Zastosowanie sztucznej sieci neuronowej do klasyfikacji zgłoszeń alarmowych

• Autorzy: Balcerek J. , Pawłowski P. , Dąbrowski A.

Identyfikatory

DOI

10.15199/13.2018.4.1

Warianty tytułu

EN

Application of artificial neural network for classification of emergency notifications

• Języki publikacji: PL

Abstrakty

PL

W artykule Autorzy prezentują metodę oraz serię eksperymentów klasyfikacji rekordów rozmów na telefony alarmowe przy użyciu sztucznych sieci neuronowych (SSN). SSN służą do przetwarzania cech osób dzwoniących i zdarzeń pobranych z przygotowanej bazy rozmów eksperymentalnego centrum powiadamiania ratunkowego. Autorzy przeanalizowali cztery warianty klasyfikacji: grup rozmówców o określonych cechach, grup zdarzeń o określonych cechach, wybranych rozmówców i wybranych zdarzeń. Następnie została porównana skuteczność klasyfikacji przez SSN dla różnych zestawów treningowych, testowych i różnej liczby cech. Wyniki przeprowadzonych eksperymentów pokazują, że SSN mogą właściwie klasyfikować określonych mówców i zdarzenia, co rozwiązuje istotne problemy związane z weryfikacją i selekcją zgłoszeń alarmowych.

EN

In this paper the authors present a method and a series of experiments on the classification of emergency phone conversation records using artificial neural networks (ANNs). The ANNs process the features of callers and events taken from the prepared database of the experimental emergency notification center. The authors analyzed four variants of classification: the groups of callers, which have specified features, the groups of events, which have specified features, selected callers, and selected events. Then the efficiency of classification by the ANN with various number of training and testing sets and various number of features was compared. Results of the conducted experiments show that ANNs can properly classify defined callers or events, which solves important problems related to the verification and selection of emergency notifications.

Słowa kluczowe

PL

centrum powiadamiania ratunkowego; metadane rozmów telefonicznych; klasyfikacja mówcy; klasyfikacja zdarzeń; sztuczna sieć neuronowa

EN

emergency notification center; telephone calls metadata; speaker classification; event classification; artificial neural network

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2018
• Tom: Vol. 59, nr 4
• Strony: 2--7
• Opis fizyczny: Bibliogr. 16 poz., tab., wykr.

Twórcy

autor

Balcerek J.

• Politechnika Poznańska, Wydział Informatyki, Instytut Automatyki i Robotyki, Zakład Układów Elektronicznych i Przetwarzania Sygnałów, ul. Jana Pawła II 24, 60-965 Poznań, Polska

autor

Pawłowski P.

• Politechnika Poznańska, Wydział Informatyki, Instytut Automatyki i Robotyki, Zakład Układów Elektronicznych i Przetwarzania Sygnałów, ul. Jana Pawła II 24, 60-965 Poznań, Polska

autor

Dąbrowski A.

• Politechnika Poznańska, Wydział Informatyki, Instytut Automatyki i Robotyki, Zakład Układów Elektronicznych i Przetwarzania Sygnałów, ul. Jana Pawła II 24, 60-965 Poznań, Polska

Bibliografia

• [1] MSWiA, Report on the functioning of the emergency notification system in 2017 (in Polish), 9 February 2018.
• [2] Soloch P., (2015) About the emergency notification system 16 months after the acceptance of the act (in Polish), Sobieski Institute, available: http://www.sobieski.org.pl/analiza-is-74/, 21 April 2015.
• [3] Buchwald B., (2013) Emergency Notification Center - Integrated Dispatcher System (in Polish), NEOKART GIS, Warsaw, Poland, www.neokartgis.com.pl , accessed on: 4 November 2013.
• [4] European Commission, Communications Committee, Implementation of the European emergency number 112 - Results of the eleventh data-gathering round, Brussels, 9 February 2018.
• [5] Jagielski M., (2010) The right to protection of personal data. European standards, Warsaw, Poland, Wolters Kluwer.
• [6] Balcerek J., Drgas S., Dąbrowski A., Konieczka A., (2009) Prototype multimedia database system for registration of emergency situations, Proc. of Signal Processing: Algorithms, Architectures, Arrangements and Applications SPA’2009, IEEE International Conference, Poznań, Poland, 24-26 September 2009, pp. 144-148.
• [7] Balcerek J., Pawłowski P., Konieczka A, Drgas S., Dąbrowski A., Kmieciak M., (2010) Database of emergency telephone calls - system tools for real-time registration and metadata searching, Proc. of Signal Processing: Algorithms, Architectures, Arrangements and Applications SPA’2010, IEEE International Conference, Poznań, Poland, 23-25 September 2010, pp. 89-94.
• [8] Balcerek J., Pawłowski P., (2011) Multicriteria Metadata Mechanisms for Fast and Reliable Searching of People Using Databases with Unreliable Records, Proc. of 4th International Conference MCSS 2011, June 2-3, Kraków, Poland, Springer. Communications in Computer and Information Science, pp. 225-232.
• [9] Balcerek J., Pawłowski P., Dąbrowski A., Konieczka A., (2015) Relations between features for automatic recognition of abnormal cases in emergency telephone call systems, Proc. of Signal Processing: Algorithms, Architectures, Arrangements and Applications SPA’2015, IEEE International Conference, Poznań, Poland, 23-25 September 2015, pp. 191-196.
• [10] Balcerek J., (2016) Human-computer supporting interfaces for automatic recognition of threats, Ph.D. Dissertation, Poznań University of Technology, Poznań, Poland.
• [11] Balcerek J., Pawłowski P., Dąbrowski A., (2017) Classification of emergency phone conversations with artificial neural network, Proc. of Signal Processing - Algorithms, Architectures, Arrangements and Applications SPA’2017, IEEE International Conference, Poznań, Poland, 20-22 September 2017, pp. 343-348.
• [12] Michie D., Spiegelhalter D.J., Taylor C.C., (1994) Machine learning, neural and statistical classification, Ellis Horwood Upper Saddle River, NJ, USA.
• [13] Gnana Sheela K., Deepa S.N., (2013) Review on methods to fix number of hidden neurons in neural networks, Mathematical Problems in Engineering, Hindawi Publishing Corporation.
• [14] Shibata K., Ikeda Y., (2009) Effect of number of hidden neurons on learning in large-scale layered neural networks, Proc. of ICROS-SICE International Joint Conference (ICCAS-SICE), Fukuoka, Japan, 18-21 August 2009, pp. 5008-5013.
• [15] Documentation for Neural Network Toolbox, Matlab version 7.11.0.584 (R2010b), MathWorks, 2010.
• [16] Gavin H.P., (2016) The Levenberg-Marquardt method for nonlinear least squares curve-fitting problems, Department of Civil and Environmental Engineering, Duke University, available: http://people.duke.edu/~hpgavin/ce281/lm.pdf, 4 May 2016, pp. 1-18.

Uwagi

1. Praca została sfinansowana ze środków projektu DS 2018.

2. Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).