CC BY
20
УДК 004.93+004.891
Е.К. НАЗ1РОВ, Т.О. НАЗ1РОВА, М.Ю. КАРПЕНКО
Харювський нащональний унiверситет мкького господарства ím. О. М. Бекетова, м. Харюв
МЕТОДИ ЗБОРУ ТА КЛАСИФ1КАЦП ДАНИХ ЗА ДОПОМОГОЮ САУНДЛЕТНОÏ
БАЙeСIВСЬКОÏ НЕЙРОННОÏ МЕРЕЖ1
Стаття присвячена проблемам безпеки населения i територш в умовах надзвичайних ситуацт (НС). У роботi проведено обтрунтування застосування нейронних мереж для прогнозування НС та етапи побудови нейронно'1' мережi для моделювання НС. Мета роботи досягаеться розвитком науково-техтчних основ для техтчно'( реал1зацИ' комплексно'1' в межах Украши системи монторингу, попередження та лiквiдацiï НС природного, техногенного характеру та забезпечення екологiчноï безпеки. Прогнозування виникнення НС та визначення мiсця розташування е актуальним завданням, яке вимагае посттного i ефективного рШення.
Ключовi слова: надзвичайна ситуаця, автоматизована система, акустичш сигнали, потенцтно небезпечний об'ект, системи сповiщення, цившьний захист населення, тформування.
Э.К. НАЗИРОВ, Т.А. НАЗИРОВА, Н.Ю. КАРПЕНКО
Харьковский национальный университет городского хозяйства им. О. М. Бекетова, г. Харьков
МЕТОДЫ СБОРА И КЛАССИФИКАЦИИ ДАННЫХ С ПОМОЩЬЮ САУНДЛЕТНОЙ
БАЙЕСОВСКОЙ НЕЙРОННОЙ СЕТИ
Статья посвящена проблемам безопасности населения и территорий в условиях чрезвычайных ситуаций (ЧС). В работе проведено обоснование применения нейронных сетей для прогнозирования ЧС и этапы построения нейронной сети для моделирования ЧС. Цель работы достигается развитием научно-технических основ для технической реализации, комплексной в пределах Украины, системы мониторинга, предупреждения и ликвидации ЧС природного, техногенного характера и обеспечения экологической безопасности. Прогнозирование возникновения ЧС и определения местоположения является актуальной задачей, которая требует постоянного и эффективного решения.
Ключевые слова: чрезвычайная ситуация, автоматизированная система, акустические сигналы, потенциально опасный объект, системы оповещения, гражданская защита населения, информирование.
E.K. NAZIROV, T.A. NAZIROVA, M.Y. KARPENKO
National University Urban Economy. O.M. Beketova, Kharkiv
METHODS OF COLLECTING AND CLASSIFICATION BY MEANS OF SOUNDLET BAYESIAN NEURAL NETWORK
The paper substantiates the application of neural networks for prediction of emergency situations and the stages of building a neural network for simulation of emergency situations. The purpose of the work is achieved by developing scientific and technical bases for the technical implementation of a comprehensive within Ukraine monitoring, prevention and liquidation system of natural and man-made emergency situations and ensuring environmental safety.
Forecasting emergencies and location determination is an urgent task that requires a permanent and effective solution. The basis of this problem is the construction of the effective methods, providing the high speed of the learning pattern recognition models as well as high probability, the adequacy and speed of emergency signals recognition. The article describes the principles of the construction and operation of the system for the recognition of emergency situations using neural networks. Considered apparatus and analysis of the need to use a neural network, to predict the physical parameters the emerging problem. Fulfilled the analysis of the chosen structure and neural networks, which should be used to predict the physical parameters. In article proposed model of a neural network to solve the problem of prediction. Also presented, the mathematical formula for visual understanding of the structure of neural networks and their work.
The article is devoted to the problem of emergencies prevention using modern methods of analysis of acoustic data. Emergencies arise in the conditions of extraordinary situations and management in emergency situations characterized by the need for work in the absence of information, the high rate of change in the situation, the need for operational formation of the most effective solutions, which have high efficiency, which imposes requirements to minimize the time and losses in the elimination of emergency situations.
Results of the study can be used for analysis and modelling of stability of emergency service that is for evaluation of the emergency or potentially dangerous object.
Keywords: emergency situation, coverage, automated system, acoustic signals, emergency, potentially dangerous object, notification systems, civil protection of the population, informing.
Постановка проблеми
На меж1 третього тисячолптя людство досягне досить високого наукового, техшчного i виробничого прогресу, що в свою чергу створюе, умови для велико! концентраци ймов1рностей виникнення надзвичайних ситуацш. Статтю присвячено проблематищ попередження виникнення надзвичайних ситуацш за допомогою використання штучних нейронних мереж для збору та класифжаци аудю даних. Надзвичайш ситуаци виникають в умовах екстраординарних ситуацш. Управлшня в умовах критичного стану в1др1зняеться необхвдшстю роботи при нестач1 шформаци, при високому темп змши ситуаци, потребуе оперативного формування найб1льш ефективних ршень, як1 мають високу результативнють. Все це накладае вимоги до мгшшзаци часу i втрат при лшшдаци надзвичайно! ситуаци.
Метою роботи е розвиток науково-техшчних основ для техшчно! реал1заци комплексно! в межах Укра!ни системи мониторингу, попередження та л1кв1даци надзвичайних ситуацш природного та техногенного характеру та забезпечення еколопчно! безпеки. В умовах сьогодення важливою задачею залишаеться необхщшсть розроблення нових щдход1в та технологш, що дадуть змогу отримати всю повноту, необхвдно! шформаци. Сформульовано основш проблеми та напрямки !х усунення для полшшення якосл та шдвищення шформативносп контролю за НС.
Анатз останшх дослiджень i публiкацiй
Одна з актуальних i найбшьш складних проблем держави i сусшльства - створення гарантш безпечного проживання та д1яльност1 населения на всш територи Укра!ни як у мирний, так i у военний час. Стан кризово! полггично! ситуаци в Укра!ни пришс нов1 вимоги сусшльства до глобальних заход1в щодо забезпечення захищеносп, функцiонуваиня об'екпв економ1ки та життед1яльност1 населення. Дослщженнями дано! проблеми присвятили сво! пращ 1.А. Чуб, М.В. Новожилова, John J. Fay, David Patterson, В.М. Попов, Michael Khalemsky, David G. Schwartz, A. Malizia, T. Onorati та багато шших. В роботах науковщв доведено, що для будь-якого сусшльства е актуальною необхщшсть техшчно! реал1заци заход1в попередження та недопущення впливу небезпечних фактор1в на процес життед1яльност1 населення та функцюнування р1зного роду об'екпв держави. Це доводить актуальшсть напряму дослвдження в цш обласп. Проте переважна бшьшють робгг науковщв пов'язана з дослщженнями техногенних i природних надзвичайних ситуацш. Мониторинг сощальних надзвичайних ситуацш, що потребуе обробки рiзномаиiтних титв шформаци з неоднорщних джерел, впровадження додаткових шструменпв !! збору й подальшого анал1зу, дослщжено недостатньо.
Мета дослвдження
Метою даного дослвдження е розробка та анал1з перспективних напрямшв та технологш використання нейронних мереж для збору акустичних сигнал1в надзвичайних ситуацш, для подальшого !х використання в процеа навчаиия нейронно! мереж1 раннього визначення мiсце-розташувания небезпечних об'екпв. Мета роботи - розробка методу класифжаци акустичних сигнал1в за допомогою штелектуального анал1зу даних, на основ1 саундлетно! байес1всько! нейронно! мереж1. Мета роботи досягаеться впровадженням сучасних науково-техшчних основ для реал1заци комплексно! системи мониторингу для попередження населення про загрозу та напрямки щодо л1кв1даци надзвичайних ситуацш природного, техногенного характеру та для забезпечення еколопчно! безпеки.
Викладення основного MaTepi^y дослiдження
Ефектившсть пе! чи шшо! системи, що використана для попередження надзвичайного стану, оцшюеться за результатами, як1 мають м1сце вже шсля виникнення ситуаци. Тому ранне прогнозування некерованих аспекпв ситуацш перед прийняттям ршення, дае можлив1сть зробити найефектившший виб1р, який без передбачення м1г би мати негативш наслвдки розвитку ситуаци.
Нейромережевий шдх1д виник на основ1 бюлопчних нейронних мереж людського мозку, який здатен до самонавчання та ефективно виршуе складш задач1 з неоднородно-параметричними даними. Деяш р1зновиди штучних нейронних мереж являють собою математичш модел1 i мають лише вщдалену под1бшсть з1 сво!ми реальними прототипами з нейроф1зюлоги. Нейронш мереж1 - це потужний штелектуальний шструмент, який дае змогу полегшити процес прийняття важливих i неочевидних ршень за умов дефщиту шформаци та потреб щодо екстреного реагування. Основною характеристикою сучасних нейронних мереж е !х здатшсть моделювати сво! результати, у залежносп в1д мшливосп зовшшнього середовища, з урахуванням нечггких та прихованих законом1рностей шформацшного потоку даних.
Головним шструментом машинного навчання е теорема Байеса, яку представлено формулою (1):
p(6 =W(D!i), (i)
P(D)
де в i D е подшми. Р(в) та P(D) е ймовiрностями подш в та D, як1 незалежш одна ввд одно!. P(6\D) - це умовна ймовiрнiсть, так звана, правдоподiбнiсть (likelihood), яка е ймовiрнiстю подii в за умови, що подiя D ввдбулася. Р(Р\в) - умовна ймовiрнiсть спостереження подii' D за умови настання подii в. P(D) - повна ймовiрнiсть настання поди D.
За умовними ймовiрностями виду P(e\D) визначають розподiл ймовiрностей параметрiв моделi пiсля з'ясування, яш данi приймають до уваги. Умовну ймовiрнiсть P(e\D) називаються апостерiорною ймовiрнiстю (posterior probability). У свою чергу, ймовiрнiсть Р(в) е апрiорною ймовiрнiстю (prior probability). Вона е математичною формалiзацiею нашо! iнтуiцii щодо предмету дослвдження, формалiзацiею нашого попереднього досвщу, наявного до проведення експериментальних дослвджень.
Оскiльки байесова мережа - це повна модель для змшних i ix вiдносин, вона може бути використана для того, щоб давати вiдповiдi на ймовiрнiснi запитання. Структура моделi двошарово1' саундлетно1' байесiвськоi нейронно!' мережi представлена на рис. 1.
Рис. 1. Структура байсовськоК нейронноК мереж1
Особливостi спроектовано! моделi нейронно! мережi:
- нейронам вхвдного шару вщповвдають компоненти вектора, що описуе тестовий аудiо зразок;
- нейрони першого (прихованого) шару вiдповiдають опорним зразкам;
- нейрони другого шару вщповвдають звукам;
- адаптацiя до звукових особливостей конкретного оператора здшснюеться шляхом додавання в модель векторiв опорних зразкiв;
- кожен нейрон першого (прихованого) шару обробляе шформацш на основi нормовано! вiдстанi мiж опорним i тестовим зразками звуку;
- ваги зв'язшв мiж нейронами першого (прихованого) i другого (вихщного) шарiв рiвнi одиницi або нулю, для цих ваг не потрiбна процедура навчання;
- агрегування виходiв нейронiв першого (прихованого) шару виконуеться на основi максимуму;
- у другому (вихвдному) шарi обчислюються апостерюрш ймовiрностi за формулою Байеса, що дозволяе визначити ймовiрнiсть приналежностi тестового зразка звуку.
Загальна математична постановка завдання класифжаци, яка може служити основою для побудови моделей метрично! класифжаци, буде наступною: нехай х - функцiя, що пiддае класифжаци зразок, у -номер класу зразка (аудюсигналу надзвичайно! ситуацii). Завдання полягае в тому, щоб за значенням х визначити значення величини у. Тодi побудова моделi нейронно-мережево! класифiкацii зводиться до визначення залежносп мiж номером класу у вщ значення х засобами нейронно-мережевих технологш. Модель класифiкацii аудiоданих на основi саундлетно! байесiвськоi нейронно! мережi може бути представлена у виглядг
й = (щ,....., иы(0), ип = (Ях)(п -1), п е {1,...., N(0)},
- ~ - (2) (2) у = аг§шахР(1 | и),у = аг§шахР(у | и), у е{1,.....N1 )},
1
P(j I u) jP(u|j) , j e{1.......N<■>},
£P(j)P(u | j)
j=1
P(u I j) = maxwg,P(u I vz),z e{1,.....,N(1)}, j e{1,.....N(2)},
z j
^)=i-ppjNß 6(1,......n,i)},
Pp(vz , u ) = p
N(0)
-uk |p,
k=1
де y - номер звуку; y - максимум апостерюрно! ймовiрностi; x - цiлочисельна обмежена фiнiтна дискретна функщя, яка описуе тестовий зразок дискретного звукового сигналу; u - цшочисельний вектор, отриманий в результат перетворення функцй' x до единого амплггудно-часового вiкна на основi саундлепв та саундлетних вiдображень, що надходить на вхiд штучно! нейронно! мережу vz -цiлочисельний вектор, пов'язаний з г-им нейроном прихованого шару, ввдповвдний z-ому опорному зразку; P (j\u) - апостерiорна ймовiрнiсть (умовна ймовiрнiсть появи тестового зразка j-ого звуку при спостереженнi и), обчислюеться для кожного j-ого нейрона другого (вихщного) шару; P (и | j) - емiсiйна ймовiрнiсть (ймовiрнiсть спостереження м за умови, що наданий тестовий зразок вiдповiдае j-ому звуку); P(u | vz) - умовна ймовiрнiсть (ймовiрнiсть спостереження и за умови, що тестовий зразок
вщповвдае вектору опорних зразшв vz), що обчислюеться для кожного г-ого нейрона першого (прихованого) шару; P (j) - апрюрна ймовiрнiсть появи зразка j-ого звуку (безумовна ймовiрнiсть), яка
рiвноможлива в силу обмежено! статистики, тобто у формулi (2) змiнна P( j) = —; A - максимальне
N(2)
значення вектора м; N(0) - кшьшсть нейронiв входного шару, вiдповiдна довжиш вектора м; N(1) -кшьшсть нейронiв прихованого шару, що вщповвдае кiлькостi опорних зразк1в всiх звуков; N2 -к1льк1сть нейронiв вихщного шару, вiдповiдна кiлькостi звуков; wzj - вага г-ого опорного зразка, wzj 6 [0, 1], причому якщо г-ий нейрон прихованого шару не пов'язаний з j-им нейроном
вихщного шару (г-ий опорний зразок не ввдповщае j-ому звуку), то wzj = 0. Якщо вага не враховуеться, то wz6 {0, 1}.
Для створено! моделi сформулюемо критерп ефективностi. Критерп оцiнки ефективносп моделi:
• Критерiй швидкостi класифжащ! означае вибiр iз заданого набору метрик тако! метрики, яка на стадп навчання моделi вимагае найменшо! кiлькостi опорних зразк1в
F = T-> min (3)
p
• Критерiй оцiнки порогово! ймовiрностi класифiкацi!' означае вибiр такого безлiчi опорних зразкiв на стади дослiдноi' експлуатацп моделi, щоб для тестового зразка номер звуку, обчислений за моделлю, збiгався з тестовим номером звуку цього тестового зразка:
, I
F = 1 !Ф( ymodel, ytest)-> max,
Ii=1 H}
[1, a = b |
ф(й, b) = \ k (4)
[0,a Ф bj
yfodel = argmaxP(j|ü), j 6{1,....., J},
j
- ~ „ test ~ . j
де и i - /-ии тестовии зразок; y1 - тестовии номер звуку для /-ого тестового зразка; I - шльшсть тестових зразшв.
Для оцшки готовносп модел1 до експлуатацп використовуеться критерш И адекватносп, заснованиИ на м1н1мум1 середньоквадратично1' похибки:
1 I
F = 1 Zryim°del - ytest)-> min,
1 i=1 {Hj} (5)
yim°del = max P( j\u), j e {1,....., J},
j
test
де и/ - /-ии тестовии зразок; y1 - тестовии максимум апостерюрно1 имов1рност1 для /-ого тестового зразка.
Для оцшювання результата класифшацп вокальних звуков необхщно сформулювати умови 1'х класифжаци.
Умови класифшацп тестового зразка звуку надзвичайноТ ситуацп по опорним зразкам.
Нехаи дано тестовии зразок звуку надзвичаино1' ситуацп, якии описуеться цшочисельним вектором й. Нехаи для кожного j-ого звуку кризового стану обчислена етсшна имов1рн1сть P(U\j), тобто имов1ршсть спостереження вектора и, що описуе тестовии зразок, за умови, що тестовии зразок вщповщае j-ому звуку. Необхщна умова класифшаци тестового зразка. Тестовии зразок класифшовании, якщо, Vn e {1,....., J}Vm e {1,....., J}
(P(u \ n) = max P(U \ j) л (P(u \ m) = max P(U \ j)-> 6)
(n = m) л (P(u \ n) > S), j e {1,....., J},
де s - задана емюшна имов1ршсть класифжаци, 0< s < 1 .
Достатня умова класифшацп тестового зразка. Тестовии зразок класифшовании, якщо Vn e{1,....., J}Vm e{1,....., J}
(P(u \ n) = maxP(u \ j) л (P(u \ m) = maxP(u \ j)-> (7)
(n = m) л (P(U\n) = 1), j e{1,....., J},
На основ1 отриманих умов можна сформувати лопко-формальш правила ощнювання результата класифкацп.
Логiко-формальнi правила оцiнювання результату класифжаци. Для ощнювання результата класифшацп формуються так1 лопко-формальш правила:
якщо (P(U \ y) > Smax ) , то q=y, (8)
якщо (P(U \ n) < Smax) , то q=0, де q - номер звуку, smax - обчислении максимум емюшних имов1рностеи P(U \ у) для множини вектор1в
тестових зразк1в некритичних (неперюдичних) звуков.
Чисельне дослiдження метричного методу класифжаци звукiв надзвичайного стану.
В табл. 1 наведено пор1вняння запропонованого методу та юнуючих неиромережевих метод1в на основ1 бази даних акустичних сигнал1в. Класифшацп пщлягали ва звуки надзвичаино' ситуацп (розбип шибки, крики про допомогу, звуки постршв, звуки руинування стш тощо).
_ Таблиця 1
N Штучна нейронна мережа Хибна класифiкацiя, %
1 Тришаровии MLP 0.80
2 RBFNN 0.81
3 GRNN 0.82
4 PNN 0.84
5 Тришаровии RMLP 0.90
6 Саундлетна баиеавька NN 0.95
В загально приинятих та поширених на цеи час методах, як зразки використовувалися вектори мель-частотних кепстральних коефщента (Mel-frequency cepstral coefficients - MFCC), обчислеш на д1лянках р1вно1' довжини, тобто фреимах. Помилка класифшацп являе собою вщношення кшькосп правильно класифжованих зразшв, що мютять звуки надзвичаиного стану, до 1'х загально'' шлькосп у вщсотках, при цьому зразки, що мютять шнець першого докризового звуку i початок докризового шшого звуку, не
враховувалися. Наведеш в табл. 1 стандартш нейромережевi методи реалiзованi в запропонованш статп за допомогою пакета Matlab. Дослщження дозволяе зробити висновок, що запропонований метод забезпечуе високу ймовiрнiсть класифжацп звуков докризового та кризового стану надзвичайних ситуацiй.
Висновки
У робот розглянуто можливостi та ефективнiсть використання штучних нейронних мереж для виршення завдань прогнозування виникнення надзвичайних ситуацш будь-якого характеру.
Запропоновано використовувати саундлети й саундлетш ввдображення стосовно штучних нейронних мереж та нейромережевий шдхвд до класифжацп акустичних сигналiв НС, який вiдрiзняеться можливiстю враховувати рiзнохарактерну структуру аудiосигналiв i узагальнювати зразки одного типу звуку рiзноl довжини з рiзним розмахом амплiтуд, що шдвищуе ефективнiсть класифжацп сигналiв надзвичайно! ситуацй. Можливiсть використання рiзноманiтних звукових сигналiв, як1 сввдчать про докризовий стан, дадуть змогу швидкого реагування та раннього виявлення мюця можливого виникнення надзвичайно! ситуацй', що в свою чергу надасть бiльш ефективш можливостi для перешкоджання розвитку ситуацй' в критичний стан.
Лопчним продовженням дiяльностi в зазначеному напрямку е проектування едино! державно! системи безпеки, з використанням штучних нейронних мереж. Також перспективним напрямком е науковi дослiдження щодо забезпечення iнтероперабельностi юнуючих розрiзнених систем, як в Укра!ш так i в iнших державах свпу. Всi цi ди дозволять консолвдовано реагувати на будь-як1 погрози та надзвичайш ситуацп довiльного походження.
Список використаноТ лггератури
1. Математические модели и методы проектирования систем раннего обнаружения пожара. Монография / И.А. Чуб, М.В. Новожилова, В.А. Андронов. - Харьков: НУЦЗУ. - 2014. - 148 с.
2. Emergency Management / John J. Fay, David Patterson [Електронний ресурс] - Режим доступу до ресурсу: http://www.sciencedirect.com/science/article/pii/B9780128092781000153
3. Попов В.М. Показатели эффективности региональной системы техногенной безопасности /
B.М. Попов, И.А. Чуб, М.В. Новожилова // Вестник Командно-инженерного института МЧС Республики Беларусь. - 2014. - № 2(20). - С. 32-41.
4. Назиров £.К. Система сповщення в надзвичайних ситуащях "АСЕН" / Э.К. Назиров, Т.А. Назирова // Науковий вюник НЛТУ Укра!ни. - 2018. - № 28(1). - С. 140-144. - Режим доступу до ресурсу:https://doi.org/10.15421/40280128
5. Львов А.В. Триангуляционная система определения координат источника звука / А.В. Львов, М.Н. Агапов, А.И. Тищенко " // Ползуновский вестник. - 2010. - № 2. - С. 159-162. - Режим доступа к ресурсу: http ://elib. altstu. ru/elib/books/Files/pv2010_02/pdf/15 8lvov.pdf
6. Emergency Response Community Effectiveness: A simulation modeler for comparing Emergency Medical Services with smartphone-based Samaritan response // Michael Khalemsky, David G.Schwartz [Електронний ресурс] - Режим доступу до ресурсу: http://www.sciencedirect.com/science/article/pii/S0167923617301252
7. Назиров Э.К. Использование звукометрии в персональной системе оповещения о наступлении чрезвычайной ситуации / Э.К. Назиров // Компютерш технологи в мюькому та регюнальному господарствг матер. М1жнар. наук.-практ. штернет-конф. - Харшв: ХНУМГ iм. О. М. Бекетова, 2015. -
C. 155-156.
8. An ontology for emergency notification systems accessibility / A. Malizia, T. Onorati, P. Diaz, I. Aedo, F. Astorga-Paliza Електронний ресурс] - Режим доступу до ресурсу: http://www.sciencedirect.com/science/article/pii/S0957417409008768
9. Application of satellite navigation system for emergency warning and alerting / Suelynn Choy, John Handmer, Joshua Whittaker, Yuki Shinohara, Tomohiro Hatori, Naohiko Kohtake [Електронний ресурс] -Режим доступу до ресурсу: http://www.sciencedirect.com/science/article/pii/S019897151630031X
10. GSMA Intelligence Global Data [Електронний ресурс]. - Режим доступу до ресурсу: https://www.gsmaintelligence.com/.
11. Державна служба Укра!ни з надзвичайних ситуацш [Електронний ресурс] - Режим доступу до ресурсу: http://www.dsns.gov.ua/.
