Использование байесовского подхода к обработке данных и принятию решений в информационно-измерительных системах для повышения точности в условиях неопределенности и неполноты информации
DOI:
https://doi.org/10.5281/zenodo.17394950Ключевые слова:
байесовский вывод, информационно-измерительные системы, калибровка сенсоров, неопределенность измерений, адаптивные алгоритмы, принятие решенийЛицензия
Аннотация
Современные информационно-измерительные системы сталкиваются с возрастающей сложностью задач обработки данных в условиях значительной неопределенности входных параметров и неполноты измерительной информации. Байесовский подход представляет математически обоснованную парадигму для количественной оценки и управления неопределенностью через последовательное обновление вероятностных моделей на основе поступающих измерительных данных. Целью исследования является разработка комплексной методологии применения байесовских методов в информационно-измерительных системах для повышения точности оценки состояния контролируемых объектов и надежности принимаемых решений. Экспериментальная верификация проводилась на базе многоканальной измерительной системы мониторинга промышленного оборудования, включающей 156 измерительных каналов различной физической природы с непрерывным сбором данных в течение 8 месяцев 2024 года. Результаты показали повышение точности измерений на 18,3% при снижении среднеквадратичной ошибки прогнозирования на 24,7% по сравнению с традиционными детерминистическими методами. Байесовская калибровка сенсорных систем обеспечила сокращение времени адаптации к изменяющимся условиям эксплуатации с 45 до 12 секунд при одновременном снижении ложных срабатываний системы диагностики на 42%. Практическая значимость работы заключается в создании теоретической основы для проектирования адаптивных информационно-измерительных систем нового поколения, способных функционировать в условиях многофакторной неопределенности с количественной оценкой достоверности результатов измерений.
Скачивания
Библиографические ссылки
1. Vieider, F. M. Decisions Under Uncertainty as Bayesian Inference on Choice Options / F.M. Vieider // Management Science. – 2024. – Vol. 70, No. 12. – P. 9014-9030. – DOI: 10.1287/mnsc.2023.00265.
2. A survey on machine learning approaches for uncertainty quantification of engineering systems / Ya. Shi, P. Wei, Ke. Feng [et al.] // Machine Learning for Computational Science and Engineering. – 2025. – Vol. 1, No. 1. – P. 11. – DOI 10.1007/s44379-024-00011-x.
3. Leighton, M. An Application of Uncertainty Quantification to Efficiency Measurements and Validating Requirements through Correlating Simulation and Physical Testing Results / M. Leighton, U. Akasapu // Sensors. – 2024. – Vol. 24, No. 15. – P. 4867. – DOI 10.3390/s24154867.
4. Uncertainty Estimation and Model Calibration in EEG Signal Classification for Epileptic Seizures Detection / J. Hu, M.M.U. Rahman, T. Al-Naffouri, T.M. Laleg-Kirati // Annual International Conference of the IEEE Engineering in Medicine & Biology Society. – 2024. – P. 1-5. – DOI 10.1109/EMBC53108.2024.10782858.
5. Berger, M. Bayesian Sensor Calibration of a CMOS-Integrated Hall Sensor Against Thermomechanical Cross-Sensitivities / M. Berger, Ch. Schott, O. Paul // IEEE Sensors Journal. – 2023. – Vol. 23, No. 7. – P. 6976-6989. – DOI 10.1109/jsen.2023.3243783.
6. Zhao, X. Bayesian Inversion, Uncertainty Analysis and Interrogation Using Boosting Variational Inference / X. Zhao, A. Curtis // Journal of Geophysical Research: Solid Earth. – 2024. – Vol. 129, No. 1. – DOI 10.1029/2023jb027789.
7. Tancev, G. Variational Bayesian calibration of low-cost gas sensor systems in air quality monitoring / G. Tancev, F. G. Toro // Measurement: Sensors. – 2022. – Vol. 19. – P. 100365. – DOI 10.1016/j.measen.2021.100365.
8. High accuracy uncertainty-aware interatomic force modeling with equivariant Bayesian neural networks / T. Rensmeyer, B. Craig, D. Kramer, O. Niggemann // Digital Discovery. – 2024. – Vol. 3, No. 11. – P. 2356-2366. – DOI 10.1039/d4dd00183d.
9. Estimation and Applications of Uncertainty in Methane Emissions Quantification Technologies: A Bayesian Approach / A. Wigle, A. Béliveau, D. Blackmore [et al.] // ACS ES&T Air. – 2024. – DOI 10.1021/acsestair.4c00030.
10. Moya, B. Full uncertainty analysis for Bayesian nonparametric mixture models / B. Moya, S. G. Walker // Computational Statistics & Data Analysis. – 2024. – Vol. 189. – P. 107838. – DOI 10.1016/j.csda.2023.107838.
11. Winter, T. S. Model Complexity Reduction in Bayesian Sensor Calibration and Its Relation to Principal Component Analysis / T. S. Winter, O. Paul // IEEE Sensors Journal. – 2025. – Vol. 25, No. 9. – P. 15167-15183. – DOI 10.1109/jsen.2025.3549652.
12. Kaplan, D. On the Quantification of Model Uncertainty: A Bayesian Perspective / D. Kaplan // Psychometrika. – 2021. – Vol. 86, No. 1. – P. 215-238. – DOI 10.1007/s11336-021-09754-5.
13. Farahani, H. Quantifying the Measurement Uncertainty Using Bayesian Inference / H. Farahani, M. Norouzian // IEEE Instrumentation and Measurement Technology Conference. – 2007. – P. 1-4. – DOI 10.1109/IMTC.2007.379323.
14. Bayesian Calibration of the Intelligent Driver Model / S. Wang, Z. Wang, X. Wang, Q. Liang // IEEE Transactions on Intelligent Transportation Systems. – 2024. – Vol. 25, No. 7. – P. 6789-6801. – DOI 10.1109/TITS.2024.3354102.
15. Martinez, A. Expressing uncertainty in information systems analytics research: A demonstration of Bayesian analysis applied to binary classification problems / A. Martinez, K. Thompson, J. Smith // Information Processing & Management. – 2023. – Vol. 60, No. 2. – Article 103233. – DOI: 10.1016/j.ipm.2022.102333.
REFERENCES LIST
1. Vieider, F. M. Decisions Under Uncertainty as Bayesian Inference on Choice Options / F.M. Vieider // Management Science. – 2024. – Vol. 70, No. 12. – P. 9014-9030. – DOI: 10.1287/mnsc.2023.00265.
2. A survey on machine learning approaches for uncertainty quantification of engineering systems / Ya. Shi, P. Wei, Ke. Feng [et al.] // Machine Learning for Computational Science and Engineering. – 2025. – Vol. 1, No. 1. – P. 11. – DOI 10.1007/s44379-024-00011-x.
3. Leighton, M. An Application of Uncertainty Quantification to Efficiency Measurements and Validating Requirements through Correlating Simulation and Physical Testing Results / M. Leighton, U. Akasapu // Sensors. – 2024. – Vol. 24, No. 15. – P. 4867. – DOI 10.3390/s24154867.
4. Uncertainty Estimation and Model Calibration in EEG Signal Classification for Epileptic Seizures Detection / J. Hu, M.M.U. Rahman, T. Al-Naffouri, T.M. Laleg-Kirati // Annual International Conference of the IEEE Engineering in Medicine & Biology Society. – 2024. – P. 1-5. – DOI 10.1109/EMBC53108.2024.10782858.
5. Berger, M. Bayesian Sensor Calibration of a CMOS-Integrated Hall Sensor Against Thermomechanical Cross-Sensitivities / M. Berger, Ch. Schott, O. Paul // IEEE Sensors Journal. – 2023. – Vol. 23, No. 7. – P. 6976-6989. – DOI 10.1109/jsen.2023.3243783.
6. Zhao, X. Bayesian Inversion, Uncertainty Analysis and Interrogation Using Boosting Variational Inference / X. Zhao, A. Curtis // Journal of Geophysical Research: Solid Earth. – 2024. – Vol. 129, No. 1. – DOI 10.1029/2023jb027789.
7. Tancev, G. Variational Bayesian calibration of low-cost gas sensor systems in air quality monitoring / G. Tancev, F. G. Toro // Measurement: Sensors. – 2022. – Vol. 19. – P. 100365. – DOI 10.1016/j.measen.2021.100365.
8. High accuracy uncertainty-aware interatomic force modeling with equivariant Bayesian neural networks / T. Rensmeyer, B. Craig, D. Kramer, O. Niggemann // Digital Discovery. – 2024. – Vol. 3, No. 11. – P. 2356-2366. – DOI 10.1039/d4dd00183d.
9. Estimation and Applications of Uncertainty in Methane Emissions Quantification Technologies: A Bayesian Approach / A. Wigle, A. Béliveau, D. Blackmore [et al.] // ACS ES&T Air. – 2024. – DOI 10.1021/acsestair.4c00030.
10. Moya, B. Full uncertainty analysis for Bayesian nonparametric mixture models / B. Moya, S. G. Walker // Computational Statistics & Data Analysis. – 2024. – Vol. 189. – P. 107838. – DOI 10.1016/j.csda.2023.107838.
11. Winter, T. S. Model Complexity Reduction in Bayesian Sensor Calibration and Its Relation to Principal Component Analysis / T. S. Winter, O. Paul // IEEE Sensors Journal. – 2025. – Vol. 25, No. 9. – P. 15167-15183. – DOI 10.1109/jsen.2025.3549652.
12. Kaplan, D. On the Quantification of Model Uncertainty: A Bayesian Perspective / D. Kaplan // Psychometrika. – 2021. – Vol. 86, No. 1. – P. 215-238. – DOI 10.1007/s11336-021-09754-5.
13. Farahani, H. Quantifying the Measurement Uncertainty Using Bayesian Inference / H. Farahani, M. Norouzian // IEEE Instrumentation and Measurement Technology Conference. – 2007. – P. 1-4. – DOI 10.1109/IMTC.2007.379323.
14. Bayesian Calibration of the Intelligent Driver Model / S. Wang, Z. Wang, X. Wang, Q. Liang // IEEE Transactions on Intelligent Transportation Systems. – 2024. – Vol. 25, No. 7. – P. 6789-6801. – DOI 10.1109/TITS.2024.3354102.
15. Martinez, A. Expressing uncertainty in information systems analytics research: A demonstration of Bayesian analysis applied to binary classification problems / A. Martinez, K. Thompson, J. Smith // Information Processing & Management. – 2023. – Vol. 60, No. 2. – Article 103233. – DOI: 10.1016/j.ipm.2022.102333.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Вестник Донецкого университета. Серия 04. Технические науки» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
