Звягин Леонид Сергеевич – канд. экон. наук, доцент Кафедры моделирования и системного анализа Факультета информационных технологий и анализа больших данных
Москва
Leonid S. Zvyagin – Financial University under the Government of the Russian Federation
Moscow
АКТУАЛЬНОСТЬ исследования заключается в необходимости повышения точности и надежности информационно-измерительных систем (ИИС) в условиях неопределённости и неполноты информации. Современные ИИС повсеместно внедряются в критически важные сферы, где эффективность их работы напрямую зависит от способности справляться с двумя типами неопределённости: стохастической (случайной) и эпистемической (системной). Классические методы математической статистики испытывают трудности с формализацией эпистемической неопределённости, что делает актуальным поиск новых подходов. ЦЕЛЬ работы – обосновать эффективность использования байесовского подхода для решения задач повышения точности ИИС в условиях неопределённости. МЕТОДЫ. Применяется байесовский подход к теории вероятностей, который трактует вероятность как меру уверенности. Ключевым инструментом является теорема Байеса, которая объединяет априорные знания о величине с информацией из новых экспериментальных данных для получения уточнённой, апостериорной оценки. В статье рассматривается применение байесовского подхода к типовой задаче оценки физической величины, а также обсуждаются более сложные модели, такие как иерархические байесовские модели и байесовские сети. РЕЗУЛЬТАТЫ. Байесовский анализ поможет получить не просто точечную оценку, а полное апостериорное распределение вероятностей, которое содержит исчерпывающую информацию об измеряемой величине, чтобы адекватно оценивать неопределённость и принимать решения с минимальным риском. На примере типовой задачи показано, что байесовский синтез информации всегда приводит к снижению неопределённости и повышению точности оценки. Обсуждается применение байесовского подхода в концепции байесовской интеллектуализации измерений, что ведёт к созданию адаптивных ИИС, способных непрерывно обновлять свои внутренние модели. ЗАКЛЮЧЕНИЕ. Использование байесовского подхода является эффективной и универсальной стратегией для повышения точности и надёжности ИИС. Несмотря на вычислительную сложность и вызовы, связанные с выбором априорных распределений, данный подход предоставляет единый теоретический каркас для решения многих задач. Байесовский подход открывает перспективы для создания ИИС нового поколения, способных эффективно работать с разнородными данными и обеспечивать требуемое качество измерительной информации в сложных условиях.
RELEVANCE of the research lies in the need to improve the accuracy and reliability of information and measurement systems (AIS) in conditions of uncertainty and incompleteness of information. Modern AIS are being widely implemented in critical areas, where their effectiveness directly depends on their ability to cope with two types of uncertainty: stochastic (random) and epistemic (systemic). Classical methods of mathematical statistics have difficulty formalizing epistemic uncertainty, which makes it urgent to search for new approaches. THE PURPOSE of the work is to substantiate the effectiveness of using the Bayesian approach to solve problems of improving the accuracy of AIS in conditions of uncertainty. METHODS. The Bayesian approach to probability theory is applied, which treats probability as a measure of confidence. The key tool is Bayes' theorem, which allows combining a priori knowledge of magnitude with information from new experimental data to obtain a refined, a posteriori estimate. The article examines the application of the Bayesian approach to the typical problem of estimating a physical quantity, and discusses more complex models such as hierarchical Bayesian models and Bayesian networks. RESULTS. The Bayesian approach to probability theory is applied, which treats probability as a measure of confidence. The key tool is Bayes' theorem, which allows combining a priori knowledge of magnitude with information from new experimental data to obtain a refined, a posteriori estimate. The article examines the application of the Bayesian approach to the typical problem of estimating a physical quantity, and discusses more complex models such as hierarchical Bayesian models and Bayesian networks. results. Bayesian analysis allows us to obtain not just a point estimate, but a complete a posteriori probability distribution that contains comprehensive information about the measured value. This makes it possible to more adequately assess uncertainty and make decisions with minimal risk. Using the example of a typical task, it is shown that Bayesian information synthesis always leads to a decrease in uncertainty and an increase in estimation accuracy. The application of the Bayesian approach in the concept of Bayesian measurement intellectualization is discussed, which leads to the creation of adaptive AIS capable of continuously updating their internal models. CONCLUSION. Using the Bayesian approach is an effective and versatile strategy to improve the accuracy and reliability of an AIS. Despite the computational complexity and challenges associated with the choice of a priori distributions, this approach provides a unified theoretical framework for solving a wide range of problems. This opens up prospects for creating a new generation of AIS capable of efficiently working with heterogeneous data and providing the required quality of measurement information in difficult conditions.
The authors declare that there are no conflicts of interest present.