Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: statistical classification

Sortuj według:

Ogranicz wyniki do:

Klasyfikacja zdarzeń na podstawie danych historycznych

Prońko J., Kielin J., Wojtasiak B.

Bezpieczeństwo i Technika Pożarnicza

2015

Nr 3

93--109

Cel: Opis metody klasyfikacji zdarzeń krytycznych stanowiącej uzupełnienie przestrzennej analizy zagrożeń. Wprowadzenie: Klasyfikacja zdarzeń krytycznych pozwala na ocenę zdolności zorganizowanego systemu ratowniczo-gaśniczego do sprostania wymaganiom występującym na danym terenie. Powinna ona opierać się na analizie danych historycznych, ponieważ tylko one dają prawdziwy obraz występujących na danym terenie zdarzeń krytycznych. Co więcej w kontekście stabilności procesu ich pojawiania się, opisanego rozkładem Poissona, pozwalają przewidywać przyszłość w kilkuletniej perspektywie czasowej. Tym samym pozwalają ocenić zdolność systemu ratowniczo-gaśniczego do realizacji, na akceptowalny poziomie, stawianych przed nim zadań. Prezentowana w niniejszym artykule klasyfikacja zdarzeń krytycznych oparta została na naiwnym klasyfikatorze bayesowskim, który zakłada niezależność cech klasyfikacji. Pomimo swojej mylącej nazwy i prostoty założeń jest on bardzo skutecznym narzędziem klasyfikacji. W artykule zaprezentowano założenia metodyczne prowadzenia klasyfikacji zdarzeń krytycznych, opisano algorytm wykorzystania klasyfikacji zdarzeń krytycznych w przestrzennej analizie zagrożeń oraz zaprezentowano przykład takiej analizy dla jednego z powiatów. W badaniach wykorzystano dane zgromadzone w Systemie Wspomagania Decyzji dla Stanowisk Kierowania w wersji FireBird SWD-ST 2,5. Metodologia: Analiza i prognozowanie statystyczne. Wnioski: Cechami wyróżniającymi poszczególne incydenty krytyczne są: rodzaj zdarzenia; czas trwania działań ratowniczych; ilość użytych do działań ratowniczych sił i środków. Wstępne wyróżnienie cech klasyfikacyjnych związane jest z istotą prowadzonych analiz, których głównym celem jest ocena adekwatności potencjału i czasowych możliwości reakcji systemu ratowniczo-gaśniczego. Dominującymi zatem cechami konstytuującymi daną kategorię zdarzeń będą: - rodzaj zdarzenia definiowany pod kątem niezbędnego wyposażenia i wyszkolenia; - wielkość zdarzenia definiowana pod kątem ilości sił i środków niezbędnych do prowadzenia skutecznej akcji ratowniczej i usuwania skutków. (Ponieważ analizy opierają się na danych historycznych należy zatem brać pod uwagę ilość zadysponowanych do danego zdarzenia sił i środków). - czas trwania działań ratowniczych, który wspólnie z zadysponowanymi siłami i środkami definiuje wielkość zdarzenia. Przeprowadzona analiza, której efekty jedynie w ograniczonym zakresie przedstawiono w niniejszym artykule, udowadnia słuszność przyjętych założeń.

Aim: To describe an approach in the classification of critical incidents, which are aggregated for a spatial analysis of threats. Introduction: Classification of critical incidents allows for a capability evaluation of an organized firefighting and rescue system, to meet the demands identified in a given area. It should be based on an analysis of historical data and only such information provides a realistic representation of critical incidents, which occur in a given area. In the context of process stability, this profile can be illustrated by the Poisson distribution and will facilitate short term forecasting. Additionally, such data allows for performance evaluation of the firefighting and rescue system in context of tasks placed upon the system. The critical incident classification, presented in this article, is based on the naive Bayesian codifier, which assumes the independence of classification characteristics. Despite the misleading name and simplified assumptions, it is a very effective tool in the classification process. The article presents methodological assumptions for grading of critical events, describes the algorithm used for the codification of such incidents in the course of spatial threat analysis and provides an example of such an analysis for one of the districts. The study used data stored in the support system for decision making in Command and Control Centres, Fire Bird version 2.5 SWD-ST. Methodology: Statistical analysis and forecasting. Conclusions: The distinguishing features of critical incidents are: type of event, operation duration and volume of resources used during incidents. The initial distinction of classification features is linked to the essence of the analysis, whose main objective is to assess the adequacy of potential and timely response of the firefighting and rescue system. Therefore, dominant features for a given category of incident will be: type of event, defined in terms of required equipment and training; the size of incident, defined in terms of the volume of resources necessary to conduct an effective rescue operation. Since the analysis is based on historical data, it is necessary to take into account the volume of resources deployed to a given incident and finally; the duration for the operation, which together with resources used, defines the magnitude of the incident. The analysis and outcomes, of which a limited range is presented in this article, confirms the validity of assumptions.

Wspomaganie analizy uśrednionych sygnałów elektrokardiograficznych z wykorzystaniem klasyfikacji transdukcyjnej

Jankowski S., Szymański Z., Piątkowska-Janko E.

Elektronika : konstrukcje, technologie, zastosowania

2009

Vol. 50, nr 8

290-293

W artykule przedstawiono nowy klasyfikator transdukcyjną średniokwadratową maszynę wektorów nośnych wykorzystaną do wspomagania diagnozy schorzeń serca na podstawie parametrów obliczonych z uśrednionego sygnału elektrokardiograficznego wysokiej rozdzielczości. Zaprezentowano formalny opis średniokwadratowej maszyny wektorów nośnych oraz algorytm realizujący proces uczenia transdukcyjnego. Dla klasyfikatora utworzonego na bazie zbioru uczącego zawierającego jedynie 5% próbek etykietowanych, skuteczność klasyfikacji wynosi 83,5%.

We present new transductive least square support vector machine classifier for cardiological diagnosis based on parameters calculated from high resolution signal averaged ECG. The paper contains formal description of least square support vector machine and the algorithm for transductive learning.The recognition score of the classifier based on learning data set which includes only 5% labelled examples is 83.5%.