Выявление аномалий в пространстве экологических признаков для повышения точности обнаружения живых объектов в здании
Куликовских И.М.


Самарский национальный исследовательский университет имени академика С.П. Королёва, Самара, Россия

Аннотация:
В данной работе рассматривается задача повышения точности обнаружения живых объектов в здании, описываемых пространством экологических факторов. Для решения поставленной задачи реализована модель логистической регрессии при условии неустойчивости оценок параметров для почти линейно разделимых классов. Создан алгоритм выявления аномалий, разрешающий компромисс между наличием выбросов и точностью распознавания. Эффективность предложенного алгоритма и целостность теоретических обоснований получили подтверждение при проведении вычислительных экспериментов.

Ключевые слова:
выявление аномалий, логистическая регрессия, машинное обучение, преобразование Кокса–Бокса, система обнаружения, экологический фактор.

Цитирование:
Куликовских, И.М. Выявление аномалий в пространстве экологических признаков для повышения точности обнаружения живых объектов в здании / И.М. Кули­ковских // Компьютерная оптика. – 2017. – Т. 41, № 1. – С. 126-133. – DOI: 10.18287/2412-6179-2017-41-1-126-133.

Литература:

  1. Dulski, R. Concept of data processing in multi-sensor systems for perimeter protection / R. Dulski, M. Kastek, P. Trzaskawka, T. Piatkowski, M. Szustakowski, M. Zyczkowski // Proceedings of SPIE. – 2011. – Vol. 8019. – 8019X. – DOI: 10.1117/12.883965.

  2. Епифанцев, Б.Н. Мультисенсорные системы мониторинга территорий ограниченного доступа: возможности видеоаналитического канала обнаружения вторжений / Б.Н. Епифанцев, А.А. Пятков, С.А. Копейкин // Компьютерная оптика. – 2016. – Т. 40, № 1. – С. 121-129. – DOI: 10.18287/2412-6179-2016-40-1-121-129.
  3. Soucek, B.Computers in Neurobiology and Behaviour / B. Soucek, A.D. Carlson. – New York: John Wiley & Sons, 1976. – 324 p. – ISBN: 978-0471813897.

  4. Soucek, B. Event-train correlation and real-time microcomputer systems
  5. / B. Soucek, S. Prokhorov // Microprocessing and Microprogramming. – 1983. – Vol. 11, Issue 1. – P. 23-29. DOI: 10.1016/0165-6074(83)90161-8.
  6. Candanedo, L.M. Accurate occupancy detection of an office room from light, temperature, humidity and CO2 measurements using statistical learning models
  7. / L.M. Can­danedo, V. Feldheim // Energy and Buildings. – 2016. – Vol. 112. – P. 28-39. - DOI: 10.1016/j.enbuild.2015.11.071.
  8. Chen, Z. A fusion framework for occupancy estimation in office buildings based on environmental sensor data / Z. Chen, M.K. Masood, Y.C. Soh // Energy and Buildings. – 2016. – Vol. 133. – P. 790-798. - DOI: 10.1016/j.enbu­ild.2016.10.030.
  9. Erickson, V.L. OBSERVE: Occupancy-based system for efficient reduction of HVAC energy / V.L. Erickson, M.Á. Ca­r­rei­ra-Perpiñán, A.E. Cerpa // Proceedings of 10th IEEE International Conference on Information Processing in Sensor Networks (IPSN), Stockholm, Sweden. – 2011. - P. 258-269.
  10. Erickson, V.L. Occupancy modeling and prediction for building energy management / V.L. Erickson, M.Á. Carrei­ra-Perpiñán, A.E. Cerpa // ACM Transactions on Sensor Networks (TOSN). – 2014. – Vol. 10, Issue 3. - 42. - DOI: 10.1145/2594771.
  11. Dong, B. Sensor-based occupancy behavioral pattern re­cognition for energy and comfort management in intelligent buildings [Electronical Resource] / B. Dong, B. Andrews. – 2014. – URL: www.ibpsa.org/procee­dings/BS2009/BS09_1444_1451.pdf (Request Date 28.11.2016).
  12. Lam, K.P. Occupancy detection through an extensive environmental sensor network in an open-plan office building / K.P. Lam, M. Höynck, B. Dong, B. Andrews, Y.-S. Chiou, R. Zhang, D. Benitez, J. Choi // Proceedings of Building Simulation 09, an IBPSA Conference, Glazgow, Scotland, July 27-30, 2009. – 2009. – P. 1452-1459.
  13. Hailemariam, E. Real-time occupancy detection using decision trees with multiple sensor types / E. Hailemariam, R. Goldstein, R. Attar, A. Khan // Proceedings of 2011 Symposium on Simulation for Architecture and Urban Design, Boston, MA, USA. – 2011. – P. 141-148.
  14. Yang, Z. A multi-sensor based occupancy estimation model for supporting demand driven HVAC operations / Z. Yang, N. Li, B. Becerik-Gerber, M. Orosz // Proceedings of the 2012 Symposium on Simulation for Architecture and Urban Design, Orlando, FL, USA. – 2012. – P. 49-56.
  15. Воронцов, К.В. Математические методы обучения по прецедентам (теория обучения машин) [Электронный ресурс] / К.В. Воронцов. – URL: http://www.machinele­arning.ru/wiki/images/6/6d/Voron-ML-1.pdf (дата обращения 28.11.16).
  16. Brax, A. An ensemble approach for increased anomaly detection performance in video surveillance data / A. Brax, L. Niklasson, R. Laxhammar // Proceedings of 12th International Conference on Information Fusion, Seattle, WA, USA. – 2009. – P. 694-701.
  17. Saini, D.K. Techniques and challenges in building intelligent systems: anomaly detection in camera surveillance / D.K. Saini, D. Ahir, A. Ganatra // Proceedings of 1st International Conference on Information and Communication Technology for Intelligent Systems: Volume 2, Smart Innovation, Systems and Technologies 51. – 2016. – Part 1. – P. 11-21. – DOI: 10.1007/978-3-319-30927-9_2.
  18. Gashnikov, M.V. Hyperspectral remote sensing data compression and protection / M.V. Gashnikov, N.I. Glumov, A.V. Kuznetsov, V.A. Mitekin, V.V. Myasnikov, V.V. Ser­geev // Computer Optics. – 2016. – Vol. 40(5). – P. 689-712. – DOI: 10.18287/2412-6179-2016-40-5-689-712.
  19. Xu, Y. Anomaly detection in hyperspectral images based on low-rank and sparse representation / Y. Xu, Z. Wu, J. Li, A. Plaza, Z. Wei // IEEE Transactions on Geoscience and Remote Sensing. – 2016. – Vol. 54(4). – P. 1990-2000. – DOI: 10.1109/TGRS.2015.2493201.
  20. Zhao, R. Beyond background feature extraction: An anomaly detection algorithm inspired by slowly varying signal analysis / R. Zhao, B. Du, Li. Zhang, Le. Zhang // IEEE Transactions on Geoscience and Remote Sensing. – 2016. – Vol. 54(3). – P. 1757-1774. – DOI: 10.1109/TGRS.2015.2488285.
  21. G?rnitz, N. Toward supervised anomaly detection / N. G?rnitz, M. Kloft, K. Rieck, U. Brefeld // Journal of Artificial Intelligence Research. – 2013. – Vol. 46. – P. 235-262. - DOI: 10.1613/jair.3623.
  22. Goldstein, M. A Comparative evaluation of unsupervised anomaly detection algorithms for multivariate data / M. Goldstein, S. Uchida // PLoS One. – 2016. – Vol. 11(4). - e0152173 – DOI: 10.1371/journal.pone.0152173.
  23. Петренко, С.А. Методы обнаружения вторжений и аномалий функционирования киберсистем / С.А. Петренко // Труды ИСА РАН. – 2009. – Т. 41. – С. 194-202.
  24. Kiryati, N. Real time abnormal motion detection in surveillance video / N. Kiryati, T.R. Raviv, Y. Ivanchenko, S. Rochel // Proceedings of 19th Conference on Pattern Recognition (ICPR 2008), Tampa, Florida, USA. – 2008. – DOI: 10.1109/ICPR.2008.4761138.
  25. Buch, N. Local feature saliency classifier for real-time intrusion moitoring / N. Buch, S. Velastin // Optical Engineering. – 2014. – 53(7). – 073108. – DOI: 10.1117/1/OE.53.7.073108.
  26. Неделько, В.М. Регрессионные модели в задаче классификации / В.М. Неделько // Сибирский журнал индустриальной математики. – 2014. – T. 17, № 1. – C. 86-98.
  27. Hastie, T. The elements of statistical learning: Data mining, inference, and prediction / T. Hastie, R. Tibshirani, J. Friedman. – 2nd ed. – New York, NY, USA: Springer Science+Business Media, 2013. – 745 p. – ISBN: 978-0387848570.
  28. UCI Machine Learning Repository. Occupancy Detection Data Set [Electronical Resource]. – URL: https://archi­ve.ics.uci.edu/ml/datasets/Occupancy+Detection+ (Request Date 28.11.2016).
  29. Куликовских, И.М. Формирование пространства признаков для обнаружения живых объектов в здании на основе экологических факторов / И.М. Куликовских // Известия Самарского научного центра РАН. – 2016. – T. 18, № 4(4). – С. 754-759.
  30. Fawcett, T. An introduction to ROC analysis / T. Fawcett // Pattern Recognition Letters. – 2006. – Vol. 27, Issue 8. – P. 861-874. - DOI: 10.1016/j.patrec.2005.10.010.
  31. Van Rijsbergen, C.J. Information Retrieval / C.J. van Rijs­bergen. – 2nd ed. – London: Butterworths-Heinemann, 1979. – 208 p. – ISBN: 978-0408709294.
  32. Box, G.E.P. An analysis of transformations / G.E.P. Box, D.R. Cox // Journal of the Royal Statistical Society. Series B (Methodological). – 1964. – Vol. 26(2). – P. 211-252.
© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20