Россия
сотрудник с 01.01.1972 по 01.01.2025
Россия
УДК 355.588 Организация спасательной службы. Мероприятия при нанесении ущерба
Представлена автоматизированная информационная система для оценки физиологической готовности специалистов к выполнению задач в условиях ограниченного ресурса дыхательной смеси. Цель системы – повышение надёжности и безопасности действий персонала в экстремальных ситуациях за счёт персонализированного прогнозирования физиологических реакций. В системе реализована гибридная модель интеллектуального анализа данных, прогнозирующая временной ряд лёгочной вентиляции на основе характеристик маршрута, физической нагрузки и индивидуальных признаков пользователя. Модель основана на архитектуре sequence-to-sequence на базе long short-term memory и включает обучаемый спектрально-инерционный слой сглаживания выходного сигнала. Предложена модифицированная функция потерь с учётом асимметрии ошибок и временной актуальности данных, что повышает точность и надёжность прогноза. Система реализована в виде веб-приложения с интерфейсом для задания маршрутов, выбора пользователя и визуализации результатов. Экспериментальные испытания подтвердили высокую точность модели и устойчивость к индивидуальной вариативности, что демонстрирует эффективность предложенного подхода для подготовки и оценки готовности персонала.
автоматизированная информационная система, интеллектуальный анализ данных, информационные технологии, подготовка спасателей, подготовка промышленного персонала, изолирующие дыхательные аппараты, нейросетевые модели
1. Тулупов Д.Ю., Тютюнник В.М. Обработка данных для информационной системы подготовки спасателей и промышленного персонала // Приборы и системы. Управление. 2025. № 7. С. 25–31. DOI:https://doi.org/10.25791/pribor.7.2025.1598.
2. Тулупов Д.Ю., Путин С.Б., Тютюнник В.М. Автоматизированная информационная система регистрации параметров работы индивидуальных средств защиты органов дыхания с применением беспроводных технологий передачи данных // Информационные ресурсы России. 2024. № 4 (199). С. 44–59. DOI:https://doi.org/10.52815/0204-3653_2024_4199_44.
3. Тулупов Д.Ю. Модели интеллектуального анализа данных и информационных технологий для подготовки спасателей и промышленного персонала // Информационные процессы, системы и технологии. 2025. Т. 6. № 2 (34). С. 12–22. DOI:https://doi.org/10.52529/27821617_2025_6_2_00.
4. Черкасов Д.Ю., Иванов В.В. Машинное обучение // Наука, техника и образование. 2018. № 5 (46). С. 63–66.
5. Арланова А.А., Нобатов А.М. Интеллектуальный анализ данных: виды и методы // Вестник науки. 2023. Т. 2. № 1 (58). С.7–10.
6. Sutskever I., Vinyals O., Le Q.V. Sequence to sequence learning with neural networks // Advances in Neural Information Processing Systems. 2014. Vol. 27. P. 3104–3112.
7. Yemets K., Izonin I., Dronyuk I. Enhancing the FFT-LSTM Time-Series Forecasting Model via a Novel FFT-Based Feature Extraction–Extension Scheme // Big Data and Cognitive Computing. 2025. Vol. 9. № 2. P. 35. DOI:https://doi.org/10.3390/bdcc9020035.
8. Gopakumar V., Pamela S., Zanisi L. Fourier-RNNs for modelling noisy physics data // arXiv preprint arXiv:2302.06534. 2023. DOI:https://doi.org/10.48550/arXiv.2302.06534.
9. Welch P.D. The use of fast Fourier transforms for the estimation of power spectra: A method based on time averaging over short modified periodograms // IEEE Transactions on Audio and Electroacoustics. 1967. Vol. 15. P. 70–73. DOI:https://doi.org/10.1109/TAU.1967.1161901.
10. Chistyakov S.P. Random forests: a review // Proceedings of the KarSC RAS. 2013. № 1. P. 107–118.
11. Smyl S., Dudek G., Pełka P. ES-dRNN: a hybrid exponential smoothing and dilated recurrent neural network model for short-term load forecasting // IEEE Transactions on Neural Networks and Learning Systems. 2023. Vol. 35. № 8. P. 11346–11358.
