Найти

Результаты поиска

• КЛАССИФИКАЦИИ ПОЖАРООПАСНЫХ СИТУАЦИЙ НА ОСНОВЕ СЕТИ КОЛМОГОРОВА-АРНОЛЬДА

  Санни Сингх, А.В. Прибыльский

  6-15

  2025-01-06

  Аннотация ▼

  Проблема своевременного и точного обнаружения пожароопасных ситуаций является критически важной для обеспечения безопасности людей и сохранения имущества. Традиционные методы мониторинга, основанные на простых пороговых значениях для датчиков дыма и температуры, 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 нелинейные функции с динамически изменяющимися параметрами. Разработка таких моделей требует внимания к сбору, разметке и обработке данных, к выбору архитектуры нейронной сети для конкретной задачи, потому как качественная разметка данных и выбор желаемой архитектуры нейронной 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 различных 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 программирования Python, совместно с библиотеками Pytorch, pykan, scikit-learn. В статье приводятся результаты тестирования модели на реальных данных и обсуждаются возможные направления для дальнейшего улучшения алгоритма. В ходе экспериментов было показано, что предложенная модель демонстрирует высокую точность классификации пожароопасных ситуаций, которая не уступает традиционным методам классификации данных.

• РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ ПРОГНОЗИРОВАНИЯ ПОЖАРООПАСНЫХ СИТУАЦИЙ

  Сингх Санни, А.В. Прибыльский , Е.Ю. Косенко

  2025-01-30

  Аннотация ▼

  Раннее обнаружение пожароопасных ситуаций является критически важным аспектом
  обеспечения безопасности, так как позволяет минимизировать риск материальных и человеческих
  потерь. Заблаговременное выявление угроз способствует сохранению материальных ценностей,
  уменьшению времени на их восстановление и, что важнее, спасению человеческих жизней. В связи
  с этим, предлагается новый подход к прогнозированию пожароопасных ситуаций: алгоритм обу-
  чения модели прогнозирования пожароопасных ситуаций, а также алгоритм прогнозирования
  пожароопасных ситуация, которые разрабатываются на моделях машинного обучения таких как
  рекуррентные нейронные сети, случайный лес, оптимизационные деревья, авторегрессионные
  нейронные сети и т.д. В исследовании предлагается рассмотреть алгоритмы прогнозирования
  пожароопасных ситуаций, разработанных на основе анализа существующих алгоритмов прогно-
  зирования, включая методы на основе машинного обучения, статистические модели и симуляци-
  онные подходы, учитывая их преимущества и недостатки, показатели точности. Результаты
  исследования разработанных алгоритмов показывают, что они способны с точностью 93.33%
  предсказывать значение температуры снаружи датчика на основе тестовых данных с комплекса
  взаимосвязанных пожарных датчиков, с ошибками MAE = 1.72, MSE = 2.95 в нештатном режиме
  на тестовых данных, и с точностью 92.85% температура внутри датчика, ошибки MAE = 1.66,
  MSE = 2.75. Точность на тестовых данных в штатном режиме для температуры снаружи со-
  ставили 96.27%, ошибки MAE = 1.22, MSE = 1.48, а точность прогнозирования температуры
  внутри составила 96.16%, ошибки MAE = 1.24, MSE = 1.53. Для тестовой выборки в 500 000 от-
  счетов, ошибки спрогнозированной температуры снаружи составили: MAE = 1.82, а MSE = 3.31,
  а точность составили 91.78%. Ошибки спрогнозированной температуры внутри (temp2_inside)
  составили: MAE = 1.89, а MSE = 3.57, а точность составили 91.35%.

• АЛГОРИТМ КЛАССИФИКАЦИИ ПОЖАРООПАСНЫХ СИТУАЦИЙ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

  Санни Сингх , А.В. Прибыльский

  2024-08-12

  Аннотация ▼

  Современные технологические требования и развивающаяся городская инфраструктура
  ставят задачу разработки методов распознавания и классификации пожароопасных ситуаций.
  Быстрое и эффективное распознавание начальных признаков возгорания становится жизненно
  важным аспектом обеспечения безопасности людей, а также материальных ценностей. В связи с
  этим разрабатываются, реализуются, тестируются и внедряются системы, способные авто-
  матически распознавать и классифицировать пожароопасные ситуации. Классификации пожа-
  роопасных ситуаций позволяет определить степень опасности обнаруженных отклонений, что
  способствуют к принятию более эффективных решений по предотвращению последствий пожа-
  ров и их признаков таких как, однократное кратковременное повышение температуры и уровня
  задымленности которое может указывать на выход из строя электрических компонентов, рас-
  положенных возле датчиков. Алгоритм классификации пожароопасных ситуаций разработан для
  комплекса взаимосвязанных датчиков, который в свою очередь, за счет своей структуры, позво-
  ляет обнаруживать даже малейший признака пожара. В рамках данного исследования приводит-
  ся алгоритм классификации пожароопасных ситуаций на основе нейросетевых технологий. При-
  ведено описание существующих классов пожароопасных ситуаций, а также критерии, по кото-
  рым размечались данные по указанным классам. Проведено моделирование алгоритма на обучаю-
  щей и тестовой выборках с приведением используемых параметров точности, формулой их рас-
  четов, результатами классификации пожароопасных ситуаций. Проведено исследование влияния
  шага отсчета в выборке базы данных на параметры точности и время обучения нейронной сети.
  Разработанный алгоритм реализован на языке программирования Python в IDE PyCharm. Датасет
  для обучения и тестирования получены из реальных источников, содержащих информацию об
  обнаруженных пожароопасных ситуациях в метрополитенах, в которых установлен комплекс
  взаимосвязанных датчиков. Результаты моделирования алгоритма показали, что предложенный
  алгоритм обладает высокой точностью для предиктивной классификации пожароопасных си-
  туаций на реальных объектах.

• СИНТЕЗ СИСТЕМЫ СВЕРХБЫСТРОГО ОБНАРУЖЕНИЯ ПОЖАРООПАСНЫХ СИТУАЦИЙ НА ОСНОВЕ КОМПЛЕКСА ВЗАИМОСВЯЗАННЫХ ДАТЧИКОВ

  Санни Сингх , А.В. Прибыльский

  2024-05-28

  Аннотация ▼

  Современные технологии и городская инфраструктура требуют инновационных подходов к
  обнаружению пожароопасных ситуаций. Эффективное и сверхбыстрое обнаружение возгораний
  становится неотъемлемой частью обеспечения безопасности. С этой целью синтезируются и
  реализуются системы способные обнаруживать и информировать об пожароопасной ситуации
  за считанные секунды, в статье синтезируется одна из таких систем. Исследование и синтез
  математической модели цифрового универсального пожарного датчика, который в свою очередь
  является комплексом взаимосвязанных датчиков, актуально в связи с постоянным развитием ин-
  фраструктуры систем, возрастающей сложностью электрооборудования и необходимость со-
  кращению ущерба, возникающего при возникновении и распространении пожаров. Предиктивная
  диагностика работоспособности электрооборудования, позволяет своевременно выявлять и уст-
  ранять потенциальные угрозы пожарной безопасности. В рамках данного исследование приво-
  дится теоретическая математическая модель реального цифрового универсального пожарного
  датчика, сперва в упрощенном варианте, затем в усложненном с учетом конструкции и стати-
  стического подхода к задаче нахождения порогов срабатывания датчика, приведено описание
  параметров математической модели и последовательного принципа работы. Данный датчик
  представляет собой инновационное решение в области пожарной безопасности, которое обеспе-
  чивает высокий уровень контроля и эффективности в реальном времени. На основе теоретиче-
  ских моделей, представленных в статье, разработана математическая модель датчика, которая
  смоделирована с использованием программного средства Simulink на реальных данных, полученных
  от производителя датчика. Результаты моделирования показали, что модель корректно описы-
  вает поведение реального датчика на всех каналах и может быть использована в дальнейших ис-
  следованиях, таких как прогнозирование и обнаружения пожароопасных ситуация с использовани-
  ем нейронных сетей. Синтез предложенной системы необходим для дальнейших исследований в
  область прогнозирования и обнаружения пожароопасных ситуаций на основе полученной мате-
  матического модели.