КЛАССИФИКАЦИИ ПОЖАРООПАСНЫХ СИТУАЦИЙ НА ОСНОВЕ СЕТИ КОЛМОГОРОВА-АРНОЛЬДА:

Сингх  Санни; А. В. Прибыльский

Сингх Санни Южный федеральный университет
А. В. Прибыльский Южный федеральный университет

Ключевые слова: Пожарный датчик, Python, нейронные сети, классификация, моделирование, разметка данных, сеть Колмогорова-Арнольда, KAN, парсинг

Аннотация

Проблема своевременного и точного обнаружения пожароопасных ситуаций является кри-
тически важной для обеспечения безопасности людей и сохранения имущества. Традиционные
методы мониторинга, основанные на простых пороговых значениях для датчиков дыма и темпе-
ратуры, часто недостаточно эффективны, так как могут приводить к ложным срабатываниям
или пропуску реальных пожароопасных ситуаций. Современные методы, использующие нейронные
сети, позволяют значительно повысить точность классификации нештатной ситуации за счет
анализа комплексных паттернов в данных с датчиков, представляющих из себя сложные нелиней-
ные функции с динамически изменяющимися параметрами. Разработка таких моделей требует
внимания к сбору, разметке и обработке данных, к выбору архитектуры нейронной сети для кон-
кретной задачи, потому как качественная разметка данных и выбор желаемой архитектуры ней-
ронной сети, напрямую влияет на выделение искомых паттернов, а также нахождение скрытых
паттернов, которые невозможно или затруднительно определить традиционными методами.
В статье исследуется алгоритм классификации пожароопасных ситуаций, основанный на сети
Колмогорова-Арнольда (KAN). Данный алгоритм применяется для обработки данных с комплекса
взаимосвязанных пожарных датчиков и предназначен для обнаружения и классификации различ-
ных типов пожароопасных ситуации. Ключевым элементом разработки является использование
сети Колмогорова-Арнольда, которая благодаря своей архитектуре способна моделировать
сложные функциональные зависимости между входными данными. В качестве входных данных
используются показания с комплекса взаимосвязанных пожарных датчиков, таких как датчики
температуры, дыма. Для повышения точности классификации проводится разметка данных с
использованием экспертных знаний. Для реализации алгоритма использовался язык программиро-
вания Python, совместно с библиотеками Pytorch, pykan, scikit-learn. В статье приводятся резуль-
таты тестирования модели на реальных данных и обсуждаются возможные направления для
дальнейшего улучшения алгоритма. В ходе экспериментов было показано, что предложенная мо-
дель демонстрирует высокую точность классификации пожароопасных ситуаций, которая не
уступает традиционным методам классификации данных.

Литература

1. KAN documentation. Available at: https://kindxiaoming.github.io/pykan/ (accessed: 03 August 2024).
2. Ziming Liu, Yixuan Wang. KAN: Kolmogorov-Arnold Networks, 30 Apr 2024. DOI:
https://doi.org/10.48550/arXiv.2404.19756.
3. Sautin I.G. Protivopozharnaya zashchita: tekhnologii i resheniya [Fire protection: technologies and
solutions], Transport, Protivopozharnaya zashchita. Pozharnaya avtomatika. Sredstva spaseniya
[Transport, Fire protection. Fire automation. Rescue equipment], 2018.
4. Sautin I.G. Osoboe mnenie. Mozhno li doverit' svoyu zhizn' dymovomu pozharnomu izveshchatelyu?
[Dissenting opinion. Can you trust your life to a smoke alarm? ], Algoritm bezopasnosti [Security Algorithm],
2019, No. 6.
5. Singkh S., Pribyl'skiy A.V. Sintez sistemy sverkhbystrogo obnaruzheniya pozharoopasnykh situatsiy na
osnove kompleksa vzaimosvyazannykh datchikov [Synthesis of a system for ultra-fast detection of fire
hazardous situations based on a complex of interconnected sensors], Izvestie YuFU. Tekhnicheskie
nauki [Izvestiya SFedU. Engineering Sciences], 2024, No. 2, pp. 121-132.
6. Singkh S., Pribyl'skiy A.V. Algoritm klassifikatsii pozharoopasnykh situatsiy na osnove neyrosetevykh
tekhnologiy [Algorithm for classification of fire hazardous situations based on neural network technologies],
Izvestie YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2024, No. 3, pp. 138-147.
7. NFPA 72: National Fire Alarm and Signaling Code, 2019.
8. UL 268: Standard for Smoke Detectors for Fire Protective Signaling Systems, 2019.
9. ISO 7240-14: Fire detection and alarm systems – Part 14: Requirements and test methods for smoke
detectors, 2018.
10. BS 5839-1:2017: Fire alarm systems for commercial and industrial premises. Code of practice for
design, installation, commissioning and maintenance.
11. GOST R 53325-2009: Sistemy pozharnoy signalizatsii. Obshchie tekhnicheskie trebovaniya [GOST R
53325-2009: Fire alarm systems. General technical requirements].
12. Polekhin P.V. [i dr.]. Pozhary i pozharnaya bezopasnost' v 2020 godu: Sb. statey [Fires and fire safety in
2020: Collection of articles], under the general ed. of D.M. Gordienko. Moscow: VNIIPO, 2021, 112 p.
13. Solovyeva E. Types of recurrent neural networks for non-linear dynamic system modeling, Proceedings
of 2017 XX IEEE International Conference on Soft Computing and Measurements (SCM2017). St.
Petersburg: Saint-Petersburg Electrotechnical University «LETI». Russia, St. Petersburg, May
24−26, 2017, pp. 1-4.
14. Wang Z., Yan W., Oates T. Time series classification from scratch with deep neural networks: A strong baseline,
In: 2017 International Joint Conference on Neural Networks. IJCNN, IEEE, 2017, pp. 1578-1585.
15. Fedorov A., Bytcinskaya T., Lukyanchenko A., Hung T.D. Trends in the development of automatic fire
detectors, Technol. Technosphere Saf., 2009, 23, pp. 111-114. Available online: https://cyberleninka.ru/
article/n/tendentsii-razvitiya-avtomaticheskih-pozharnyh-izveschateley-1 (accessed on 20 December
2023).
16. Han J., Kamber M., & Pei J. Data Normalization for Big Data Analytics, IEEE Transactions on
Knowledge and Data Engineering, 2017, 29 (10), pp. 2435-2448. DOI: 10.1109/TKDE.2017.2734444.
17. Rao S.S., Iyengar S.S., & Venayagamoorthy G.K. Big Data Normalization: A Survey, IEEE Transactions
on Big Data, 2018, 4 (2), pp. 149-163. DOI: 10.1109/TBDATA.2018.2823718.
18. Singh A.K., Singh S.K., & Singh R.K. Data Parsing and Normalization for Social Media Analytics, Journal
of Intelligent Information Systems, 2020, 56 (2), pp. 257-273. DOI: 10.1007/s10844-019-00563-4.
19. Liu J., Zhang Y., & Li X. Machine Learning for Data Normalization in Big Data Analytics, IEEE
Transactions on Neural Networks and Learning Systems, 2019, 30 (1), pp. 201-214. DOI:
10.1109/TNNLS.2018.2873818.
20. Kate R.J. Using dynamic time warping distances as features for improved timeseries classification,
Data Min. Knowl. Discov, 2016, 30 (2), pp. 283-312.
21. Abandah G., Abdel-Karim A. Accurate and fast recurrent neural network solution for the automatic
diacritization of Arabic text, Jordan. J. Comp. Inform. Technol., 2020, 6 (2), pp. 103-121.
22. Géron A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and
techniques to build intelligent systems. O’Reilly Media, 2019.
23. Pykan documentation and apps. Available at: https://github.com/KindXiaoming/pykan (accessed 03
August 2024).
24. Scikit-learn for supervised learning documentation. Available at: https://scikit-learn.org/stable/ supervised_
learning.html (03 August 2024).
25. MathWorks. «MATLAB & Simulink Help Center» MathWorks, 2023. Available at:
https://www.mathworks.com/help/index.html (accessed 20 December 2023).
26. Bozorgasl Z., & Chen H. Wav-KAN: Wavelet kolmogorov-arnold networks, arXiv preprint
arXiv:2405.12832, June 2024. Retrieved from https://arxiv.org/abs/2405.12832.
27. Federico Girosi, Tomaso Poggio. Representation Properties of Networks: Kolmogorov's Theorem Is
Irrelevant, Neural Comput., 1989, 1 (4), pp. 465-469. DOI: https://doi.org/10.1162/neco.1989.1.4.465.
28. Galitsky B.A. Kolmogorov-Arnold Network for Word-Level Explainable Meaning Representation,
Preprints, 2024. Retrieved from https://www.preprints.org/manuscript/202405.1981.
29. Hao H., Zhang X., Li B., & Zhou A. A First Look at Kolmogorov-Arnold Networks in Surrogateassisted
Evolutionary Algorithms, arXiv preprint arXiv:2405.16494, 2024. Retrieved from
https://arxiv.org/abs/2405.16494.
30. Vaca-Rubio C.J., Blanco L., & Pereira R. Kolmogorov-Arnold Networks (KANs) for Time Series
Analysis, arXiv preprint arXiv:2405.08790, 2024. Retrieved from https://arxiv.org/abs/2405.08790.
31. Galitsky B.A. Kolmogorov-Arnold Network for Word-Level Explainable Meaning Representation,
Preprints, 2024. Retrieved from https://www.preprints.org/manuscript/202405.1981.
32. Genet R., & Inzirillo H. TKAN: Temporal Kolmogorov-Arnold Networks, arXiv preprint
arXiv:2405.07344, 2024. Retrieved from https://arxiv.org/abs/2405.07344.