С развитием трехуровневой миварной экспертной системы (МЭС) обнаружения пожаров возникает необходимость в математическом и алгоритмическом обеспечении. Ранее предложенные модель и метод задали логическую структуру МЭС и метод обработки информации. В статье предложено математическое и алгоритмическое обеспечение обработки информации и принятия решений при функционировании трехуровневой миварной экспертной системы обнаружения пожаров. Предложенное обеспечение включает: формализованное описание рабочего цикла МЭС; информационное обеспечение формирования входной информации МЭС на основе согласования данных визуального, инфракрасного, температурного, газового и акустического каналов; алгоритмическое обеспечение рабочей памяти и логического вывода МЭС. Для реализации указанного обеспечения использованы асинхронное согласование сенсорных потоков, INT8-квантизация весов FNN и индексированный доступ к DOM-дереву. На синтетической тестовой выборке из 5000 записей конфигурация FNN INT8 + МЭС достигла Accuracy 94,88 %, F1 94,87 % и FPR 5,00 %, а медианная задержка актуализации 52 параметров снизилась с 3,202 до 0,039 мс. Научная новизна работы заключается в разработке математического и алгоритмического обеспечения обработки информации и принятия решений при функционировании трехуровневой миварной экспертной системы обнаружения пожаров, включающего формализованное описание рабочего цикла МЭС, информационное обеспечение формирования входной информации МЭС и алгоритмическое обеспечение рабочей памяти и логического вывода.
1. Деяб О.А., Черников Д.Ю., Селиванов А.С. Интеграция систем глубокого обучения и беспроводных сенсорных сетей для точного обнаружения пожара в помещении. Журнал Сибирского федерального университета. Техника и технологии. 2024;17(1):124–135. (На англ.).
2. Канащенков А.И., Тихонов А.И., Новиков С.В., Кулакова Д.С. Применение радиоэлектронных систем для дистанционного мониторинга сельского хозяйства с целью обнаружения и обеспечения тушения пожаров. Московский экономический журнал. 2016;1(4):10. URL: https://qje.su/ru/nauka/publications/article/6a9c154632807fdbab868031/primenenie-radioelektronnyh-sistem-dlya-distancionnogo-monitoringa-sel-skogo-hozyaystva-s-cel-yu-obnaruzheniya-i-obespecheniya-tusheniya-pozharov/view
3. Катаев М.Ю., Карташов Е.Ю. Метод компьютерного зрения для обнаружения лесных пожаров по RGB-изображениям, получаемым с помощью беспилотного моторного планёра. Светотехника. 2021;(2):15–20.
4. Бокадаров С.А., Гудков М.А., Щербаченко Д.Г. Применение ГИС-технологий в целях оперативного обнаружения лесных пожаров и слежения за лесопожарной обстановкой. Современные технологии обеспечения гражданской обороны и ликвидации последствий чрезвычайных ситуаций. 2015;(1-2):164–167.
5. Астратов О.С., Смирнов В.М., Филатов В.Н., Митько А.В. Система видеомониторинга для обнаружения лесного пожара в районе промышленного предприятия. Деловой журнал Neftegaz.RU. 2020;(2):58–61.
6. Abdusalomov A.B., Islam B.M.S., Nasimov R., Mukhiddinov M., Whangbo T.K. An improved forest fire detection method based on the Detectron2 model and a deep learning approach. Sensors. 2023;23(3):1512. https://doi.org/10.3390/s23031512
7. Yar H., Khan Z.A., Rida I., Ullah W., Kim M.J., Baik S.W. An efficient deep learning architecture for effective fire detection in smart surveillance. Image and Vision Computing. 2024;145(1):104989. https://doi.org/10.1016/j.imavis.2024.104989
8. Ahn Y., Choi H., Kim B.S. Development of early fire detection model for buildings using computer vision-based CCTV. Journal of Building Engineering. 2022;65:105647. https://doi.org/10.1016/j.jobe.2022.105647
9. Yang S., Huang Q., Yu M. Advancements in remote sensing for active fire detection: a review of datasets and methods. The Science of The Total Environment. 2024;943(11):173273. https://doi.org/10.1016/j.scitotenv.2024.173273
10. Pincott J., Tien P.W., Wei Sh., Calautit J.K.S. Indoor fire detection utilizing computer vision-based strategies. Journal of Building Engineering. 2022;61(5):105154. https://doi.org/10.1016/j.jobe.2022.105154
11. Talaat F.M., ZainEldin H. An improved fire detection approach based on YOLO-v8 for smart cities. Neural Computing and Applications. 2023;35(28):20939–20954. https://doi.org/10.1007/s00521-023-08809-1
12. Zhao H., Jin J., Liu Y., Guo Y., Shen Y. FSDF: a high-performance fire detection framework. Expert Systems with Applications. 2023;238(41):121665. https://doi.org/10.1016/j.eswa.2023.121665
13. Мащенко Е.И., Карпов Д.К., Варламов О.О., Адамова Л.Е., Баленко Е.Г. Создание миварной экспертной системы для понимания образов и принятия решений при обнаружении падений людей. Проблемы искусственного интеллекта. 2024;(4):88–100. https://doi.org/10.24412/2413-7383-2024-4-88-100
14. Варламов О.О. Применение миварных технологий логического искусственного интеллекта для создания умных производственных систем. Информационные и математические технологии в науке и управлении. 2025;(2):32–46. https://doi.org/10.25729/ESI.2025.38.2.003
15. Турчанинов Д.В., Варламов О.О. Миварная экспертная система для мониторинга безопасности в мегалаборатории. Системы управления и информационные технологии. 2025;(2-1):60–69.
16. Гун Ш. Миварная система принятия решений для распределения и перевозки грузов командой складских роботов. Системы управления и информационные технологии. 2025;(2):23–29.
17. Гун Ш. Миварная система принятия решений по оптимизационному распределению грузов для групп складских роботов. Моделирование, оптимизация и информационные технологии. 2025;13(3). https://doi.org/10.26102/2310-6018/2025.50.3.047
18. Аладин Д.В. Метод автоматической генерации миварных баз знаний для решения управленческих задач в пространстве состояний. Проблемы искусственного интеллекта. 2025;(3):88–99. https://doi.org/10.24412/2413-7383-2025-3-38-88-99
19. Аладин Д.В. Модель миварной базы знаний для решения управленческих задач в пространстве состояний. Нейрокомпьютеры: разработка, применение. 2025;27(4):66–71. https://doi.org/10.18127/j19998554-202504-06
20. Доу Л. Метод обработки информации и изменения пороговых параметров правил в миварной экспертной системе с использованием больших языковых моделей. Проблемы искусственного интеллекта. 2025;(4):194–205. https://doi.org/10.24412/2413-7383-2025-4-39-194-205
21. Доу Л. Модель принятия решений для обнаружения пожаров на основе распознавания образов и миварной экспертной системы. Системы управления и информационные технологии. 2025;(3):59–65.
22. Доу Л. Математическое и алгоритмическое обеспечение для автоматического обновления правил в миварной экспертной системе с использованием больших языковых моделей. Моделирование, оптимизация и информационные технологии. 2026;14(5). https://doi.org/10.26102/2310-6018/2026.56.5.013
