Vol. 10, No 1, 2013 pp. 37 - 51
UDC 519.2:004.8:681.536.5
MINING AND PREDICTING RATE-OF-RISE HEAT DETECTOR DATA
Mirjana Maksimović1, Vladimir Vujović1, Vladimir Milošević2
1Faculty of Electrical Engineering, East Sarajevo, Bosnia and Herzegovina
2Faculty of Technical Sciences, Novi Sad, Serbia
Abstract. Extreme events like fire can cause massive damage to indoor areas and life threatening conditions. Early residential fire detection is important for life preservation, prompt extinguishing and reducing damage. To detect fire, one or a combination of sensors (heat detectors, smoke detectors, flame detectors) and a detection algorithm are needed. The sensors might be a part of a wireless sensor network (WSN) or work independently. One of the most frequently used heat detectors is the rate-of-rise heat detector. In this paper some of the data mining algorithms on simulation data of the rate-of-rise heat detector are applied. Data mining seems to be an effective technique for discovering useful knowledge from a large amount of data observed by many sensors. Prediction in sensor networks can be performed in the way that each sensor learns a local predictive model for the global target classes, using only its local input data. Only the predicted target class for each reading is then transmitted to the gateway or to the base station. One important class of such algorithms are predictors, which use the sensor inputs to predict some output function of interest. The purpose of the paper is to analyze different classification algorithms in the case of rate-of-rise heat detector to see which of the applied techniques led to higher accuracy and fewer errors.
Key Words: Data Mining, J48, Naïve Bayes, Neural Network, Rate-of-rise Heat detector, SVM
DUBINSKA ANALIZA I PREDIKCIJA PODATAKA TERMODIFERENCIJALNOG DETEKTORA TOPLOTE
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