Анализ интеллектуальной составляющей задачи мониторинга офисных помещений Текст научной статьи по специальности «Математика»

STUD NET

АНАЛИЗ ИНТЕЛЛЕКТУАЛЬНОЙ СОСТАВЛЯЮЩЕЙ ЗАДАЧИ МОНИТОРИНГА ОФИСНЫХ ПОМЕЩЕНИЙ

INTELLECTUAL COMPONENT ANALYSIS OF THE OFFICE SPACE

MONITORING TASK

УДК: 004.021, 004.383.8

Лебедев Александр Викторович, магистрант кафедры «Компьютерные системы и сети», МГТУ им. Н.Э. Баумана. РФ, г. Москва

Lebedev Alexander, Master student of the "Computer systems and networks" department, Bauman Moscow State Technical University. Moscow, Russia

Аннотация

Объектом исследования данной работы являются интеллектуальные методы, применяемые в системе мониторинга офисных помещений для решения задач идентификации и классификации нештатных ситуаций. Выполнена содержательная постановка задачи мониторинга помещений, а также рассмотрены алгоритмы, реализующие данную задачу: метод ближайшего соседа, Байесовская классификация, классификация с использованием искусственных нейронных сетей.

Abstract

The object of research of this work is the intelligent methods used in the office space monitoring system to solve problems of identification and classification of emergency situations. In this paper, a meaningful statement of the problem of monitoring the premises has been completed, and algorithms that implement this task have been considered: the nearest neighbor method, Bayesian classification, classification using artificial neural networks.

Ключевые слова: идентификация; классификация; методы; мониторинг; метод ближайшего соседа; Байесовский классификатор; искусственные нейронные сети.

Keywords: identification; classification; methods; monitoring; nearest neighbor method; Bayesian classifier; artificial neural networks.

Система мониторинга помещений подразумевает под собой автоматизированную систему, управляющую электронагрузками, освещением, безопасностью, а также иными исполнительными устройствами

- актуаторами. Преимущество данных систем заключается в увеличении уровня безопасности и комфорта ее пользователей.

Система мониторинга производит регистрацию информации о состоянии контролируемого помещения, сформированной рядом аналоговых и цифровых датчиков, для последующей отправки на удаленный сервер мониторинга с целью накопления и первичной обработки, включающей идентификацию и классификацию возникающих нештатных ситуаций. В случае отсутствия соединения с сервером мониторинга аппаратная составляющая системы переходит в автономный режим функционирования в соответствии с алгоритмами, сохраненными в памяти управляющего узла -микроконтроллера.

Большинство функций контролируется управляющим модулем, некоторые функции выполняются в автоматическом режиме, что связано с некоторыми сложностями, прежде всего с адекватным восприятием системой тех или иных внешних событий. С технической точки зрения данная задача является многокритериальной, для решения которой возможно применение элементов искусственного интеллекта.

Интеллектуальная составляющая задачи мониторинга

Задачи классификации и прогнозирования нештатных ситуаций предполагают наличие информации, основанной на данных, отражающих состояние контролируемого помещения в текущий момент времени. Данные обеспечивают получение информации, которая поддерживает решения. Эти понятия являются составной частью так называемой «информационной пирамиды» [4], в основании которой находятся данные, формируемые набором аналоговых и цифровых датчиков, следующий уровень представлен информацией, характеризующей текущее состояние помещения, затем идет решение, и завершает пирамиду уровень знания. Уровни информационной пирамиды представлены на рисунке 1.

Рисунок 1. Уровни «информационной пирамиды» системы

мониторинга

Данные, используемые при идентификации и классификации нештатных ситуаций в системе мониторинга помещений, могут иметь различную природу происхождения и, как следствие, обладать некоторыми специфическими особенностями.

Задача классификации нештатных ситуаций

В автоматизированной системе мониторинга офисных помещений требуется разделять на классы ситуации, связанные с возникновением нештатных ситуаций. Детально рассмотрим ситуации, приводящие к срабатыванию аварийных датчиков пламени, задымления и угарного газа:

- Класс 1: локальное возгорание. Показания измерительных данных превышены незначительно, датчик возгорания активирован, при этом аварийные датчики, расположенные в непосредственной близости к рассматриваемому, неактивны;

- Класс 2: возгорание на близлежащих участках. Показания измерительных датчиков превышены незначительно, датчик возгорания неактивен. Аварийные датчики, расположенные на соседних участках, активны; допустимые значения превышены значительно;

- Класс 3: обширное возгорание. Показания измерительных датчиков превышены значительно, датчик возгорания активирован. Аварийные датчики, расположенные в непосредственной близости, активны; допустимые значения превышены значительно; сигнал тревоги цифрового датчика сохраняет высокий уровень в течение продолжительного времени;

- Класс 4: ложное срабатывание (незначительное возгорание). Показания измерительных датчиков соответствуют допустимому диапазону, сигнал тревоги с датчика возгорания имеет импульсный характер, продолжительность которого составляет доли секунды. Датчики, расположенные в непосредственной близости, неактивны; угрозы безопасности нет.

Выделим следующие свойства постановки задачи:

1) класс определяется набором переменных состояния датчиков, выполняющих контроль состояния помещения;

2) классы пересекаются; значения некоторых признаков принадлежат одновременно нескольким классам;

3) при изменении значения переменных (параметров окружающей среды) изменяется и значение класса.

Таким образом, на нижнем уровне «информационной пирамиды» находятся данные, поступающие с аналоговых и цифровых датчиков системы (такие, как идентификатор и тип датчика, местоположение в соответствии с

планом здания, уровень аналоговых и цифровых сигналов). Нижний уровень определяет принадлежность рассматриваемой задачи к задачам классификации. Средний уровень определяет действие. С помощью прогностического моделирования определяется один из перечисленных классов, к которому относится текущая ситуация.

В результате решения задачи классификации обнаруживаются признаки, которые характеризуют группы объектов исследуемого набора данных - классы; по этим признакам возникшую нештатную ситуацию можно отнести к тому или иному классу. Для решения задачи классификации могут использоваться следующие методы:

- классификация с помощью деревьев решений;

- байесовская (наивная) классификация;

- классификация методом опорных векторов;

- классификация при помощи метода ближайшего соседа;

- классификация при помощи искусственных нейронных сетей [3];

- классификация при помощи генетических алгоритмов.

Метод ближайшего соседа

Метод «ближайшего соседа» относится к классу методов, работа которых основывается на хранении данных в памяти для сравнения с новыми элементами. При появлении новой записи для решения задачи классификации находятся отклонения между этой записью и подобными наборами данных, и наиболее подобная (или ближний сосед) идентифицируется.

Например, при рассмотрении ситуации «возгорание в офисном помещении» атрибуты выявленной ситуации сравниваются со всеми существующими нештатными ситуациями (уровень аналогового сигнала датчика возгорания, уровень цифрового сигнала аварийного датчика, длительность его сохранения). Множество «ближайших соседей» возникшей нештатной ситуации выбирается на основании ближайшего значения уровня контролируемого сигнала.

Для того, чтобы определить, к какому классу относится возникшая ситуация е^, классификатор сравнивает е^ со всеми нештатными ситуациями из обучающей выборки, полученных при первоначальном обучении системы мониторинга помещений, и для каждой ек, принадлежащей обучающей выборке, вычисляется расстояние между этими векторами.

Пусть е, = (у1; У2,..., УпУ; ек = (у'1, V ъ ..., у'п}, где V 0 = 1.. п) -показания соответствующих датчиков, посредством которых идентифицируется наличие возгорания. Обучающая выборка Е

Научно-образовательный журнал для студентов и преподавателей №4/2020

представляется кортежем < ек, ск >, где ск - один из четырех классов, соответствующий нештатной ситуации ек. Чтобы оценить близость двух векторов, необходимо вычислить угол между ними:

У(е],ек) = соя(е,,ек) =

е) * ек ЕП=1(^ * V')

е

|ек| ^п „^гп /-„'М (1)

Для определения принадлежности рассматриваемой ситуации е^ к тому или иному классу выбирается К классов, исходя из принципа минимальности значений у(е^, ек).

К преимуществам метода «ближайшего соседа» можно отнести простоту использования полученных результатов, а также возможность повторного использования решений при классификации иных ситуаций. Однако следует учитывать, что в случае использования метода возникает необходимость полного перебора обучающей выборки при распознавании заданной ситуации, которая в случае оперативного мониторинга в режиме реального времени имеет большой объем, что приводит к повышению вычислительной трудоемкости задачи классификации.

Байесовская классификация

Наивный Байесов классификатор базируется на теореме Байеса о вычислении условной вероятности. Формула Байеса имеет следующий вид [2]:

р(В|А) * р(А)

Р(А|В)= р(В) ) (2)

где р(А) - априорная вероятность гипотезы А, р(А|В) - апостериорная вероятность гипотезы А при наступлении события В, р(В|А) - вероятность наступления события В при истинности гипотезы А, р(В) - полная вероятность наступления события В.

Применим формулу Байеса к задаче классификации нештатных ситуаций. Для этого введём обозначения. Пусть с - ]-ый класс из множества С, т = |С|, С = {'локальное возгорание', 'возгорание на близлежащих участках', 'обширное возгорание', 'ложное срабатывание'}, ек -зафиксированная нештатная ситуация из множества Е. С помощью данной теоремы можно вычислить вероятность присвоения класса с ситуации ек при условии, что известна вероятность отношения ситуации ек к классу с и независимые вероятности для с и ек.

Таким образом, формула Байеса примет следующий вид:

р(с>|ек)=р(^^- (3)

—п:

Для задачи классификации нештатных ситуаций ek представляет собой массив информационных данных, полученных с датчиков в текущий момент времени, т.е. ek — {v1( v2,..., vn}. Предполагаем, что атрибуты vi -категориальные, т.е. могут принимать конечное число значений.

В таком случае вероятность p(ek|cj) можно вычислить как сумму вероятностей для показаний каждого из датчиков. Учитывая свойство «наивности» классификатора, выражение для p(ek|cj) примет следующий вид: P(ek,|cj) — p(wi,w2,...,wn) — p(wi|cj) p(w2|cj) .p(wn|cj)

rn (4)

p(wi|cj).

4=1

Наиболее вероятный класс, которому принадлежит зафиксированная ситуация, определяется классом, при котором условная вероятность принадлежности ситуации ek классу Cj £ C максимальна:

Copt — argmaxCj£C p(Cj |ek). (5)

Так как в модели определяются зависимости между всеми переменными, то метод позволяет обрабатывать ситуации, в которых значения некоторых переменных неизвестны (например, в случае потери связи между управляющем узлом - микроконтроллером - и контролирующим датчиком). Однако умножение условных вероятностей корректно только в случае, когда все входные переменные действительно статистически независимы, что в задаче классификации нештатных ситуаций не всегда верно в следствие корреляции между показаниями измерительных и аварийных датчиков, хотя часто данный метод показывает хорошие результаты и при несоблюдении данного условия.

Классификация с использованием нейронных сетей

Для решения задачи идентификации и классификации нештатных ситуаций возможно использование нейронной сети с архитектурой персептрона Розенблатта. С математической точки зрения классификация входных сигналов происходит путем разбиения гиперпространства гиперплоскостями [1]. Для однослойного персептрона

n

xi * wi — b, (6)

'i=1

Каждая нейронная сеть обучена на один из четырех классов состояния контролируемого помещения и имеет архитектуру, представленную на рисунке 2.

х:

Рисунок 2. Архитектура нейронной сети

(7)

Если на вход каждой сети подавать вектор классификационных признаков, на выходе появляется либо единица, либо ноль [5]. Вектор классификационных признаков - четырехмерный. Он включает в себя следующие значения:

X = {x1,x2,x3,x4}

= {CriticalData, AnalogData, NeighbourState, Time}, где CriticalData - текущее состояние аварийного датчика пламени;

AnalogData - текущее состояние измерительных датчиков (обобщенное после первичной обработки управляющим узлом);

NeighbourState - состояние датчиков, расположенных в непосредственной близости модулей системы мониторинга к текущей подсистеме;

Time - отрезок времени, прошедший с момента последнего изменения состояния подсистемы мониторинга.

Список литературы:

1. Бобровский А.И., Ефимов В.В., Зайченко К.В., Кадашников С.К., Машонин А.И., Черныш В.В. Классификация сигналов с помощью

нейроподобных сетей // Известия Вузов. Приборостроение. - 1996. - С. 49-56.

2. Вентцель Е.С. Теория вероятностей. Учебное пособие. М.: Высшая школа. 1999. 576 с.

3. Круглов В.В, Борисов В.В. Искусственные нейронные сети. - М.: Горячая линия - Телеком, 2001. - 382 с.

4. Чернышева Г.Ю. Интеллектуальный анализ данных. Учебное пособие -Саратов, - Саратовский государственный социально-экономический университет, 2012.

5. Werbos P. J. Backpropagation and neurocontrol: A review and prospectus // Proc. of International Joint Conf. On Neural Networks. - Vol. 1. - Washington, DC. - 1989. - P. 209 - 216.

List of references:

1. 1 Bobrovsky A. I., Efimov V. V., Zaichenko K. V., Kadashnikov S. K., Mashonin A. I., Chernysh V. V. signal Classification using neural networks // University News. Instrumentation, 1996, Pp. 49-56.

2. 2 Wentzel E. S. probability Theory. Textbook. Moscow: Higher school. 1999. 576 p.

3. 3 Kruglov V. V., Borisov V. V. Artificial neural networks. - Moscow: HotlineTelecom, 2001. - 382 p.

4. 4 Chernysheva, G. Yu., data mining. Textbook-Saratov - - Saratov state socioeconomic University, 2012.

5. 5 Werbos P. J. Backpropagation and neurocontrol: A review and prospectus // Proc. of International Joint Conf. On Neural Networks. - Vol. 1. - Washington, DC. - 1989. - P. 209 - 216.