sapiСистемный анализ и прикладная информатика«System analysis and applied information science»2309-49232414-0481Belarusian National Technical University10.21122/2309-4923-2019-3-47-53sapi-358Research ArticleОбработка информации и принятие решенийData processing and decision–makingПодход к разработке распределенной мультиагентной системы обработки звуковой информации окружающей средыApproach to design of distributed multi-agent system for processing sound information of the environmentВишняковВ. А.VishniakouU. A.СайяБ.ShayaB. H.Белорусский государственный университет информатики и радиоэлектроникиБеларусьBelarusian state University of Informatics and RadioelectronicsBelarus201912122019034753Copyright © Вишняков В.А., Сайя Б.H., 20192019Вишняков В.А., Сайя Б.Vishniakou U.A., Shaya B.H.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://sapi.bntu.by/jour/article/view/358

Рассмотрены процессы измерения, записи и анализа различных уровней звука. Амплитуда и эффект звуковых волн значительно различаются при непрерывных пространственно-временных измерениях. Моделирование различных типов звуков и их пространственно-временных эффектов становится важным для оценки звуковой обстановки как в рабочих помещениях, так и в зонах отдыха. Разработка модели, отражающей характеристики звуков, их источники и правила, регулирующие их распределение в различных средах, поможет отслеживать изменения звуков и прогнозировать их будущие изменения для пространственно-временных состояний. Подобные работы за рубежом имеются, но они носят частный характер. Существует множество функций, которые можно использовать для описания звуковых сигналов. Мы рассматриваем широкий спектр объектов, чтобы оценить эффект каждого объекта и выбрать соответствующий набор объектов, чтобы различать классы. Даны две оценки звуковой ситуации: на основе кратковременной энергии и средней скорости изменения. Исследованы три различных метода классификации: модель замешивания, модель гауссовой смеси и машина опорных векторов.

Даны характеристики мультиагентной системы (МАС), классификация, представлены тенденции использования мультиагентных интеллектуальных технологий для обработки информации. Авторы предлагают использовать MAС для мониторинга звуковой информации (MAСЗИ). Структура МАСЗИ включает в себя множество агентов звукового преобразования, анализа полученной от них информации и принятия решений. MASSI может обрабатывать уровни шума в городском пространстве и помогать в изучении шумового загрязнения во многих районах.

The processes of measurement, recording and analysis of different sound levels are considered. The amplitude and effect of sound waves vary considerably in continuous space-time measurements. Modeling different types of sounds and their spatiotemporal effects becomes important for assessing the sound situation both in working spaces and in recreation areas. Developing a model that reflects the characteristics of sounds, their sources, and the rules that govern their distribution in different environments would help track sound variations and predict their future changes for spatiotemporal states. Similar works abroad are given, but they are of a private nature. There are many features that you can use to describe audio signals. We consider a wide range of objects to evaluate the effect of each object and select the appropriate set of objects to distinguish between classes. Two estimations of a sound situation are given: on the basis of short-term energy and average speed of change. Three different classification methods are investigated: KNearest neighbors, Gaussian mixture model and Support vector machine.

Multi-agent system (M)AS characteristics are given, the classification, trends in the use of multi-agent intelligent technologies for information processing are presented. Authors propose the use of MAS for sound information (MASSI) monitoring. MFSSI structure includes many agents of sound transformation, analysis of information received from them and decision-making. MASSI can handle noise levels in the urban space and to help in the study of noise pollution in many areas.

sound levelsound informationmulti-agent systemagents of sound transformationprocessingdecisionmakingReferencesДруан Л. Разработка стратегического отображения шума в Мессинской агломерации / Л. Друан, А. Давидов, С. Бутин, Дж. Гоулем // Шумовая среда, Мец-Метрополь 2009. – 99 с.Droin L. Elaboraiton d’une Cartographie Stratégique du Bruit dans l’Agglomération Messine / L. Droin, A. David, Boutin, J. Gouleme //, Metz Metropole, 2009. – 99 p.Хие Д. Я. Представление карты городского экологического шума: метод регрессии землепользования / Д. Я. Хие, Л. Дж. Чен / / Экологическая наука и техника, 2011. 45 (17). – С. 7358–7364.Xie D. Y. Mapping Urban Environmental Noise: A Land Use Regression Method / D. Y. Xie, L. J. Chen // Environmental Science and Technology, 2011. 45 (17). – Pp. 7358–7364.Селина С. Неструктурированная аудио классификация для распознавания окружающей среды / Труды двадцать третьей конференции AAAI по искусственному интеллекту, 2008. – С. 1845–1846.Selina C. Unstructured Audio Classification for Environment Recognition / Proceedings of the Twenty-Third AAAI Conference on Artificial Intelligence, 2008. – P. 1845–1846.Mчеик Х. Моделирование контекстно-зависимых функций для повсеместных вычислений / Х. Mчеик // Процедуры информатики, т. 37, 2014. – с. 135–142.Mcheick H. Modeling Context Aware Features for Pervasive Computing / H. Mcheick // Procedia Computer Science, Vol. 37, 2014. – P. 135–142.Чу С. Неструктурированная аудио классификация для распознавания окружающей среды / С. Чу / / Труды двадцать третьей конференции AAAI по искусственному интеллекту, 2008. – С. 1845–1846.Chu S. Unstructured Audio Classification for Environment Recognition / S. Chu // Proceedings of the Twenty-Third AAAI Conference on Artificial Intelligence, 2008. – Pp. 1845–1846.Чачада С. Распознавание экологического звука: обзор / С. Чачада, C. C. Дж. Kуо // SIP (2014), т. 3, 2014. С. 1–15.Chachada S. Environmental sound recognition: a survey / S. Chachada, C. C. J. Kuo // SIP (2014), vol. 3, 2014. – Pp. 1–15.Чу С. Распознавание окружающего звука с частотно-временными звуковыми характеристиками / С. Чу, С. Нараянан, С. С. Дж. Куо // IEEE по аудио, обработке речи и языка, вып. 17, N. 6, август 2009. – С. 1142–1158.Chu S. Environmental Sound Recognition with Time–Frequency Audio Features / S. Chu, S. Narayanan, C. C. J. Kuo // IEEE Transactions on Audio, Speech, and Language Processing, Vol. 17, N. 6, August 2009. – Pp. 1142–1158.Митчелл Х. А. Мягкая схема голосования K-ближайшего соседа / Х. Б. Митчелл, П. А. Шефер / / Межд журнал интеллектуальных систем, апрель 2001. – С. 459–468.Mitchell H. A. A Soft K-nearest neighbor voting scheme / H. B. Mitchell, P. A. Schaefer // Int. Journal of Intelligent Systems, April 2001. – Pp. 459–468.Мур В. А. [2004]. Кластеризация с Гауссовскими смесями. [Электронный ресурс.] – Код доступа: http:// www. autonlab.org/tutorials/gmm.html. Tutorial Slides. Дата обращения: 2.02.2019.Moore A. W. [2004]. Clustering with gaussian mixtures. [Electronic Resource]. – Code of Access: http:// www.autonlab.org/tutorials/gmm.html. Tutorial Slides. Data of Access: 2.02.2019.Бозер Б. Е. Алгоритм обучения для оптимальной маржи классификаторов / Е. Б. Бозер, И. М. Гийон, В. Н. Вапника // В Д. Хойсслер, редактор, 5-й ежегодный семинар АСМ GOLT, Питтсбург, Пенсильвания, 1992. – С. 144–152.Boser B. E. A training algorithm for optimal margin classifiers / B. E. Boser, I. M. Guyon, and V. N. Vapnik // In Haussler, editor, 5th Annual ACM Workshop on COLT, Pittsburgh, PA, 1992. – Pp. 144–152.Власис Н. Краткое введение в мультиагентные системы и распределенный искусственный интеллект / Н. Власис. – Синтез лекций по искусственному интеллекту и машинному обучению, 1-е издание, 2007. – 84 С.Vlassis N. A. Concise introduction to multiagent systems and distributed artificial intelligence / N. Vlassis. – Synthesis Lectures On Artificial Intelligence And Machine Learning, 1st edition, 2007. – 84 p.Стоун П. Мультиагентные системы: обзор с точки зрения машинного обучения / П. Стоун, М. Велозо // Автономная робототехника, вып. 8, N. 3, июль 2000. – С. 1–56.Stone P. Multiagent systems: A survey from the machine learning perspective / P. Stone, M. Veloso // Autonomous Robotics, vol. 8, N.3, Jul 2000. – Pp. 1–56.Рен З. Обучение в мультиагентных системах: кейс-стадии переговоров по строительным претензиям / З. Рен, C. Дж. Aнумба / Передовое в инженерной информатике, вып. 16, №. 4, 2002. – С. 265–275.Ren Z. Learning in multi-agent systems: a case study of construction claim negotiation / Z. Ren, C. J. Anumba // Advanced Engineering Informatics, vol. 16, no. 4, 2002. – Pp. 265–275.Гольдман С. В. Обучение в мультиагентных системах / С. В. Гольдман // Труды тринадцатой Национальной конференции по искусственному интеллекту и восьмой конференции по инновационным приложениям искусственного интеллекта, вып. 2, 1996. – С. 1363–1364.Goldman C. V. Learning in multi-agent systems / C. V. Goldman // In Proceedings of the Thirteenth National Conference on Artificial Intelligence and the Eighth Innovative Applications of Artificial Intelligence Conference, vol. 2, 1996. – Pp. 1363–1364.Лонзо Е. А. Обучение в мультиагентных системах / Е. А. Лонзо, Д. М. Инверно, Д. Куденко, М. Лук, Дж. Нобле // Обзор инженерных знаний, вып.13, N. 3, 2001. – С. 277–284.Lonso E. A. Learning in multi-agent systems / E. A. Lonso, M. D’Inverno, D. Kudenko, M. Luck, J. Noble // The Knowledge Engineering Review, vol.13, N. 3, 2001. – Pp. 277–284.Бергенти А. Три подхода к координации мультиагентных систем / А. Бергенти, Ф. Риччи // В трудах симпозиума ACM по прикладным вычислениям, 2002. – С. 367–373.Bergenti A. Three approaches to the coordination of multiagent systems / A. Bergenti, F. Ricci // In Proceedings of the 2002 ACM Symposium on Applied Computing, 2002. – Pp. 367–373.Дамба А. Иерархическое управление в мультиагентной системе / А. Дамба, С. Ватанабэ // Межд. журнал инновационных вычислений, информации и управления, вып. 4, № 2, 2008. – С. 3091–100.Damba A. Hierarchical control in a multiagent system / A. Damba, S. Watanabe // International Journal of innovative computing, Information & Control, vol. 4, no. 2, 2008. – Pp. 3091–100.Чой M. C. Нейронные сети для непрерывного онлайн-обучения и управления / M. C. Чой, Д. Сринивасан, Р. Л. Чеу // IEEE Transactions on Neural Networks, вып. 17, № 6, 2006. – С. 1511–1531.Choy M. C. Neural Networks for Continuous Online Learning and Control / M. C. Choy, D. Srinivasan, R. L. Cheu // IEEE Transactions on Neural Networks, vol. 17, N. 6, 2006. – Pp. 1511–1531.Хорлинг Б. Исследование многоагентной организационной парадигмы / Б. Хорлинг, В. Лессер // Обзор инженерных знаний, вып. 19, № 4, 2004. – С. 281–316.Horling B. A survey of multi-agent organizational paradigms / B. Horling, V. Lesser // Knowledge Engineering Review, vol. 19, no. 4, 2004. – Pp. 281–316.Aгогино A. K. Формирование команды в частично наблюдаемых мультиагентных системах / A. K. Агогино, K. Tумер. – NASA Ames Research Center, NTIS, 2004. – 54 с.Agogino A. K. Team formation in partially observable multi-agent systems / A. K. Agogino, K. Tumer. – NASAAmes Research Center, NTIS, 2004. – 54 p.Вишняков В. А. Технологии интеллектуальной многоагентной обработки информации с блокчейн для систем управления / В. А. Вишняков, Б. Х. Сайя, А. Х. Аль-Масри, С. К. Аль-Хаджи // Сборник научных трудов ОСТИС-2019. – Минск: БГУИР, 2019. – С. 311–314.Vishniakou U. A. Technologies of intelligence multiagent information proceccing with blockchain for management systems / U. A. Vishniakou, B. H. Shaya, A. H. Al-Masri, S. K. Al-Haji // Research Paper Collections of scientific conf. OSTIS-2019. – Minsk: BSUIR, 2019. – Pp. 311–314.

The authors declare that there are no conflicts of interest present.