Wie physikinformierte KI die Echtzeit-Risikobewertung in Sicherheitssystemen verändert

In der hochriskanten Welt sicherheitskritischer Sensoren und Entscheidungsunterstützungssysteme ist eine präzise Echtzeit-Risikobewertung entscheidend. Moderne Fernerkundungs-Pipelines integrieren Radarmessungen, verteilte Tracking-Systeme und Hilfs-signale. Sie stehen vor großen Herausforderungen wie räumlichen Registrierungsfehlern, asynchroner Fusion, Störsignalen und latenzsensiblen Entscheidungsfenstern. Das neue Framework TA-DE-ELM löst diese Komplexität. Es kombiniert expertenregeln-gesteuerte synthetische Datengenerierung mit einem Zwei-Stufen-Differential-Evolution-Algorithmus. Dieser Algorithmus ist für Extreme Learning Machines (ELM) optimiert. Der Ansatz bietet eine reproduzierbare und transparente Methode zur geordneten Risikobewertung. Er übertrifft traditionelle modellbasierte Methoden und Standarddatenmodelle.

Traditionelle Risikobewertungen stützen sich oft auf Expertenwissen-Modelle. Dazu gehören Entropie-Gewichtung oder Fuzzy-Regel-Systeme. Diese Methoden sind zwar interpretierbar. Sie kämpfen jedoch mit nichtlinearen Mustern aus mehreren Quellen. Zudem sind sie anfällig für subjektive Gewichtungsdesigns. Reine datengetriebene Ansätze fehlen dagegen an Transparenz. Sie scheitern häufig, wenn zuverlässig gelabelte Daten knapp sind. Das TA-DE-ELM-Framework schließt diese Lücke. Es nutzt einen kontrollierten synthetischen Benchmark. Die Risikoscores entstehen durch explizite, prüfbare Expertenregeln. Dies ersetzt gelernte Kausalgesetze. So bleibt die Logik der Risikopriorisierung klar und konsistent. Dies gilt selbst bei begrenzten Trainingsdaten.

Die Kerninnovation liegt im Optimierungsmechanismus. Standard-Differential-Evolution kann bei der Optimierung von ELM-Eingabeparametern zu früh konvergieren. TA-DE löst dieses Problem. Es teilt den Suchprozess in zwei Phasen. Eine initiale Explorationsphase nutzt klassische DE/rand/1-Mutationen. Sie deckt breite Suchräume ab. Eine darauffolgende Verfeinerungsphase wendet Current-to-Best-Mutationen und elitäre Lokalsuchen an. Ein stagnationstriggierter Neustart-Mechanismus reinitialisiert Teile der Population bei Stillstand. Dies gewährleistet Diversität und verhindert vorzeitige Konvergenz. Diese strukturierte Vorgehensweise ermöglicht es dem Modell, komplexe nichtlineare Zuordnungen zwischen heterogenen Beobachtungen und sechs verschiedenen geordneten Risikostufen effizient zu lernen.

Experimentelle Ergebnisse zeigen, dass TA-DE-ELM Baseline-ELM-Varianten deutlich übertrifft. Dazu zählen PSO-ELM, DE-ELM und GA-ELM. Dies geschah unter einem einheitlichen begrenzten Rechenbudget. Die Genauigkeit betrug 0,9404. Der makro-F1-Score lag bei 0,9396. Damit schloss das System fast 29 Prozent des Abstands zur theoretischen Oracle-Obergrenze. Es übertraf zudem traditionelle Referenzwerte wie RF-GRA und Entropy-GRA. Dies galt sowohl für die Diskriminierung als auch für die Konsistenz der Risikoordnung. Das Framework zeigte Robustheit gegen Feature-Degradation. Die Leistung sank unter kontinuierlichem Rauschzustrom langsamer als bei anderen Optimierern. Durch Ablationsstudien isolierte die Forschung die Beiträge der Verfeinerungs- und Neustartmechanismen. Die Studie bestätigt, dass diese spezifischen Verbesserungen kritisch sind. Sie sorgen für überlegene Klassifikationsleistungen ohne erhöhte Inferenzlatenz. Diese Arbeit liefert ein wichtiges Werkzeug für die frühe Modellauswahl und methodische Vergleiche. Sie kommt zum Einsatz, wenn reale Labels schwer zu beschaffen sind. Sie ebnet den Weg für widerstandsfähigere und transparentere automatisierte Entscheidungsunterstützungssysteme.