Аналіз методів кластеризації масивів вхідних даних з метою підвищення якості результатів моделювання об’єктів та процесів пожежогасіння. Проведення підготовки особового складу за допомогою учбових інформаційних моделей з врахуванням необхідної уніфікації.
Аннотация к работе
1 Черкаський національний університет імені Богдана Хмельницького, Черкаси 2 Академія пожежної безпеки імені Героїв Чорнобиля, Черкаси З метою підвищення ефективності прийняття рішень щодо профілізації підготовки пожежно-рятувальних підрозділів проведено аналіз методів кластеризації масивів вхідних даних (МВД) з метою створення методів формування МВД, що забезпечують підвищення якості результатів моделювання обєктів та процесів пожежогасіння. Отримано експериментальне підтвердження гіпотези про можливість підвищення ефективності кластеризації за результатами моделювання шляхом уточнення складу кластера.При прийнятті рішень з ліквідації пожежі керівник гасіння пожежі (КГП) враховує обстановку, яка складається на місці виклику і здійснює вибір рішення на базі теоретичних знань набутих за програмою спеціальної підготовки пожежного та практичних навичок, умінь та знань набутих під час здійснення професійної діяльності [1]. Службова підготовка повинна враховувати особливості підготовки пожежників під конкретні умови діяльності зважаючи на те, що базова підготовка є загальною. Таким чином, постає проблема відсутності інформаційної технології у складі системи багаторівневого моніторингу пожежної безпеки, яка покликана розвязувати актуальну практичну задачу профілізації підготовки рятувальників відповідно до оперативно-тактичних характеристик районів обслуговування пожежно-рятувальних підрозділів. trialз останніх досліджень і публікацій. Основне завдання кластерного аналізу - розбиття заданої вибірки обєктів на підмножини, що називаються кластерами, так, щоб кожен кластер складався зі схожих обєктів, а обєкти різних кластерів істотно відрізнялися [4]. Основна мета кластерного аналізу - знаходження груп схожих обєктів у вибірці досягається за рахунок оцінювання близькості двох обєктів один від одного.2 подані результати дослідження складу кластеру за результатами його повторного моделювання на кожному кроці. Зниження показника похибки в кроках 1-6 та досягнення мінімуму в кроці 7 свідчить про завершення процесу уточнення складу кластеру (рис. ? що вміщує послідовність точок спостережень (Xi, yj), Xi?Х, i=1,k, де Xi = {xi1, xi2,…,xin} - масив характеристик стану підрозділів обєкту i-ї точки спостереження процесу пожежогасіння, yj - j-та характеристика втрат ресурсів в результаті пожежі для даної точки спостереження, який дозволяє розвязати задачу ідентифікації функціональної залежності yj ? f ?X?, за умови одержання максимальної якості моделей синтезованих для кожного кластеру окремо відповідно критерію [8]: k ? yi ?yi ? Існує перелік точок спостереження у вигляді кластера (3), який використано у вигляді масиву вхідних даних (МВД). Задача розвязується шляхом уточнення переліку точок кластеру (3) в результаті їх повторного моделювання та виділення кількох кластерів на його основі відповідно схемі, поданій на рис.Отримано експериментальне підтвердження можливості підвищення ефективності процесу кластеризації точок спостереження за результатами їх моделювання шляхом введення додаткового етапу відбору і синтезу нових моделей.
Вывод
В табл. 2 подані результати дослідження складу кластеру за результатами його повторного моделювання на кожному кроці.
Зниження показника похибки в кроках 1-6 та досягнення мінімуму в кроці 7 свідчить про завершення процесу уточнення складу кластеру (рис. 3).
?x11 x12 ... x1n y1 ?
?
?
? ... ... ... ... y2 ?, (3) ?xk1 xk2 ... xkn yk ?
?
? що вміщує послідовність точок спостережень (Xi, yj), Xi?Х, i=1,k, де Xi = {xi1, xi2,…,xin} - масив характеристик стану підрозділів обєкту i-ї точки спостереження процесу пожежогасіння, yj - j-та характеристика втрат ресурсів в результаті пожежі для даної точки спостереження, який дозволяє розвязати задачу ідентифікації функціональної залежності yj ? f ?X?, за умови одержання максимальної якості моделей синтезованих для кожного кластеру окремо відповідно критерію [8]: k ? yi ?yi ?
*
? ?
? ?
?
?
?
? ? i?1? nyi ? ? min , (4)
* де k - кількість спостережень послідовності; уі - змодельоване значення залежної змінної; yi - дійсне значення залежної змінної.
Постановка задачі підвищення ефективності кластеризації
Існує перелік точок спостереження у вигляді кластера (3), який використано у вигляді масиву вхідних даних (МВД). За цим МВД синтезована модель, за допомогою якої розвязана задача функціональної ідентифікації (2). За умови, коли значення показника якості (4) не задовольняє дослідника Sy ?Sдоп. , необхідно сформувати такий МВД на y базі кластера (3), який би забезпечив необхідну адекватність результатам моделювання:
Рис. 2. Діаграма прtrial оптимізації складу кластеру
Таблиця 2 Результати моделювання
Sy ?Sдоп. . (5)
Задача розвязується шляхом уточнення переліку точок кластеру (3) в результаті їх повторного моделювання та виділення кількох кластерів на його основі відповідно схемі, поданій на рис. 2. y
Масив вхідних даних містив 14028 спостережень, що відображали характеристики пожежогасіння на території України впродовж 2009 року.
Номер Кількість кроку спостережень
1 2362 2 2252 3 2192 4 2154 5 2128 6 2113
7 2103
СКВ
88,26 86,29 85,36 85,28 85,07 84,16
84,16
Середня похибка 5,11% 4,64% 4,48% 4,37% 4,30% 4,28%
4,28%
256Отримано експериментальне підтвердження можливості підвищення ефективності процесу кластеризації точок спостереження за результатами їх моделювання шляхом введення додаткового етапу відбору і синтезу нових моделей. Підвищення якості моделі-кластеризатора відбувається в результаті уточнення складу кластеру. Похибка моделювання при цьому зменшується в середньому на 16,2%.
Предметом майбутніх досліджень є виявлення особливостей формування глобальної функції перетворення інформації в технології оперативного пожежного моніторингу при застосуванні процесів підвищення ефективності кластеризації точок спостереження, які утворюють масиви вхідних даних.
Список литературы
1. Теребнев В.В. Пожарная тактика / В.В. Теребнев, А.В. Подгрушный. - М., 2007. - 577 с.
2. Положення про організацію службової підготовки осіб рядового і начальницького складу органів та підрозділів цивільного захисту // Наказ МНС України від 01.09.2009 № 601.
3. Про організацію службової підготовки осіб рядового і начальницького складу органів та підрозділів цивільного захисту ДСНС України у 2013/2014 навчально-му році // Наказ ДСНС України від 20.08.2013 № 543.
4. Кластерний аналіз [Електронний ресурс] / Матеріал з Вікіпедії - вільної енциклопедії. - Режим доступу до ресурсу: URL:http://uk.wikipedia.org/wiki/ Кластерний_аналіз - 24.06.2013 г. - Загол. з екрану.
5. Обзор алгоритмов кластеризации данных [Електронний ресурс] / Хабрахабр. - Режим доступу до ресурсу: URL: http://habrahabr.ru/post/101338/ - 24.06.2013 г. - Загл. с экрана.
Запобігання та ліквідація надзвичайних ситуацій
6. Самообучение в интеллектуальных системах. Постановка задачи кластер-анализа. Критерии и метрики кластер-анализа [Електронний ресурс] / Факультет другої вищої та післядипломної освіти ННК "ІПСА" НТУУ "КПІ". - Режим доступу до ресурсу: URL: http://iasa.org.ua/lections/tpr/studying/self_clust.htm - 24.06.2013 г. - Загл. с экрана.
8. Голуб С.В. Структуризація масивів вхідних даних в інформаційній технології оперативного моніторингу пожежогасіння / С.В. Голуб, І.В. Бурляй // Радіоелектронні і компютерні системи. - 2013. - № 5 (64). - С. 23-30.
9. Holub S. Classification of observations for technologies of processing of monitoring results of fire fighting process / S. Holub, I. Burliai // ISC UNITECH’13, V.II, 2013. - P. 155-161.
10. Багатошарові моделі в технології моніторингу пожежної безпеки з багаторівневим перетворенням інформації [Текст]: звіт про НДР (закл.) 30.11.13 / Академія пожежної безпеки імені Героїв Чорнобиля; керівн. С.В. Голуб; відпов. викон.: I.В. Бурляй. - Черкаси, 2013. - 27 с. - Інв. № 0112U008407.
11. Holub S. Multilayer models with multilevel information transformation in technology of fire safety monitoring / S. Holub, I. Burliai // ISC UNITECH’12, V.І, 2012. - P. 464-466.
12. НАПБ 07.017-2004 - Картка обліку пожежі [Текст]. - Затверджено Наказом МНС України від 29.01.04 № 39. - К., 2004.
Надійшла до редколегії 18.02.2014
Рецензент: д-р техн. наук, проф. В.М. Рудницький, Черкаський державний технологічний університет, Черкаси.
ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ КЛАСТЕРИЗАЦИИ
ПО РЕЗУЛЬТАТАМ МОДЕЛИРОВАНИЯ В ИНФОРМАЦИОННОЙ ТЕХНОЛОГИИ ОПЕРАТИВНОГО ПОЖАРНОГО МОНИТОРИНГА
С.В. Голуб, И.В. Бурляй
С целью повышения эффективности принятия решений по профилирования подготовки пожарноспасательных подразделений проведен анализ методов кластеризации массивов входных данных (МВД) с целью создания методов формирования МВД, обеспечивающих повышение качества результатов моделирования объектов и процессов пожаротушения. Получено экспериментальное подтверждение гипотезы о возможности повышения эффективности кластеризации по результатам моделирования путем уточнения состава кластера. Получены последовательности наблюдений, которым свойственны общие механизмы влияния факторов и позволяют синтезировать точные, адекватные и структурно устойчивые модели.
Ключевые слова: кластеризация, массив входных данных, матрица, кластер, оптимизация кластера.
IMPROVING THE EFFICIENCY OF CLUSTERING BY THE SIMULATION RESULTS IN TECHNOLOGY OF FIRE SAFETY MONITORING
S.V. Holub, I.V. Burliai
Analysis of methods of input data array (IDA) clustering was done aimed to create methods of IDA formation, which could improve quality of simulation of objects and processes of firefighting. Experimental confirmation was received of hypothesis about of the possibility of increasing the efficiency of clustering of observations of IDA by refining the composition of the cluster.
Keywords: clustering input data array, matrix, cluster, a cluster optimization.