Файл: Система мониторинга пожарной и медико экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов.pdf

49 отдельных, так и на совместных “картинках”. Предусмотрены режимы обучения на неизвестные типы пожаров.
Для работы в закрытых помещениях могут быть использованы «шагающие» и «ползающие» микророботы, микророботы на колесном и гусеничном ходу и т.д.

50 возникновения открытого пламени, в зоне возникновения пожара возникает угарный газ (СО). Это основной компонент для определения тлеющих очагов возгораний. Углекислый газ (СО
2
) начинает активно выделяться в начале перехода к открытому пламени. Целый класс пожаров выделяет летучие ароматические углероды и т.д.
Высокой информативностью по отношению к обнаружению пожаров обладают также температура и специфические задымления.
На рисунке 2.1 показаны графики времени появления различных составляющих по мере развития пожаров.
Рисунок 2.1 – График времени появления различных составляющих пожара:
Ur - уровень; t - время
Таким образом, существует комбинация значений различных параметров электромагнитного поля (ЭМП), химических веществ, включая дым в сочетании с температурой, которые в той или иной степени характеризуют стадии и тип возгорания.
Все эти параметры характеризуются количественными шкалами, которые могут быть использованы в задачах классификации как информативные признаки пожарной обстановки.

51
В задачах прогнозировании и оценки состояния людей, находящихся в зоне действия пожара, основную информацию несут вредные химические вещества, время их воздействия на организм человека и температура.
При разработке метода синтеза выбранного класса математических моделей мы исходили из того, что значительное число типов пожаров может быть смоделировано в условиях полигонов с созданием обучающих выборок, которые могут накапливаться в процессе обучения системы. Это делает возможным использование обучаемых НС для распознавания характера и типа пожаров, причем в гораздо более широкой классификации, чем это принято в современной практике. Кроме того, процесс обучения в значительной степени позволяет снизить требования к техническим характеристикам используемых датчиков и к условиям измерения.
Для более детального изучения особенностей структуры данных, описывающих различные типы пожаров, нами проводился разведочный анализ в соответствии с общепринятой классификацией, который показал, что границы между искомыми классами носят нечеткий характер и требуют своего уточнения для формирования более адекватных и «тонких» управленческих решений.
Еще более сложную и неопределенную структуру имеют классы, характеризующие состояние здоровья людей, находящихся в зоне пожаров.
В этих условиях, в отсутствии обучающих репрезентативных выборок достаточного объема целесообразно использовать МСГНРП [6, 16, 19, 20, 22, 24,
25, 26, 27, 31, 32, 33, 34, 35, 55, 58, 108
]. Основу этой методологии составляет множество методов синтеза нечетких решающих правил, каждый из которых ориентирован на определенные типы структуры данных. Выбор адекватных структуре данных методов синтеза производится в ходе разведочного анализа при взаимодействии естественного интеллекта специалистов исследуемой предметной области (пожарные, врачи, психологи и т.д.) с инженером по знаниям, владеющим методологией искусственного интеллекта. Знания, опыт и интуиция специалистов предметной области восполняет недостаток необходимых статистических данных и позволяют при взаимодействии с инженером когнитологом строить формальные

52 модели для плохо формализуемых задач. Рациональное взаимодействие естественного и искусственного интеллекта обеспечивается алгоритмическим обеспечением МСГНРП [25, 27].
Базовыми элементами синтезируемых нечетких моделей являются функции принадлежности
 
i
х


к исследуемым классам


L
,...,
1

 

с базовыми переменными
)
I
,...,
i
(
х
i
1

, описывающие состояние объекта исследования.
Основными факторами риска в районе пожаров, кроме температуры, является наличие вредных химических веществ. В работах [6, 20, 24, 55, 58] было показано, что в рамках МСГНРП оценку влияния вредных веществ на организм человека целесообразно производить с использованием следующего набора нечетких гибридных моделей.
Если имеется обучающаяся выборка по объему, соответствующему условиям применимости метода группового учета аргументов (МГУА), и имеются технические и технологические возможности определения резистивных концентраций вредных веществ с именем h
i
(СО, СО
2
и т.д.), то в соответствии с рекомендациями [6, 58] синтезируется базовая переменная
i
Z

для функций принадлежности к классу состояний


для вещества с идентификатором i:
)
t
t
(
)
c
c
(
f
Z
pi
i
i
pi
i
i
i
f






,
(2.1) где
pi
c
,
pi
t
- резистентные концентрации вредных веществ h
i
и времен, при которых отсутствуют риски перехода в патологию


;
)
(
f
i


- соответствующие нормировочные функции по веществам и временам с областью определения
[0,…,1]; d- условные обозначения решаемых задач (d = п- прогноз; d = р- ранняя стадия; d = д- дифференциальный диагноз; d = с- степень тяжести заболевания).
Переменная
i
Z

используется как базовая переменная для функций принадлежности
)
(
i
Z
d



, которые по существу являются частными решающими

53 правилами по классу


для задач d [6, 20, 24, 55, 58]. Уверенность UHR
d

в прогнозе появления и развития исследуемой патологии, провоцируемой вредными химическими веществами, находящимися в зоне пожара, определяется нечеткой функцией:


)
Z
(
Ag
UHR
i
d
d
d






,
(2.2) где
Ag
d

- агрегатор функций принадлежности для класса


; i
=1,2,…
Выбор формы и параметров функций принадлежности и способов их агрегации осуществляется в соответствии с общими рекомендациями МСГНРП
[19, 22, 25, 27, 108
]. Если
pi
c
не известны, то определяются средневзвешенные концентрации вредных веществ, порождаемых пожаром
i
c
, и в модели (2.1)
pi
c
заменяется предельно допустимой концентрацией (ПДК)
Пi
c
В условиях малых выборок и при готовности экспертов проводить работу по синтезу нормирующих функций для выражения (2.1) и функций принадлежности для выражения (2.2) эксперты организуют свою работу в соответствии с рекомендациями [25, 58].
Если в распоряжении экспертов имеется информация, «связывающая» уровни концентрации и время воздействия с состоянием организма человека, то в качестве базовой переменной для функций принадлежности к классу


следует выбрать отношение
i
c
/
pi
c
или
i
c
/
Пi
c
, а время воздействия учитывать с помощью поправочного коэффициента
)
t
(


Тогда частная уверенность в


по задаче d от воздействия вредного вещества h
i
определяется выражением:
)
t
(
)
Q
(
U
i
i
d
d
i







(2.3)

54
Для множества вредных веществ уверенность в


определяется выражением:


)
Q
(
Ag
UHR
i
d
d
d





,
(2.4) где
Ag
d

- соответствующая функция агрегации;
i
Q
=
i
c
/
pi
c
или
i
Q
=
i
c
/
Пi
c
В условиях недостаточной информации для синтеза моделей (2.1), (2.2),
(2.3) и (2.4) эксперты, используя рекомендации [23, 24], строят специфические таблицы для исследуемых классов заболеваний


. Рекомендуется для одной патологии строить одну таблицу, причем по строкам записываются вредные химические вещества h
i
,
представляющие собой факторы риска по заболеванию


, а столбцы разбиваются на две части. В первой части таблицы задают интервал
r

отношений концентраций к ПДК (
r

=
1

r
c
/
П
r
П
c
/
c
c

).
Во второй части таблицы задают интервалы времени
t

, в течение которых люди находятся под воздействием продуктов горения
Элементы первой части таблицы представляют собой величины уверенности
U
iq
в том, что под воздействием вредного фактора h
i
возникнет патология


(q - номер интервала
r

) [23, 24].
Элементы второй части таблицы задают значения временных поправочных коэффициентов

ip
, уточняющих значения
U
iq
в зависимости от времени воздействия факторов h
i
(р - номер интервала
t

).
Уверенность в


по каждой из строк определяется выражением:
ip
iq
i
U
US




(2.5)
Итоговая уверенность в


от совокупности химических факторов риска, связанных с пожаром, определяется выражением:

55
,
(2.6) где
F

- функция агрегации.
Рекомендации по выбору параметров описанных нечетких таблиц и функции агрегации
F

приведены в работах [6, 25, 58].
С учетом особенностей решаемых задач и накопленного опыта по синтезу решающих правил в условиях нечеткой структуры данных и плохой формализации предлагается метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара.
1. С учетом особенностей объекта исследования и возможных пожарных рисков определяются диапазоны контролируемых электромагнитных излучений, контролируемые химические вещества и температурные диапазоны, которые определяют пространство признаков для синтезируемых математических моделей.
2. В условиях полной определенности с типами пожаров, излучаемых электромагнитных диапазонов, выделяемого состава химических веществ, решающие правила имеют традиционный продукционный вид:
ЕСЛИ Q
i
ТО R
i
,
(2.7) где Q
i
- известная реакция датчиков, располагаемых на выбранных типах платформ; R
i
- принимаемые стандартные решения.
Правила типа (2.7) соответствуют общепринятым требованиям, определяемым руководящими документами и ГОСТами.
3. Если решается задача обучения системы на распознавание различных типов пожаров с нечетко определяемыми параметрами (заранее не известны возможные источники огня и его характеристики, высокий уровень помех, вызываемых, например, ярким солнечным светом, искусственным освещением и

56 др.) и при отсутствии обучающих выборок достаточного объема, для синтеза соответствующих решающих правил используем гибридные технологии обучения и, в частности, методологию синтеза гибридных нечетких решающих правил с минимизацией пространства признаков и построением функций принадлежности к исследуемым классам пожаров [6, 25, 58].
4. В условиях пункта 3 с учетом рекомендаций МСГНРП и квалиметрии создается экспертная группа специалистов в области пожарной безопасности, которая обучается приемам работы с нечеткими структурами данных. На первом этапе исследований эксперты выбирают максимально технически оправданное количество признаков х
i
, описывающих возможные диапазоны электромагнитных волн, температур и видов вредных химических веществ, порождаемых возможными типами пожаров, включая дым. При наличии технических возможностей под выбранные информативные признаки подбирается группа датчиков с возможностью регистрации и запоминания результатов измерений.
При высоком уровне помех (экранирование мест возгорания, яркий солнечный свет и т.д.) в состав информативных признаков включают признаки, характеризующие отношение измеряемых параметров к регистрируемой или известной априори фоновой величине.
Производится моделирование пожарной обстановки при различных условиях возгораний и помех с измерением соответствующих признаков. На этом этапе исследований для оценки спектрального состава излучений удобно использовать универсальные широкополосные фотометры. С учетом общих рекомендаций МСГНРП и, используя пакет RUMM 2020, реализующий алгоритмы теории измерения латентных переменных, производится минимизация пространства признаков с получением списка информативных признаков, описывающего исследуемые классы пожарной обстановки.
5. В соответствии с рекомендациями МСГНРП производится построение функций принадлежности к исследуемым классам пожарной обстановки
р

(р=1, …, Р), которые агрегируются в искомые решающие правила вида: