Использование байесовского метода повышения точности измерений в условиях неопределенности и недостатка сведений информационно-измерительных систем

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.

1. Бормотов И.В. Методология байесовских интеллектуальных измерений для информационных систем и ее применение к изучению ценностного мира российской молодежи // Международная конференция по мягким вычислениям и измерениям. 2023. Т. 1. С. 6-9.

2. Захаров И.П. Оценивание расширенной неопределённости измерений при реализации байесовского подхода // Измерительная техника. 2018. № 4. С. 18-21.

3. Лепеш А.Г. Байесовские технологии разработки и принятия решений в управлении предприятиями(организациями) // Технико-технологические проблемы сервиса. 2016. № 1(35). С. 68-71.

4. Недосекин Д.Д., Прокопчина С.В., Чернявский Е.А. Информационные технологии интеллектуализации измерительных процессов. СПб.: Энергоатомиздат, 1995. 187 с.

5. Прокопчина С.В. Байесовские интеллектуальные технологии в задачах моделирования закона распределения в условиях неопределенности монография. М. Издательский дом «НАУЧНАЯ БИБЛИОТЕКА», 2020. 292 с.

6. Прокопчина С.В. Концепция байесовской интеллектуализации измерений в задачах мониторинга сложных объектов // Новости искусственного интеллекта, М. 1997. № 3. С. 7–56.

7. Прокопчина С.В. Организация измерительных процессов в условиях неопределённости. Регуляризирующий байесовский подход. СПб. Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-98. 1998. Т. 1. С. 30–44

8. Прокопчина С.В. Методы байесовской математической статистики в обучении сверточной нейронной сети на основе регуляризирующего байесовского подхода / С. В. Прокопчина // Мягкие измерения и вычисления. 2022. Т. 58, № 9. С. 32-46.

9. Прокопчина С.В. Применение байесовских интеллектуальных технологий и интеллектуального IIoT (IIIoT) в управлении киберфизическими системами в условиях неопределенности / С. В. Прокопчина // Мягкие измерения и вычисления. 2021. Т. 42. № 5. С. 38-54.

10. Птушкин А.И., Решетников Д.В., Шаповалов Д.В., Степенко А.Н. Байесовский подход к учету эпистемической неопределенности параметров вероятностных моделей анализа риска принимаемых решений // Современные наукоемкие технологии. 2020. № 11-1. С. 67-72.

11. Bormotov I.V. Methodology of Bayesian Intellectual Measurements for Information Systems and its Application to the Study of the Value System of Russian Youth // XXVI International Conference on Soft Computing and Measurements: Proceedings of 2023 XXVI International Conference on Soft Computing and Measurements (SCM), St. Petersburg, Russia, 24–26 мая 2023 года. St. Petersburg, Russia: IEEE. 2023. P.7-10.

12. Машарипов Ш. М., Инагамджанов Д. Т., Зиямухамедов У. М. Теоретические основы оценки неопределённости измерений по типу А //Models and methods for increasing the efficiency of innovative research. – 2025. – Т. 4. – №. 45. – С. 125-128.

13. Степанов А. В., Чуновкина А. Г. О применении Байесовского подхода к построению интервала охвата при ограничениях на значения измеряемой величины //Эталоны. Стандартные образцы. – 2024. – Т. 20. – №. 4. – С. 89-102.

14. Ван Л. и др. Усовершенствованный алгоритм многоальтернативной фильтрации на основе байесовских сетей и его применение в интегрированной навигационной системе //Гироскопия и навигация. – 2025. – Т. 33. – №. 2. – С. 48-71.

15. Мешкова А. Е., Ефремов Д. Е., Козубец А. В. Техническая диагностика отказов средств измерений //Вестник науки. – 2023. – Т. 4. – №. 12 (69). – С. 1496-1506.