління повітряним рухом. Детально розглянуто процедуру визначення гіперпараметрів та процедуру навчання гібридної нейромережевої моделі для прогнозування несприятливих авіаційних подій в польоті з використанням CNN та LSTM.
Посилання
1. Fact sheet. Status of civil aviation safety of the States Parties to the Agreement on Civil Aviation and the Use of Air in the first half of 2018. URL: https://mak-iac.org/upload/iblock/5b0/bp-18-1.pdf.
2. Statistical Summary of Commercial Jet Airplane Accidents. Worldwide Operations 19592008, Boeing Commercial Airplanes, Seattle, Washington 98124-2207, USA.
3. V.D.Sharov. Application of the Bayesian approach for specifying the probabilities of events in the automated system of forecasting and prevention of aviation accidents / V.D.Sharov // Management of large systems. – 2013. №43. – С.240 – 253.
4. V.P.Makarov. Method of forecasting and prevention of aviation accidents on the basis of the “Factors hazard tree” analysis: Dissertation Candidate of Technical Sciences / V.P.Makarov. – М., 2013. – P.137.
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. http://colah.github.io/.
7. Dos Santos C.N., Gatti M. Deep Convolutional Neural Networks for Sentiment Analysis of Short Texts // COLING, 2014. P. 69 – 70.
8. S.Hochreiter, J.Schmidhuber. Long short-term memory // Neural computation 9, 1997. Issue 8. P. 1735 – 1780.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати як монографію), за умови збереження посилання на першу публікацію роботи у цьому журналі.
3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
4. Персональні дані і метадані, які наводяться у статтях, надаються для їх зберігання і оброблення в різноманітних базах даних і інформаційних системах, включення їх в аналітичні і статистичні звітності, створення обгрунтованих взаємозв'язків об'єктів творів науки, літератури і мистецтва з персональними даними і т.п. на території, яка не обмежена.