Подход к разработке распределенной мультиагентной системы обработки звуковой информации окружающей среды

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.

1. Друан Л. Разработка стратегического отображения шума в Мессинской агломерации / Л. Друан, А. Давидов, С. Бутин, Дж. Гоулем // Шумовая среда, Мец-Метрополь 2009. – 99 с.

2. 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.

3. Селина С. Неструктурированная аудио классификация для распознавания окружающей среды / Труды двадцать третьей конференции AAAI по искусственному интеллекту, 2008. – С. 1845–1846.

4. Mчеик Х. Моделирование контекстно-зависимых функций для повсеместных вычислений / Х. Mчеик // Процедуры информатики, т. 37, 2014. – с. 135–142.

5. Чу С. Неструктурированная аудио классификация для распознавания окружающей среды / С. Чу / / Труды двадцать третьей конференции AAAI по искусственному интеллекту, 2008. – С. 1845–1846.

6. Чачада С. Распознавание экологического звука: обзор / С. Чачада, C. C. Дж. Kуо // SIP (2014), т. 3, 2014. С. 1–15.

7. 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.

8. Митчелл Х. А. Мягкая схема голосования K-ближайшего соседа / Х. Б. Митчелл, П. А. Шефер / / Межд журнал интеллектуальных систем, апрель 2001. – С. 459–468.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. 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.

16. Бергенти А. Три подхода к координации мультиагентных систем / А. Бергенти, Ф. Риччи // В трудах симпозиума ACM по прикладным вычислениям, 2002. – С. 367–373.

17. 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.

18. 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.

19. Хорлинг Б. Исследование многоагентной организационной парадигмы / Б. Хорлинг, В. Лессер // Обзор инженерных знаний, вып. 19, № 4, 2004. – С. 281–316.

20. Aгогино A. K. Формирование команды в частично наблюдаемых мультиагентных системах / A. K. Агогино, K. Tумер. – NASA Ames Research Center, NTIS, 2004. – 54 с.

21. 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.