Труды КНЦ вып. 11 (ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ) вып. 8/2020 (11)

Заключение Предложено оригинальное представление групп сейсмособытий в виде совокупности мультимножеств. Представление объектов, описываемых количественными и/или качественными признаками и существующих в нескольких версиях (экземплярах), в виде мультимножеств дает возможность не трансформировать качественные признаки в числовые при выполнении процедур кластеризации и использовать методы групповой классификации объектов. На основе полученных результатов можно оценить степень сейсмической активности в каждом кластере, а значит и в каждой ячейке. Использование метода групповой многокритериальной сортировки объектов, представленных в виде мультимножеств [9], позволило построить несколько обобщенных решающих правил классификации по уровню сейсмической опасности участка массива горных пород. Применение мультимножеств дает возможность решать традиционные задачи классификации более простым и конструктивным образом. Задача исследования техногенной сейсмичности участков массива горных пород и анализа степени влияния горно-геологических факторов на сейсмоактивность рассматривались как задача групповой сортировки объектов по многим количественным и качественным критериям. В отличие от широко применяемых в настоящее время технологий на основе нейросетевого подхода, в настоящей работе результатом обучения является не “черный ящик” в виде обученной нейронной сети, а набор правил, которые могут быть легко проинтерпретированы, что повышает доверие конечных пользователей к процедурам принятия решений. Далее предполагается провести аналогичные исследования для других временных отрезков и рассматривать задачу исследования техногенной сейсмичности участков массива горных пород и анализа степени влияния горно­ геологических факторов на сейсмоактивность в динамике. Литература 1. Зуенко, А.А. Применение методов ограниченной кластеризации для исследования техногенной сейсмичности / А.А. Зуенко, О.В. Фридман, О.Г. Журавлева // Вестник Воронежского государственного университета, Сер.: Системный анализ и информационные технологии. -2019, -№ 3. -С. 29-41. 2. Петровский, А.Б. Методы групповой классификации многопризнаковых объектов (часть1) / А.Б. Петровский // Искусственный интеллект и принятие решений. -2009, -№ 3. -С. 3-14. 3. Doumpos M., Zopounidis C. Multicriteria Decision Aid Classification Methods. European Journal of Operational Research, -2002, -№ 138. -p. 229-246. 4. Furems E. Knowledge-based multi-attribute classification problems structuring. // Computational Intelligence in Decision And Control, Int World Scientific Publisher, -2008, -p. 465-470. 5. Greco S., Matarazzo B., Slowinski R. Rough sets methodology for sorting problems in presence of multiple attributes and criteria. // European Journal of Operational Research, 2002, Vol. 138, № 2, p. 247-259. 6. Koksalan M., Ulu C. An interactive approach for placing alternatives in preference classes. // European Journal of Operational Research, 2003, Vol. 144, № 2, p. 429­ 439. 37