donstuAdvanced Engineering Research (Rostov-on-Don)Advanced Engineering Research (Rostov-on-Don)2687-1653Don State Technical Universitydonstu-1032Research ArticleTECHNICAL SCIENCESТЕХНИЧЕСКИЕ НАУКИHEURISTIC SYNTHESIS ALGORITHM OF EVENT DEPENDENCIES MODELЭвристический алгоритм синтеза модели зависимостей между событиямиГОРИШНИЙДМИТРИЙ ВЛАДИМИРОВИЧGorishnyDmitry V.Ростовский государственный университет путей сообщенияРоссияRostov State Transport UniversityRussian Federation201030122010105683692Copyright © Gorishny D., 20102010ГОРИШНИЙ Д.Gorishny D.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestnik-donstu.ru/jour/article/view/1032

The problem of relationship between events by the example of rail automatic and remote control devices errors is considered. Heuristic synthesis algorithm of dependencies model structure — Bayesian network — according to the diagnostic data on the ground of minimal length description principle is offered. The developed algorithm and its  software implementation are described.

Рассмотрена проблема выявления зависимостей между событиями на примере сбоев устройств железнодорожной автоматики и телемеханики. Предложен эвристический алгоритм синтеза структуры модели зависимостей — байесовской сети — по диагностическим данным на основе применения принципа описания минимальной длины. Представлено описание разработанного алгоритма и его программной реализации.

автоматика и телемеханикатехническое диагностированиеинтеллектуальный анализ данныхбайесовская сетьнаправленный ациклический графвзаимная информацияпринцип описания минимальной длиныадаптивность.automation and remote controltechnical diagnosticsintellectual methods of data analysisBayesian networkdirected acyclic graphmutual informationminimal length description principleadaptability.ReferencesЛюгер Дж. Искусственный интеллект. Стратегии и методы решения сложных проблем. — М. : Вильямс, 2003. — 864 с.Lyuger Dj. Iskusstvennyi intellekt. Strategii i metody resheniya slojnyh problem. — M. : Vil'yams, 2003. — 864 s. — in Russian.Рассел С., Норвиг П. Искусственный интеллект: современный подход. — М. : Вильямс, 2006. — 1408 с.Rassel S., Norvig P. Iskusstvennyi intellekt: sovremennyi podhod. — M. : Vil'yams, 2006. — 1408 s. — in Russian.McKay D. Information Theory, Inference, and Learning Algorithms. — Cambridge : Cambridge University Press, 2003. — 550 p.McKay D. Information Theory, Inference, and Learning Algorithms. — Cambridge : Cambridge University Press, 2003. — 550 p.Mitchell T. Machine Learning. — NY : McGraw-Hill, 1997. — 432 p.Mitchell T. Machine Learning. — NY : McGraw-Hill, 1997. — 432 p.Murphy K. A Brief introduction to graphical models and Bayesian networks. — Berkeley, 2001. — 19 p.Murphy K. A Brief introduction to graphical models and Bayesian networks. — Berkeley, 2001. — 19 p.Otenyia L. Bayesian Belief Networks for dementia diagnosis and other applications: A comparison of hand-crafting and construction using novel data-driven technique // Technical Report CSM-179. — University of Stirling, 2008. — 332 p.Otenyia L. Bayesian Belief Networks for dementia diagnosis and other applications: A comparison of hand-crafting and construction using novel data-driven technique // Technical Report CSM-179. — University of Stirling, 2008. — 332 p.Chickering D.M., Geiger D., Heckerman D. Learning Bayesian Networks is NP-hard // Technical Report MSR-TR-94-17. — Microsoft, 2004. — 155 p.Chickering D.M., Geiger D., Heckerman D. Learning Bayesian Networks is NP-hard // Technical Report MSR-TR-94-17. — Microsoft, 2004. — 155 p.Chow C.K., Liu C.N. Approximating discrete probability distributions with dependence trees // IEE Transactions on information theory. — 1968. — Vol. IT-14, N 3. — 6 p.Chow C.K., Liu C.N. Approximating discrete probability distributions with dependence trees // IEE Transactions on information theory. — 1968. — Vol. IT-14, N 3. — 6 p.Grunwald P. A Tutorial Introduction to the Minimum Description Length Principle // Advances in Minimum Description Length: Theory and Applications. MIT Press. — Cambridge, 2005. — 80 p.Grunwald P. A Tutorial Introduction to the Minimum Description Length Principle // Advances in Minimum Description Length: Theory and Applications. MIT Press. — Cambridge, 2005. — 80 p.Suzuki J. Learning Bayesian Belief Networks based on the Minimum Description length Principle: Basic Properties // IEICE Trans. on Fundamentals. — 1999. — Vol. E82-A, N 9. — 9 p.Suzuki J. Learning Bayesian Belief Networks based on the Minimum Description length Principle: Basic Properties // IEICE Trans. on Fundamentals. — 1999. — Vol. E82-A, N 9. — 9 p.Zheng Y., Kwoh C.K. Improved MDL Score for Learning of Bayesian Networks // Proceedings of the International Conference on Artificial Intelligence in Science and Technology. — 2004. — AISAT. — P. 98—103.Zheng Y., Kwoh C.K. Improved MDL Score for Learning of Bayesian Networks // Proceedings of the International Conference on Artificial Intelligence in Science and Technology. — 2004. — AISAT. — P. 98—103.

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