Актуальность исследования обусловлена необходимостью повышения устойчивости рекурсивных систем прогнозирования пожароопасных ситуаций к разнотипным возмущениям – вибрациям, электромагнитным помехам и накапливающимся ошибкам прогноза. В таких системах даже незначительные искажения спрогнозированных временных рядов могут привести к ложным срабатываниям или пропуску угроз, что особенно критично в объектах с высокой плотностью пребывания людей, например, в метрополитенах. Существующие фильтры, применяемые изолированно, не обеспечивают одновременного подавления гауссовских и импульсных помех, сохранения резких изменений сигнала и минимизации фазового сдвига. В связи с этим в работе разработан и исследован гибридный метод фильтрации, сочетающий фильтр Калмана и взвешенный КИХ-гибридный медианный фильтр. Эффективность метода оценена на синтетических и реальных данных (включая ~ 6 млн отсчетов с датчиков метрополитена) по комплексу метрик: MAE, MSE, SNR, точности воспроизведения производной и быстродействию. Показано, что предложенный гибрид обеспечивает наилучшие результаты: снижение MAE до 0,419, рост SNR до 2,05 дБ и сохранение Accuracy на уровне 99,98 %. Материалы статьи представляют практическую ценность для разработчиков систем пожарной безопасности и специалистов по обработке сенсорных данных в реальном времени.
The relevance of this study necessitated improving the resilience of recursive fire hazard prediction systems to various types of disturbances, such as vibrations, electromagnetic interference, and cumulative forecast errors. In such cases, even a minor impact on predicted time series can lead to false alarms or missed threats, which is especially critical in areas with high occupant illumination, such as subways. Existing filters, when used in isolation, do not consistently suppress Gaussian and impulsive signals, preserving sharp signal changes and minimizing phase shift. Therefore, a hybrid filter method combining a Kalman filter and a weighted FIR hybrid median filter was developed and evaluated. The method's effectiveness is evaluated using synthetic and in-house data (including ~6 million samples from subway sensors) using a combination of metrics: MAE, MSE, SNR, derivative result accuracy, and response time. The proposed hybrid is shown to provide the best results: a reduction in MAE to 0.419, an increase in SNR to 2.05 dB, and an accuracy level of 99.98%. The papers' materials are of practical value to fire safety system developers and early sensor data processing specialists.