КЛАССИФИКАЦИИ ПОЖАРООПАСНЫХ СИТУАЦИЙ НА ОСНОВЕ СЕТИ КОЛМОГОРОВА-АРНОЛЬДА
Аннотация
Проблема своевременного и точного обнаружения пожароопасных ситуаций является кри- тически важной для обеспечения безопасности людей и сохранения имущества. Традиционные методы мониторинга, основанные на простых пороговых значениях для датчиков дыма и темпе- ратуры, часто недостаточно эффективны, так как могут приводить к ложным срабатываниям или пропуску реальных пожароопасных ситуаций. Современные методы, использующие нейронные сети, позволяют значительно повысить точность классификации нештатной ситуации за счет анализа комплексных паттернов в данных с датчиков, представляющих из себя сложные нелиней- ные функции с динамически изменяющимися параметрами. Разработка таких моделей требует внимания к сбору, разметке и обработке данных, к выбору архитектуры нейронной сети для кон- кретной задачи, потому как качественная разметка данных и выбор желаемой архитектуры ней- ронной сети, напрямую влияет на выделение искомых паттернов, а также нахождение скрытых паттернов, которые невозможно или затруднительно определить традиционными методами. В статье исследуется алгоритм классификации пожароопасных ситуаций, основанный на сети Колмогорова-Арнольда (KAN). Данный алгоритм применяется для обработки данных с комплекса взаимосвязанных пожарных датчиков и предназначен для обнаружения и классификации различ- ных типов пожароопасных ситуации. Ключевым элементом разработки является использование сети Колмогорова-Арнольда, которая благодаря своей архитектуре способна моделировать сложные функциональные зависимости между входными данными. В качестве входных данных используются показания с комплекса взаимосвязанных пожарных датчиков, таких как датчики температуры, дыма. Для повышения точности классификации проводится разметка данных с использованием экспертных знаний. Для реализации алгоритма использовался язык программиро- вания Python, совместно с библиотеками Pytorch, pykan, scikit-learn. В статье приводятся резуль- таты тестирования модели на реальных данных и обсуждаются возможные направления для дальнейшего улучшения алгоритма. В ходе экспериментов было показано, что предложенная мо- дель демонстрирует высокую точность классификации пожароопасных ситуаций, которая не уступает традиционным методам классификации данных.
