Россия
Рассматривается использование методов машинного обучения для управления чрезвычайными ситуациями, такими как пожары, наводнения, землетрясения. Основное внимание уделяется прогнозированию бедствий, системам раннего предупреждения, мониторингу и реагированию на стихийные бедствия. Рассматриваются методы глубокого обучения, алгоритмы кластеризации и локальной оптимизации, а также стохастические алгоритмы.
машинное обучение, глубокое обучение, алгоритм кластеризации, алгоритмы локальной оптимизации, стохастические алгоритмы, управление чрезвычайными ситуациями, системы раннего предупреждения
1. Sun, W. Applications of Artificial Intelligence for Disaster Management / W. Sun, P. Bocchini, B.D. Davison // Natural Hazards. 2020. Vol. 103, Is. 3. Pp. 2631–2689. DOI: 10.1007/ s11069–020–04124–3.
2. Drakaki, M. Investigating the Impact of Site Management on Distress in Refugee Sites Using Fuzzy Cognitive Maps / M. Drakaki, P. Tzionas // International Journal of Disaster Risk Reduction. 2021. Vol. 60. Art. No. 102282. 15 p. DOI:https://doi.org/10.1016/j.ijdrr.2021.102282.
3. Drakaki, M. An Intelligent Multi-Agent Based Decision Support System for Refugee Settlement Siting / M. Drakaki, H.G. Gören, P. Tzionas // International Journal of Disaster Risk Reduction. 2018. Vol. 31. Pp. 576–588. DOI:https://doi.org/10.1016/j. ijdrr.2018.06.013.
4. Воропай, Н. И. Интегрированные интеллектуальные энергетические системы / Н. И. Воропай, В. А. Стенников // Известия Российской академии наук. Энергетика. 2014. № 1. C. 64–73.
5. Галушкин, А. И. Нейронные сети: основы теории. — Москва: Горячая линия — Телеком, 2012. — 496 с.
6. Гафаров, Ф. М. Искусственные нейронные сети и их приложения: Учебное пособие / Ф. М. Гафаров, А. Ф. Галимянов. — Казань: Изд-во Казанского ун-та, 2018. — 121 с.
