Metrika članka

  • citati u SCindeksu: 0
  • citati u CrossRef-u:0
  • citati u Google Scholaru:[=>]
  • posete u poslednjih 30 dana:2
  • preuzimanja u poslednjih 30 dana:0
članak: 8 od 33  
Back povratak na rezultate
Facta universitatis - series: Working and Living Environmental Protection
2013, vol. 10, br. 1, str. 37-51
jezik rada: engleski
vrsta rada: neklasifikovan
objavljeno: 23/01/2014
Dubinska analiza i predikcija podataka termodiferencijalnog detektora toplote
aUniverzitet u Istočnom Sarajevu, Elektrotehnički fakultet, Republika Srpska, BiH
bUniverzitet u Novom Sadu, Fakultet tehničkih nauka

Sažetak

Ekstremne situacije, kao što je požar, mogu prouzrokovati masivna oštećenja objekata i situacije opasne po ljudske živote. Rana detekcija požara je važna zbog spašavanja ljudskih života, brzog gašenja požara i smanjenja štete. Za detekciju požara obično se koristi jedan ili kombinacija više senzora (detektori toplote, dima, plamena) i algoritam detekcije. Senzori mogu biti dio bežičnih senzorskih mreža ili raditi samostalno. U ovom radu primjenili smo neke od algoritama dubinske analize podataka na simulacijske podatke termodiferencijalnog detektora toplote. Dubinska analiza podataka (data mining) se pokazala kao efikasna tehnika u pogledu otkrivanja korisnog znanja iz velike količine podataka prikupljene od strane mnogobrojnih senzora. Predikcije u senzorskim mrežama mogu biti izvedene na način da svaki senzor uči lokalni predikcijski model koristeći jedino sopstvene lokalne ulazne podatke. Samo ciljne prediktivne klase svakog očitanja se šalju ka gateway-u ili baznoj stanici. Važna klasa svakog algoritma jesu prediktori, koji koriste senzorske ulazne podatke za predikciju izlazne funkcije od interesa. Cilj rada je bio izvesti analizu nekoliko različitih klasifikacijskih algoritama kako bi ustanovili koji od njih daje najbolje rezultate u slučaju termodiferencijalnog detektora toplote, okarakterisani visokom tačnošću i malom greškom.

Ključne reči

dubinska analiza podataka; J48; naivni Bayes; neuronske mreže; termodiferencijalni detektor; SVM

Reference

*** WEKA data mining tool. Available: www.cs.waikato.ac.nz/ml/WEKA
*** (1999) NFPA 72: National fire alarm code®
Aggarwal, C.C. (2013) Managing and Mining Sensor Data. New York: Springer
Antono, Ir.M.H. Automatic fire detector spacing: MSFPE introductions an appendix. i. e. of NFPA72, b. Appendix B
Bahrepour, M., Meratnia, N., Havinga, P.J.M. (2009) Use of AI techniques for residential fire detection in wireless sensor networks. u: AIAI-2009 Workshops Proceedings, Thessaloniki, Greece, 311-321
Beyler, C.L. (1984) A design method for flaming fire detection. Fire Technology, 20(4): 5-16
Heskestad, G., Delichatsios, M.A. (1977) Environments of fire detectors, Phase 1: Effect of fire size, ceiling height, and material, Vol. 2: Analysis. Gaithersburg, MD: National Bureau of Standards, NBS-GCR-77-95, str. 100
Natajaran, J. (2006) Simulation of sensor responses of advanced security systems. University of Texas at Arlington, PhD thesis, Master Thesis
Witten, I.H., Frank, E., Hall, M.A. (2011) Data mining - practical machine learning tools and techniques. Amsterdam: Morgan Kaufmann
Yabuki1, N., Yoshida, Y., Tsukamoto, S., Fukuda, T. (2011) Data storage and data mining of building monitoring data with context. u: International Symposium on Automation and Robotics in Construction (ISARC2011) (XXVIII), Seoul, Proceedings, str. 377-378
Yuen, W.W., Chow, W.K. (2005) A Monte Carlo Approach for the Layout Design of Thermal Fire Detection System. Fire Technology, 41(2): 93-104
Zukoski, E.E., Kubota, T., Cetegen, B. (1981) Entrainment in fire plumes. Fire Safety Journal, 3(3): 107-121