Научная статья на тему 'Разработка нечеткого классификатора на базе нечеткой системы Сугено для определения ранга пожара на территории морского порта'

Разработка нечеткого классификатора на базе нечеткой системы Сугено для определения ранга пожара на территории морского порта Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
1041
160
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ / НЕЙРОННАЯ НЕЧЕТКАЯ СИСТЕМА / КЛАССИФИКАТОР / РАНГ ПОЖАРА / ТАКАГИ СУГЕНО КАНГ / DECISION-MAKING SUPPORT SYSTEM / NEURAL FUZZY SYSTEM / CLASSIFIER / FIRE RANK / TAKAGI SUGENO KANG

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Кипер Александр Виктрорович, Станкевич Татьяна Сергеевна

Рассмотрены особенности обоснования и разработки интеллектуальной системы, предназначенной для поддержки принятия решений руководителем тушения пожара. Система предназначена для определения ранга пожара на территории морского порта. Для установления ранга предложен подход, основанный на применении нечеткого классификатора. Классификатор определения ранга пожара реализован на базе системы нечеткого вывода Такаги Сугено Канга. В процессе разработки нечеткого классификатора методом экспертной оценки обоснован выбор входных показателей и оценена их эффективность. Решена задача формирования множества правил нечеткой системы, определены функции принадлежности на основе метода экспертной классификации. Разработана возможность коррекции нечеткой системы с учетом экспертных данных путем ее оптимизации. Реализована возможность пополнения базы данных пользователем в процессе работы. Оценены результаты классификации рангов пожаров при использовании нечеткой системы до и после ее оптимизации.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Кипер Александр Виктрорович, Станкевич Татьяна Сергеевна

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

DESIGNING OF FUZZY CLASSIFIER BASED ON FUZZY SYSTEM SUGENO FOR DEFINITION OF THE FIRE RANK ON THE TERRITORY OF SEAPORT

The features of design and development of the intellectual system intended for support of decision-making by the head of fire extinguishing are considered. The system is intended for definition of the rank of fire on the seaport territory. The approach for definition of the rank is based on the fuzzy classifier. The fuzzy classifier is implemented in the fuzzy inference system Takagi Sugeno Kang. Fuzzy classifier implements the selection of input parameters using the method of expert assessment. The problem of forming a set of fuzzy rules of the system is solved. Membership functions are constructed using the method of expert classification. The ability of the system to optimization is examined. The possibility of data base replenishment by the user in the course of the work is realized. The results of classification of fire ranks before and after its optimization are compared.

Текст научной работы на тему «Разработка нечеткого классификатора на базе нечеткой системы Сугено для определения ранга пожара на территории морского порта»

УДК 656.6.08:004.9 ББК 60.822Я73,32.81

А. В. Капер, Т. С. Станкевич

РАЗРАБОТКА НЕЧЕТКОГО КЛАССИФИКАТОРА НА БАЗЕ НЕЧЕТКОЙ СИСТЕМЫ СУГЕНО ДЛЯ ОПРЕДЕЛЕНИЯ РАНГА ПОЖАРА НА ТЕРРИТОРИИ МОРСКОГО ПОРТА

A. V. Kiper, T. S. Stankevich

DESIGNING OF FUZZY CLASSIFIER BASED ON FUZZY SYSTEM SUGENO FOR DEFINITION OF THE FIRE RANK ON THE TERRITORY OF SEAPORT

Рассмотрены особенности обоснования и разработки интеллектуальной системы, предназначенной для поддержки принятия решений руководителем тушения пожара. Система предназначена для определения ранга пожара на территории морского порта. Для установления ранга предложен подход, основанный на применении нечеткого классификатора. Классификатор определения ранга пожара реализован на базе системы нечеткого вывода Т акаги - Сугено - Канга.

В процессе разработки нечеткого классификатора методом экспертной оценки обоснован выбор входных показателей и оценена их эффективность. Решена задача формирования множества правил нечеткой системы, определены функции принадлежности на основе метода экспертной классификации. Разработана возможность коррекции нечеткой системы с учетом экспертных данных путем ее оптимизации. Реализована возможность пополнения базы данных пользователем в процессе работы. Оценены результаты классификации рангов пожаров при использовании нечеткой системы до и после ее оптимизации.

Ключевые слова: система поддержки принятия решений, нейронная нечеткая система, классификатор, ранг пожара, Такаги - Сугено - Канг.

The features of design and development of the intellectual system intended for support of decisionmaking by the head of fire extinguishing are considered. The system is intended for definition of the rank of fire on the seaport territory. The approach for definition of the rank is based on the fuzzy classifier. The fuzzy classifier is implemented in the fuzzy inference system T akagi - Sugeno - Kang. Fuzzy classifier implements the selection of input parameters using the method of expert assessment. The problem of forming a set of fuzzy rules of the system is solved. Membership functions are constructed using the method of expert classification. The ability of the system to optimization is examined. The possibility of data base replenishment by the user in the course of the work is realized. The results of classification of fire ranks before and after its optimization are compared.

Key words: decision-making support system, neural fuzzy system, classifier, fire rank,

Takagi - Sugeno - Kang.

Введение

Морские порты (МП) - это особо опасные и технически сложные объекты. Порты характеризуются высокой степенью опасности, поскольку на их территории находится большое количество потенциальных источников возникновения чрезвычайных ситуаций. Особую угрозу для инфраструктуры МП представляют пожары.

Пожар является происшествием, которое представляет опасность для жизни и здоровья человека, а также влечёт за собой сильные эмоциональные потрясения. Пожар способен причинить существенный ущерб частной, государственной или коллективной собственности. Он может стать причиной нарушения устойчивого функционирования объекта, а в ряде случаев -причиной его полного уничтожения.

С позиции пожарной тактики тушение пожара представляет собой комплекс управленческих решений по обеспечению безопасности людей, животных, спасению материальных ценностей и ликвидации горения [1]. В снижении тяжести последствий пожара в современных условиях главную роль играют правильные решения руководителей пожарных подразделений.

Одна из важнейших задач оперативного управления пожарными подразделениями - это быстрое и объективное определение ранга пожара (РП), что обусловливает оптимальный состав привлекаемых для тушения сил и средств. При определении РП руководитель тушения пожара (РТП) опирается на требования нормативных документов, а также на субъективную оценку, учитывающую собственный опыт.

Принимать решение РТП приходится в экстремальной ситуации в условиях неопределенности, при остром дефиците времени. Анализ статистических данных показывает, что решения РТП часто не соответствуют обстановке, сложившейся на горящем объекте [2]: ошибочные решения составляют до 57 % их общего количества.

Неправильное определение ранга пожара ведет к ошибочному расчету состава привлекаемых сил и средств. Недостаточное привлечение имеющихся ресурсов не позволит сократить время тушения пожара и обеспечить необходимую скорость эвакуации людей. Из-за избыточного привлечения сил и средств остаются без должного прикрытия другие опасные объекты. Кроме того, избыточное привлечение сил и средств влечет за собой весьма ощутимые материальные потери.

Таким образом, актуальной научно-технической задачей, обеспечивающей существенное сокращение числа погибших и пострадавших при пожаре людей, а также уменьшение материального ущерба, является повышение достоверности определения ранга пожара.

Современное программно-алгоритмическое обеспечение позволяет существенно повысить достоверность решения таких задач в условиях неопределенности. Более достоверные решения удается получить при использовании интеллектуальных систем поддержки принятия решения. Такие системы моделируют возможные варианты решения задачи, по результатам которого руководитель выбирает стратегию и корректирует план тушения пожара.

Для выбора программно-алгоритмического обеспечения интеллектуальных систем, позволяющего получать достоверные результаты прогнозирования в условиях неопределенности, были обобщены результаты основных и перспективных научных трудов. По результатам обобщения была произведена технико-экономическая оценка логических моделей (ЛМ), продукционных моделей (ПМ), фреймов (Ф), семантических сетей (СС), искусственных нейронных сетей (ИНС), нечеткой логики (НЛ), эволюционных моделей (ЭМ), нечетких нейронных сетей (ННС) и др. [3]. Результаты представлены в табл. 1.

Очевидно, что из перечисленных моделей решаемой задаче наилучшим образом соответствуют модели на основе ННС. Коэффициент их эффективности в данном случае равен 1. Они объединяют достоинства таких моделей представления знаний, как НЛ и ИНС, что позволяет компенсировать недостатки, присущие каждой отдельной модели.

Таблица 1

Технико-экономическая оценка моделей представления знаний

Критерий оценки Модель представления знаний

ЛМ ПМ Ф СС ИНС НЛ ЭМ ННС

Универсальность - - + - + - + +

Наглядность представления знаний - + + + - + + +

Возможность оперирования нечеткими данными - + + - + + + +

Возможность оперирования нечеткими данными - + + - + + + +

Модульность + + + - + - + +

Допустимые временные затраты на построение модели + + - - + + - +

Допустимая стоимость + + - - + + - +

Приемлемая точность полученных результатов - - - - + - - +

Способность к самообучению - - - - + - - +

Допустимая оперативность + + - - + + - +

Коэффициент эффективности 0,5 0,7 0,5 0,1 0,9 0,6 0,5 1

На основании полученных результатов было решено использовать ННС - нечеткий классификатор (НК), основанный на модели нечеткой системы Такаги - Сугено - Канга (Takagi -Sugeno - Kang). Это позволило уточнить и сформулировать цель исследования - повышение эффективности локализации и ликвидации пожара на территории МП путем разработки НК, обеспечивающего повышение достоверности определения ранга пожара.

Новизна работы заключается в том, что:

— для решения сложной многокритериальной задачи определения ранга пожара, характеризующейся существенной неопределенностью, впервые предложено применение такого эффективного средства искусственного интеллекта, как НК;

— предложена концепция выбора параметров, влияющих на определение РП, основанная на методе экспертных оценок с использованием функции оценки эффективности;

— разработана методика внесения изменений в базу данных пользователем в процессе работы модели.

Концепция выбора параметров, влияющих на определение ранга пожара

Разработка НК предусматривает выполнение нескольких основных этапов. На начальном этапе создания классификатора необходимо провести выборку факторов, наиболее значимых при установлении ранга. Выделение основных параметров важно, т. к. обстановка на объекте характеризуется множеством факторов, имеющих для различных объектов определенные отличия. Решение данной задачи возможно с помощью метода экспертных оценок - ранжирования сравниваемых объектов.

Суть метода заключается в следующем. Эксперту для оценки предъявляется весь набор альтернативных вариантов. Он производит их сравнение и указывает среди них наиболее предпочтительный. Затем эксперт выбирает наиболее предпочтительный из оставшихся вариантов и т. д. Процесс выполняется до тех пор, пока все оцениваемые варианты не будут ранжированы.

Для проведения работы по методу экспертных оценок создавалась экспертная группа. Формирование группы начиналось с выбора кандидатов и последующей их оценки. Для оценки экспертов использовалась методика, представленная в [4].

Созданная экспертная группа включала одиннадцать высококвалифицированных специалистов, каждому из которых был присвоен собственный номер (Эь Э2, ... Эц).

На начальном этапе каждому эксперту было предложено ранжировать 13 показателей по их значимости для определения РП:

— х1 - площадь пожара;

— х2 - этаж, на котором произошел пожар;

— х3 - присутствие людей на объекте;

— х4 - предел огнестойкости строительных конструкций;

— х5 - этажность здания;

— х6 - площадь проёмов в ограждающих конструкциях помещений;

— х7 - внутренняя планировка здания;

— х8 - наличие систем вентиляции;

— х9 - наличие систем удаления дыма;

— х10 - наличие легковоспламеняющихся материалов;

— х11 - тип междуэтажных перекрытий;

— х12 - пожарная нагрузка;

— х13 - степень огнестойкости.

Наиболее важному показателю присваивался первый ранг, наименее важному - тринадцатый. В итоге ранжирования показателей, влияющих на процесс установления РП, определена общая матрица ранжирования (табл. 2). На основании полученных результатов из состава экспертной группы был исключен эксперт, имеющий номер Э11.

Таблица 2

Общая матрица ранжирования показателей по их значимости для определения ранга пожара

_ Номер эксперта Фактор Э1 Э2 Эз Э4 Э5 Э6 Э7 Э8 Э9 Э10 Э11

х1 2 6 3 5 4 4 5 7 6 5 1

х2 4 6 5 5 7 7 4 4 5 6 2

хз 4 5 4 3 6 7 8 9 4 5 3

х4 5 6 4 5 6 6 7 8 7 5 4

х5 8 9 7 7 8 7 8 6 9 8 5

хб 10 7 8 9 8 6 4 7 8 9 3

х7 7 8 7 6 8 5 7 4 4 7 3

х8 13 11 12 14 14 14 11 10 12 13 8

х9 11 14 14 12 11 13 11 10 9 14 7

х10 14 10 11 11 12 12 12 14 10 11 9

х11 10 12 10 9 14 14 13 12 11 12 8

х12 7 8 6 7 8 7 7 8 10 11 13

х13 10 7 8 9 8 6 4 7 8 9 12

Суммарное отклонение мнений всех экспертов по всем критериям 15,6 15,6 15,6 15,6 15,6 15,6 15,6 15,6 15,6 15,6 15,6

Суммарное средее отклонение по каждому эксперту 18,6 13,4 13,6 13,4 13 17,4 17,7 21,2 17,2 14 43,2

Модуль частного отклонения 3 2,2 2 2,2 2,6 1,8 2,1 5,6 1,6 1,6 27,6

С использованием полученных результатов рассчитан коэффициент конкордации и произведена оценка его значимости на основе критерия Пирсона % (хи-квадрат) [5]. В данном случае число степеней свободы V = 10, степень значимости а = 0,05, табличное значение %, для данных значений V и а, равно 18,03. При этом значении критерий Пирсона равен 63, что значительно превышает табличную величину, поэтому на основании полученных данных, с вероятностью 95 % можно утверждать, что суждения экспертов являются согласованными.

Анализ оценок 10 экспертов позволил установить, что наиболее важными показателями для достоверного определения РП являются:

— х1 - площадь пожара;

— х2 - этаж, на котором произошел пожар;

— х3 - присутствие людей на объекте;

— х4 - предел огнестойкости строительных конструкций.

Дальнейшей задачей всестороннего анализа выбранных показателей была оценка их достаточности. Для этого сопоставлялись временные затраты и оценивалось изменение точности вычислений путем расчета следующих критериев:

— времени определения РП экспертом при учете 4 факторов - ^, с;

— времени определения РП экспертом при учете 13 факторов - ^2, с;

— ошибки определения РП экспертом при учете 4 факторов - е1, %;

— ошибки определения РП экспертом при учете 13 факторов - е2, %.

Полученные результаты отображены в табл. 3.

Таблица 3

Результаты сопоставления временных затрат и оценки изменения точности определения экспертами ранга пожара

Номер эксперта ?1, с с Л|<11—2|, с *1, % *2, % Д|*11-*2|, %

Э1 40 130 90 66 60 6

Э2 35 140 105 63 61 2

Э3 30 150 120 69 59 10

Э4 50 160 110 67 65 2

Э5 60 155 95 70 64 6

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Эб 70 135 65 59 47 12

Э7 25 145 120 54 43 11

Э8 45 155 110 50 41 9

Э9 30 165 135 65 49 16

Э10 40 145 105 61 56 5

Среднее значение 42,5 148,0 105,5 62,4 54,5 7,9

Из табл. 3 видно, что при расчете с использованием 4 основных показателей из 13 средняя продолжительность определения РП экспертами сокращается более чем на 105 с. Средняя ошибка принятия решения при этом возрастает на 7,9 %. Это означает, что время принятия решения сокращается, а уменьшение его точности при этом оказывается небольшим.

Главными условиями принятия решения РТП являются его адекватность и оперативность. Оперативность определяется в основном временем сбора показателей, необходимых для принятия решения. Для оценки оперативности сбора необходимой информации использовались следующие временные критерии:

- Т - среднее время сбора всех 13 показателей, с;

- Т2 - среднее время сбора только 4 главных показателей, с;

- АТ - выигрыш в оперативности сбора главных показателей, с.

Оперативность сбора информации оценивалась экспериментальным путем. Необходимая статистическая выборка показателей собиралась в повседневных условиях, по каналам, используемым РТП для получения необходимой информации. Исследовались 25 потенциально опасных портовых объектов в г. Калининграде. Среднее время Т сбора о них оперативной информации по 13 показателям превысило 2 301 с. Среднее время Т2 сбора главных показателей составило 507 с. Выигрыш в оперативности АТ сбора главных показателей составил 1 794 с (29,9 мин), что в несколько раз превышает нормативное время реагирования пожарной команды, т. е. РТП, используя при определении ранга 4 показателя вместо 13, принимает решение в среднем в 4,5 раза быстрее.

Результаты анализа позволяют сделать вывод, что в условиях неопределенности информации и при жестком дефиците времени для достоверного определения РП целесообразно использовать 4 основных показателя.

Определение функций принадлежности и формирование базы правил

Следующим этапом разработки НК является формализация 4 основных показателей, т. е. их отображение в структурированном виде.

Данный процесс выполнен с помощью метода экспертной классификации и с использованием специального опросника. Полученные результаты позволили определить функции принадлежности множества основных параметров методом статистической обработки экспертной информации.

В данном случае под функцией принадлежности нечёткого множества подразумевается обобщение индикаторной (характеристической) функции классического множества. В нечёткой логике она отображает степень принадлежности к данному нечёткому множеству каждого члена пространства принятия решения. Полученные при этом функции принадлежности представляют собой трапециевидные термы [2], основные параметры которых представлены в табл. 4.

Таблица 4

Характеристика функций принадлежности параметров

Входной параметр Функция принадлежности Значения вершин трапеции

Площадь пожара Я1 [0, 0, 100, 150]

Я2 [120, 150, 200, 250]

Яз [200, 250, 280, 300]

Я4 [280, 350, 400, 450]

Я5 [400, 450, 1000, 1000]

Этаж, где произошел пожар Я1 [0, 0, 4, 6]

Я2 [2, 6, 10, 14]

Яз [12, 14, 22, 24]

Я4 [22, 24, 30, 34]

Я5 [30, 34, 250, 250]

Предел огнестойкости строительных конструкций Я1 [0, 0, 15, 20]

Я2 [15, 20, 28, 30]

Яз [28, 30, 40, 45]

Я4 [40, 45, 60, 65]

Я5 [60, 65, 360, 360]

Количество людей Я1 [0, 0, 8, 10]

Я2 [8, 10, 30, 50]

Яз [30, 50, 80, 100]

Я4 [80, 100, 180, 200]

Я5 [180, 200, 2000, 2000]

Следующим этапом работы являлось формирование базы правил. Для данного исследованы документы предварительного планирования действий пожарных подразделений - 250 планов и карточек тушения пожара. На основе экспертной оценки сформулированы 48 правил НК. В базе правил используются только правила нечетких продукций в форме

ПРАВИЛО <1>: ЕСЛИ «X! есть 1» И «х2 есть 1» И «х3 есть 1» и «х4 есть 1»,

ТО «У есть 2»

Алгоритм выбора оптимального решения задачи определения ранга пожара

Более эффективным для определения ранга У пожара при заданных входных параметрах является использование следующего алгоритма [6]:

1. Ввод данных: X = (хь х2, х3, х4) - вектор информативных признаков объекта классификации.

2. Расчет степени выполнения у-го правила ц(Х*) осуществляется по формуле

ц(Х*) = м'Дтш{и/(х1*), ц(х2*), ц(х3*), ц (х4*)}], где ц (х*) - степень принадлежности значения признака х нечеткому терму а,.

3. Расчет степени принадлежности входного вектора классам Н, ^4, выполняется по формуле

(X*) = аее (цДХ*)), £ = 1,5,

где ц&(Х*) - степень принадлежности входного вектора классам; agg - агрегирование результатов нечеткого вывода по каждому правилу базы знаний.

4. Результат логического вывода Т - нечеткое множество, определяемое по формуле

Т* = (ЦяХ*)//1! + МХ*)/?2 + М^*)/^ + Цм(Х*)/^ + ЦЙ(Х*)/^).

5. Результат классификации - решение с максимальной степенью принадлежности в нечетком множестве У (5):

У* = а^ тах (ця(Х*), М^*), М-Х*), Цм(Х*), цй(Х*)).

6. Вывод результата У .

Последовательность вычислений иллюстрирует блок-схема алгоритма на рис. 1.

Начало

Ввод начальных данных

цj (X* ) = wj [min цJ(** 1, ц ( x2 , ц j (x3), ц j (x2)}]

1

ц. (X * ) = agg "J Dj=f. * ц j (X )),s-1-5

. f ц, 1(X *) ц, (X *) ц, 3 (X *) ц, 4 (X *) ц, 5 (X *) 'j

7 I ,i , ?2 ?4 ?5 j

7* = arg max (ц,_ (X*), ц,2 (X*), ц,з (X*), ц,4 (X*), ц,; (X*))

Конец

Рис. 1. Блок-схема алгоритма функционирования НК

Реализация нечеткого классификатора

Для моделирования алгоритма использован пакет Matlab R2010b и его приложение Fuzzy Logic Toolbox. Для получения итога нечеткой классификации созданы файл-программы и файл-функции: fuz_class.m, GUIClassifer.m, fisnew_build.m, myfis.fis. На рис. 2 показана схема системы нечеткого вывода, на рис. 3 - интерфейс пользователя в активном состоянии.

Рис. 2. Схема системы нечеткого вывода Сугено: 8 - площадь пожара, м ;

С - предел огнестойкости строительных конструкций, мин; Р - количество людей на объекте, чел.: Б - этаж, где произошел пожар, эт.; шуйз (зі^епо) - процессор нечетких правил;

ад - ранг пожара

Входные параметры

Площадь пожара 10 . КВ, М

диапазон -[0,1000]

Предел огнестойкости

строительных 65

конструкции

диапазон - [0,360]

Количество людей

на объекте 1 , чел

диапазон -[0,2000]

Этаж, где произошел

пожар 1

диапазон - [0.250]

22:10 31.5.2012 Результат

Ранг пожара

Определение ранга пожара

Запись в Excel Пополнение БД

w

астроика

Рис. з. Интерфейс пользователя в активном состоянии

Интерфейс пользователя прост в обращении, не требует предварительной подготовки и позволяет вводить основные показатели, выводить результаты расчета РП и выполнять необходимые настройки системы. Для определения РП пользователю необходимо просто ввести 4 показателя и нажать кнопку «Определить ранг пожара».

В программе существуют дополнительные возможности, предназначенные для оказания помощи в работе: «Очистить всё»; «Выход»; «Запись в Excel»; «Пополнение базы данных (БД)»; «Настройка».

Первая опция дает возможность удалять информацию из всех окон формы. Для сохранения данных в формате MS Excel необходимо нажать на кнопку «Запись данных». Для завершения работы служит стандартная кнопка «Х» в правом верхнем углу основного окна программы или кнопка «Выход». В процессе работы пользователь может пополнить БД, нажав соответствующую кнопку. Для выполнения настройки классификатора служит кнопка «Настройка».

Созданная нечеткая модель правильно классифицировала 235 из 250 РП на основе 4 основных показателей. Ошибка классификации составила всего 6 %.

Предусмотрено улучшение разработанной системы путем настройки весовых коэффициентов правил. Под настройкой здесь понимается решение задачи оптимизации весовых коэффициентов. Для этого используются функция fmincon пакета Optimization Toolbox системы Matlab [7]. Совершенствование НК обеспечивает специально реализованный га-сценарий, вызывающий функции пакета программ FALEFC [8] - wopt.m.

После настройки системы получен новый НК, записанный в файле myfis.fis. Результаты тестирования его достоверности на обучающих выборках показали, что классификатор правильно определил 241 из 250 РП. Ошибка классификации составила 3,6 %. Разработанная система при тестировании показала достаточно высокую точность. Ошибка классификации не превысила 5 %. Сравнить этот результат с результатами существующих классификаторов не удалось, поскольку в опубликованных в открытой печати научных трудах говорится только об известном повышении их характеристик [2]. Таким образом, выполнить корректное сравнение классификаторов не представляется возможным.

Выводы

С использованием аппарата нечеткой логики разработан НК для определения РП на территории МП, основанный на модели нечеткой системы Такаги - Сугено - Канга.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Методом экспертных оценок выбраны основные показатели, достоверно характеризующие обстановку на объекте, и оценена их эффективность.

Классификатор позволяет получить достоверный результат с ошибкой, не превышающей 6 %. Полученные результата позволяют РТП своевременно принимать обоснованные решения при организации и управлении тушением пожара.

После настройки НК на тестовой выборке достоверность определения РП на территории МП возросла. Ошибка классификации в этом случае составила 3,6 %. При тестировании разработанная система показала достаточную для практики точность, поскольку в худшем случае ошибка классификации не превысила 5 %.

СПИСОК ЛИТЕРАТУРЫ

1. Теребнев В. В. Справочник руководителя тушения пожара. Тактические возможности пожарных подразделений. - М.: Пожкнига, 2004. - 256 с.

2. Тетерин И. М., Климовцов В. М., Прус Ю. В. Методология разработки экспертных систем для оперативного управления пожарными подразделениями // Интернет-журнал «Технологии техносферной безопасности» - 2008. - № 5 (21). - С. 1-68 / http://ipb.mos.ru/ttb.

3. Хайкин С. Нейронные сети. - М.: Изд. дом «Вильямс», 2006. - 1104 с.

4. Гайков-Алехов А. А., Агафонов В. А. Планирование и организация эксперимента на базе пакета STATISTICA: Лабораторный практикум. - СПб.: БГТУ «Военмех», 2004. - 65 с.

5. ПрохоровЮ. К., Фролов В. В. Управленческие решения: учеб. пособие. - СПб.: СПбГУ ИТМО, 2011. - 138 с.

6. Штовба С. Д. Проектирование нечетких систем средствами MatLAB. - М.: Горячая Линия - Телеком, 2007. - 288 с.

7. Кулик А. С., Нарожный В. В., Таран А. Н. Диагностирование отказов датчиков обратной связи климатической камеры с использованием нечеткой логики // Радиоэлектронные компьютерные системы. -

2008. - № 3 (30). - С. 39-45.

8. Штовба С. Д. Введение в теорию нечетких множеств и нечеткую логику /

http://matlab.exponenta.Tu/fuzzylogic/book1/index.php.

Статья поступила в редакцию 20.06.2012 ИНФОРМАЦИЯ ОБ АВТОРАХ

Кипер Александр Викторович - Балтийская государственная академия рыбопромыслового флота, Калининград; д-р техн. наук, профессор; профессор кафедры «Защита в чрезвычайных ситуациях»; kiper.aleksandr@yandex.ru.

Kiper Alexander Victorovich - Baltic State Fishing Fleet Academy, Kaliningrad; Doctor of Technical Sciences, Professor; Professor of the Department "Safeguard in Emergency Situations"; kiper.aleksandr@yandex.ru.

Станкевич Татьяна Сергеевна - Балтийская государственная академия рыбопромыслового флота, Калининград; аспирант кафедры «Защита в чрезвычайных ситуациях»; nadezdastan39@mail.ru.

Stankevich Tatiana Sergeevna - Baltic State Fishing Fleet Academy, Kaliningrad; Postgraduate Student of the Department "Safeguard in Emergency Situations"; nadezdastan39@mail.ru.

i Надоели баннеры? Вы всегда можете отключить рекламу.