УДК 65.012.76 Последующий контроль. Пределы (границы) контроля
Рассматривается возможность построения нейросетевого классификатора текстов, описывающих чрезвычайные ситуации различного типа. В основу положено построение многослойной нейронной сети для обучения на предварительно леманизированных текстах с использование алгоритма tf-idf. Сеть обучена распознавать описание девяти чрезвычайных ситуаций и после их классификации присоединять к ним необходимые материалы от нормативных актов до прецедентов. Надежность классификации 0.89-0.90. Классификатор имеет два дополнительных модуля - модуль парсинга информационных источников (телеграмм-каналов и новостных ресурсов) и модуль геопарсинга, позволяющий при наличии упоминаний о географических наименованиях выдавать карту места происшествия географические координаты и, при необходимости, проводить статистический и кластерный анализ данных. Предлагается методика повышения производительности труда должностных лиц и оперативности реагирующих подразделений на местах. Определена топология нейронной сети как нейросетевая модель классификации чрезвычайных ситуаций и разработан механизм системы парсинга и обработки информации. Проведено сравнение с общеизвестными системами ChatGPT, Deepseek, получены лучшие результаты по точности предсказаний, учтены требований по защите информации. Практическое применение позволит сократит время обработки информации о пожарах и чрезвычайных ситуациях
нейронная сеть, классификатор текстов, чрезвычайная ситуация, управление, парсинг данных
1. Jones K.S. A statistical interpretation of term specificity and its application in retrieval (англ.) // Journal of Documentation: журнал. - МСВUniversity: MCB University Press, 2004. - Vol. 60, no. 5. - P. 493 - 502. - ISSN 0022-0418.
2. Авдеенко А.М., Мельниченко А.С., Хабибулин Р.Ш. Введение в теорию интеллектуального анализа данных. - М.: Академия ГПС МЧС России, 2018. - 143 с.
3. Keras. Built-in loss functions. [Электронный ресурс] URL: https://github.com/keras-team/keras/blob/master/keras/losses.py (дата обращения: 27.06.2025).
4. Tensorflow/python/keras/backend.py. [Электронный ресурс] URL: https://github.com/tensorflow/tensorflow/blob/r1.12/tensorflow/python/keras/backend.py (дата обращения: 29.06.2025).
5. Волков Н.А., Иванов А.В. Подход к оценке защищенности речевой акустической информации с применением нейронных сетей // Вестник СибГУТИ. 2024. Т. 18, No 2. С. 43-56. DOI:https://doi.org/10.55648/1998-6920-2024-18-2-43-56 EDN: https://elibrary.ru/EKGZTF
6. Воронина И.Е., Пастревич М.К. Модель классификации вербальной агрессии в неструктурированных текстах // Вестник СибГУТИ. 2025. Т. 19, No 2. С. 81-88. DOI:https://doi.org/10.55648/1998-6920-2025-19-2-81-88 EDN: https://elibrary.ru/EIBXTG
7. Перцев И.В., Ситняковская Е.И. Лингвистическое обеспечение информационных систем и процессов // Вестник СибГУТИ. 2024. Т. 18, No 1. С. 70-77. DOI:https://doi.org/10.55648/1998-6920-2024-18-1-70-77 EDN: https://elibrary.ru/HIEJZG
8. L. Bourdev and J. Malik. Poselets: Body part detectors trained using 3d human pose annotations. In International Conference on Computer Vision (ICCV), 2009. DOI:https://doi.org/10.1109/ICCV.2009.5459303
9. H. Cai, Q. Wu, T. Corradi, and P. Hall. The crossdepiction problem: Computer vision algorithms for recognising objects in artwork and in photographs. arXiv preprint arXiv:1505.00110,2015.. DOI:https://doi.org/10.48550/arXiv.1505.00110
10. T. Dean, M. Ruzon, M. Segal, J. Shlens, S. Vijayanarasimhan, J. Yagnik, et al. Fast, accurate detection of 100,000 object classes on a single machine. In Computer Vision and Pattern Recognition (CVPR), 2013 IEEE Conference on, pages 1814-1821. IEEE, 2013. DOI:https://doi.org/10.1109/CVPR.2013.237
11. J. Donahue, Y. Jia, O. Vinyals, J. Hoffman, N. Zhang, E. Tzeng, and T. Darrell. Decaf: A deep convolutional activation feature for generic visual recognition. arXiv preprint arXiv:1310.1531, 2013. DOI:https://doi.org/10.48550/arXiv.1310.1531
12. J. Dong, Q. Chen, S. Yan, and A. Yuille. Towards unified object detection and semantic segmentation. In Computer Vision-ECCV 2014, pages 299-314.Springer, 2019. DOI:https://doi.org/10.1007/978-3-319-10602-1_20
13. А.М. Авдеенко, А.П. Сатин, Е.В. Гаврилюк. Поддержка принятия управленческих решений на основе нейросетевых классификаторов текстов/"Информатика: проблемы, методы, технологии" (IPMT), Новосибирск 7-10.2, 2024 г. EDN: https://elibrary.ru/CFFWWK
14. Приказ МЧС России от 28 декабря 2022 г. No 1333 "Об утверждении Порядка организации деятельности профессиональных аварийно-спасательных формирований МЧС России, выполняющих поисково-спасательные работы".
15. Электронный ресурс https://chat.deepseek.com/(дата обращения: 18.07.2025).
16. Электронный ресурс https://chatgpt.com/(дата обращения: 18.07.2025).
17. ChatGPT and Other Large Language Models Are Double-edged Swords / Y. Shen [et.al.] // New York University, Center for Data Science, 2023 - P. 5-9.
18. Градюшко, А.А. Чат-бот в Telegram как новый источник информации для журналистов / А. А. Градюшко. - Текст: непосредственный // MEDIAОбразование: медиа 80 как тотальная повседневность: материалы V Международной научной конференции (24 25 ноября 2020 года, Челябинск). / под ред. А.А. Морозовой. - Челябинск: Издательство Челябинского государственного университета, 2020. - С. 305-309. EDN: https://elibrary.ru/KLBAIT
19. Frank A., Asuncion A. UCLMachineLearn ingRepository. University of California, School of Information and Computer Science. Irvine, 2010. [Электрон. ресурс] Режим доступа: http://arhive.ics.uci.edu/ml (дата обращения: 17.07.2025).
20. А.В. Бахтизин, В.В. Кораблев, А.Н. Морозов и др. Искусственный интеллект в нефтегазовой промышленности: проблемы и перспективы /// Нефтегазовое дело. 2019. Т. 17. No 1. С. 5-11.
21. Абу-Абед Ф.Н. "Построение нейросетевого классификатора для обнаружения не штатных ситуаций в процессе промышленного бурения нефтяных скважин". ТЕРРИТОРИЯ НЕФТЕГАЗ // Бурение //выпуск No 6 // июнь - 2012. - Москва, 2012. - С. 16-19.
22. Kosinski M., Stillwell D., Graepel T. Private traits and attributes are predictable from digital records of human behavior // Proceedings of the National Academy of Sciences (PNAS). 2013. Vol. 110, N 15. P. 5802 5805.
