CN103325204A - 一种环境参量感知的火灾判定方法 - Google Patents

一种环境参量感知的火灾判定方法 Download PDF

Info

Publication number
CN103325204A
CN103325204A CN2013102259798A CN201310225979A CN103325204A CN 103325204 A CN103325204 A CN 103325204A CN 2013102259798 A CN2013102259798 A CN 2013102259798A CN 201310225979 A CN201310225979 A CN 201310225979A CN 103325204 A CN103325204 A CN 103325204A
Authority
CN
China
Prior art keywords
fire
infrared
value
output
environment parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013102259798A
Other languages
English (en)
Other versions
CN103325204B (zh
Inventor
沈立峰
叶子威
黎翔
赵俊斌
陈炯
付明磊
乐孜纯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heze Jianshu Intelligent Technology Co Ltd
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201310225979.8A priority Critical patent/CN103325204B/zh
Publication of CN103325204A publication Critical patent/CN103325204A/zh
Application granted granted Critical
Publication of CN103325204B publication Critical patent/CN103325204B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Fire Alarms (AREA)

Abstract

一种环境参量感知的火灾判定方法,包括如下步骤:(1)建立三层前馈的BP神经网络和常数的T-S型模糊推理系统;(2)通过传感器采集被监测现场的红外、烟雾、温度、湿度、光强数据;(3)通过光强传感器计算出自然光中的红外数值,并对红外数值进行自然光引起的背景红外消除处理,得到处理后的红外数值;(4)将烟雾读数值、经步骤(3)处理后的红外数值输入到已训练好的三层前馈的BP神经网络中,输出火灾发生度;(5)将温度、湿度读数值输入到常数的T-S型模糊推理系统,输出火灾判决阈值;(6)火灾发生度与火灾判决阈值进行比较,当火灾发生大于火灾判决阈值,判定发生火灾。本发明具有环境参量感知功能、适应性良好。

Description

一种环境参量感知的火灾判定方法
技术领域
本发明适用于火灾预警领域,尤其是一种(报警)系统中的火灾判定方法。
背景技术
火灾的发展过程是一个随机的、不可预测的过程。在火灾判决器(或者火灾预警系统)的设计过程中,由于传感器种类单一、火灾判定阈值无法感知外界环境差异而引起的高漏报率和高误报率,已成为影响火灾判决器可靠性的重要难题。因此,设计一种高效的、环境参量感知的火灾判定方法,对于保护人民群众的生命和财产安全具有重要的意义。
目前,较为先进的火灾判定方法是基于数据融合技术的判定方法。即,将多种传感器采集到的火灾信号输入到一个数据融合模型中,数据融合模型将给出一个融合后的结果,再将融合出的结果与一个固定的常数进行比较(此常数即为火灾的判决阈值)。若融合后的结果为大于火灾阈值,最终结果判定为有火灾。与传统技术相比,这样的火灾判别方法可以有效地降低因传感器种类单一而引起的错报与误报情况。
但是,由于这种火灾判定方法的阈值为一个固定的常数,所以这种方法无法消除因外界环境差异而引起的火灾判别误差。因此,无法从根本上将火灾判别的漏报率与误报率降到最低。如《一种融合神经网络和模糊控制的电气火灾智能报警方法》(公开号:CN101986358A)结合神经网络与模糊计算作为数据融合模型,但是这种形式的数据融合仅是将神经网络与模糊计算形成一个串联式的排列,仅是通过串联的两次数据融合输出电气火灾发生概率。在最终判定时,仍需要将火灾发生概率与一个固定的阈值进行比较,并未考虑到外界环境对火灾阈值的影响。
发明内容
为了克服现有火灾判定方法中的火灾判定阈值固定、火灾判定过程不具备环境适应能力的缺点,本发明提出了一种具有环境参量感知功能、适应性良好的环境参量感知的火灾判定方法。
为了解决上述技术问题提出的技术方案为:
一种环境参量感知的火灾判定方法,所述火灾判定方法包括如下步骤:
(1)建立三层前馈的BP神经网络,所述BP神经网络的输入值为烟雾读数值和红外数值,所述BP神经网络的输出值为火灾发生度,在BP神经网络的训练阶段,将归一化处理后的光强传感器读数值作为训练的输出期望值;
同时建立常数的T-S型模糊推理系统,所述模糊推理系统的输入量为温度和湿度,所述模糊推理系统的输出量为火灾判决的阈值;
(2)通过传感器采集被监测现场的红外、烟雾、温度、湿度、光强数据,其中,红外、烟雾被设定为火灾特征传感器,分别用X1,X2表示其读数值;温度、湿度、光强为环境特征传感器,分别用x3,x4,L表示其读数值;
(3)通过光强传感器计算出自然光中的红外数值,并对红外数值进行自然光引起的背景红外消除处理,处理后的红外数值用x1表示;
(4)将烟雾读数值、经步骤(3)处理后的红外数值输入到已训练好的三层前馈的BP神经网络中,所述神经网络计算输出火灾发生度;
(5)将温度、湿度读数值输入到常数的T-S型模糊推理系统,所述模糊推理系统计算输出当前环境参数条件下的火灾判决阈值;
(6)将步骤(4)中输出的火灾发生度与步骤(5)中输出的火灾判决阈值进行比较,当火灾发生大于所述火灾判决阈值,判定发生火灾。
进一步,所述步骤(3)中,所述红外消除处理的函数关系为:X’1=X1-0.43θ(L),X’1表示背景红外消除后的红外读数值,θ(L)表示光强单位量与红外单位量的换算函数,对X”1归一化得到处理后的红外数值x1
再进一步,所述步骤(1)中,所述BP神经网络中隐层的节点由“试凑法”确定,隐层节点数为5。
所述步骤(1)中,所述的BP神经网络的训练分为正向传播和误差反向传播。
所述步骤(1)中,所述常数的T-S型模糊推理系统中,模糊规则如下:
if x 3 is A 1 i and x 4 is A 2 i then y i = k i - - - ( 1.12 )
其中,x3、x4表示温度和湿度输入量,
Figure BDA00003315546400042
表示模糊集,yi表示第i条规则的输出值,ki表示输出值yi为常数;
每条规则的权重由两个输入量属于各自的模糊集的隶属度相乘得到,其值代表了这两个输入量满足这条规则的程度,表达式如下:
ω i = A 1 i ( x 3 ) A 2 i ( x 4 ) - - - ( 1.13 )
模糊系统的最终输出为九条规则的加权平均,即:
O = Σ i = 1 9 ω i y i - - - ( 1.14 )
O表示当前环境参数条件下的火灾判定阈值,yi表示第i条规则的输出值。
与现有同类火灾判定方法相比,本发明的有益效果表现如下:
1)提出一种神经网络与模糊系统并行计算的算法模型。神经网络只需要处理烟雾和红外传感器的读数值;模糊系统只需要处理湿度和温度传感器的读数值。2)利用光强传感器进行背景红外消除处理和提供神经网络所需的训练的输出期望值。3)火灾判定方法具有环境参量感知能力,即火灾判定阈值能够随湿度、温度等环境参量的变化而动态调整。
附图说明
图1为环境参量感知的火灾判定方法结构图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1,一种环境参量感知的火灾判定方法,所述火灾判定方法包括如下步骤:
(1)建立三层前馈的BP神经网络,所述BP神经网络的输入值为烟雾读数值和红外数值,所述BP神经网络的输出值为火灾发生度,在BP神经网络的训练阶段,将归一化处理后的光强传感器读数值作为训练的输出期望值;
同时建立常数的T-S型模糊推理系统,所述模糊推理系统的输入量为温度和湿度,所述模糊推理系统的输出量为火灾判决的阈值;
(2)通过传感器采集被监测现场的红外、烟雾、温度、湿度、光强数据,其中,红外、烟雾被设定为火灾特征传感器,分别用X1,X2表示其读数值;温度、湿度、光强为环境特征传感器,分别用x3,x4,L表示其读数值;
(3)通过光强传感器计算出自然光中的红外数值,并对红外数值进行自然光引起的背景红外消除处理,处理后的红外数值用x1表示;
(4)将烟雾读数值、经步骤(3)处理后的红外数值输入到已训练好的三层前馈的BP神经网络中,所述神经网络计算输出火灾发生度;
(5)将温度、湿度读数值输入到常数的T-S型模糊推理系统,所述模糊推理系统计算输出当前环境参数条件下的火灾判决阈值;
(6)将步骤(4)中输出的火灾发生度与步骤(5)中输出的火灾判决阈值进行比较,当火灾发生大于所述火灾判决阈值,判定发生火灾。
图1为本发明提出的火灾判定方法的结构图。该方法由3个主要的功能模块组成,包括神经网络模块、模糊系统模块和火灾判定模块。其中,模糊系统模块与神经网络模块采取并行结构,输出结果分别为火灾判定阈值和火灾发生度。利用光强传感器读数值消除背景红外的换算函数关系为:X’1=X1-0.43θ(L),其中,X’1表示背景红外消除后的红外读数值,θ(L)表示光强单位量与红外单位量的换算函数,对X”1归一化得到处理后的红外数值x1
所述神经网络模块采用了一种三层前馈的BP神经网络结构。其中神经网络的输入层有两个节点,分别用于输入红外值和烟雾值。神经网络的输出层有一个节点,用于输出火灾发生度。神经网络中隐层的节点由“试凑法”确定。本发明中隐层节点数为5。在此条件下的神经网络有较好的拟合能力和泛化能力。在神经网络的训练阶段,本发明将归一化处理后的光强传感器的读数值作为训练的输出期望值。
进一步,所述的神经网络的训练分为正向传播和误差反向传播。
所述正向传播过程如下:
(1)输入层到隐层:
x1为背景红外消除后的红外读数值X’1归一化后的数值,x2为烟雾数值X2归一化的数值。
net j = Σ i = 1 2 v ij x i , j = 1,2 . . . 5 - - - ( 1.1 )
yj=f(netj)   j=1,2...5   (1.2)
(2)隐层到输出层:
net = Σ j = 1 m w j y j - - - ( 1.3 )
F=f(net)   (1.4)
(1.4)中转移函数f(x)均为双极性Sigmoid函数:
f ( x ) = 1 - e - x 1 + e - x - - - ( 1.5 )
并且vij,wj分别为隐层和输出层的权值。
所述误差反向传播过程如下:
当神经网络的输出与期望D不等时,存在误差E,定义如下
E = 1 2 Σ k = 1 l ( F - D ) 2 - - - ( 1.6 )
网络输入误差是各层权值w、v的函数,因此调整权值可以改变误差E。
本发明采用最速梯度下降法调整权值,具体调整公式为
Δ w j = - η ∂ E ∂ w j = - η ∂ E ∂ net ∂ net ∂ w j , j = 1,2 . . . 5 - - - ( 1.7 )
Δ v ij = - η ∂ E ∂ x ij = - η ∂ E ∂ net j ∂ net j ∂ v ij , i = 1,2 , j = 1,2 . . . 5 - - - ( 1 . 8 )
其中η是学习率。
神经网络的新权值:
wj(t+1)=wj(t)+Δwj j=1,2...5(t为迭代次数)   (1.9)
vij(t+1)=vij(t)+Δvij i=1,2 j=1,2...5(t为迭代次数)   (1.10)
反复进行正向传播和误差反向传播,直到输出的误差小于预定误差后,结束训练。最后,用火灾样本集对神经网络进行检测。
所述模糊系统采用输出为常数的T-S型模糊推理系统,输入为温度值和湿度值,分别用x3、x4表示。输出为火灾判决阈值。
本发明将输入变量划分到Large(大)、Medium(中)、Small(小)三个模糊集,对应的隶属度函数如下:
μ = 1 1 + e σ 1 ( x - c 1 ) Small e - ( x - c 2 ) 2 σ 2 2 Medium 1 1 + e - σ 3 ( x - c 3 ) L arg e - - - ( 1.11 )
式(1.11)中的σ和c为根据实际情况确定的常量参数。
本发明采用的模糊规则如下:
if x 3 is A 1 i and x 4 is A 2 i then y i = k i - - - ( 1.12 )
其中,x3、x4表示温度和湿度输入量,
Figure BDA00003315546400083
表示模糊集,yi表示第i条规则的输出值,ki表示输出值yi为常数。所述模糊规则的具体表述如下表所示:
Figure BDA00003315546400084
每条规则的权重由两个输入量属于各自的模糊集的隶属度相乘得到,其值代表了这两个输入量满足这条规则的程度,表达式如下:
ω i = A 1 i ( x 3 ) A 2 i ( x 4 ) - - - ( 1.13 )
模糊系统的最终输出为九条规则的加权平均,即:
O = Σ i = 1 9 ω i y i - - - ( 1.14 )
O表示当前环境参数条件下的火灾判定阈值,yi表示第i条规则的输出值。
所述火灾判定模块将(1.4)式表示的火灾发生度F与(1.14)表示的火灾判定阈值O进行比较。其中,F与O是关于时间的连续数值。最后,根据式(1.15)判定火灾是否发生:
A = 1 ( F > O ) 0 ( F < O ) - - - ( 1.15 )
A=1表示发生火灾,A=0表示没有火灾。
本实施例的火灾判定方法,火灾报警阈值能够随环境参量的变化而动态调整。因此,火灾的判定过程能够充分考虑当前的环境参量条件,从而有效地提高火灾预警的准确率,降低系统的误报率和漏报率。本发明适用于旅店、隧道、仓库、学校等室内场所的火灾预警。在实际应用过程中,只需在原有红外、烟雾火灾探测数据的基础上,导入温度、湿度、光强探测数据,即可对被监测场所进行具有环境参数感知能力的智能火灾判断。

Claims (5)

1.一种环境参量感知的火灾判定方法,其特征在于:所述火灾判定方法包括如下步骤:
(1)建立三层前馈的BP神经网络,所述BP神经网络的输入值为烟雾读数值和红外数值,所述BP神经网络的输出值为火灾发生度,在BP神经网络的训练阶段,将归一化处理后的光强传感器读数值作为训练的输出期望值;
同时建立输出为常数的T-S型模糊推理系统,所述模糊推理系统的输入量为温度和湿度,所述模糊推理系统的输出量为火灾判决的阈值;
(2)通过传感器采集被监测现场的红外、烟雾、温度、湿度、光强数据,其中,红外、烟雾被设定为火灾特征传感器,分别用X1,X2表示其读数值;温度、湿度、光强为环境特征传感器,分别用x3,x4,L表示其读数值;
(3)通过光强传感器计算出自然光中的红外数值,并对红外数值进行自然光引起的背景红外消除处理,处理后的红外数值用x1表示;
(4)将烟雾读数值、经步骤(3)处理后的红外数值输入到已训练好的三层前馈的BP神经网络中,所述神经网络计算输出火灾发生度;
(5)将温度、湿度读数值输入到常数的T-S型模糊推理系统,所述模糊推理系统计算输出当前环境参数条件下的火灾判决阈值;
(6)将步骤(4)中输出的火灾发生度与步骤(5)中输出的火灾判决阈值进行比较,当火灾发生大于所述火灾判决阈值,判定发生火灾。
2.如权利要求1所述的一种环境参量感知的火灾判定方法,其特征在于:所述步骤(3)中,所述红外消除处理的函数关系为:X’1=X1-0.43θ(L),X’1表示背景红外消除后的红外读数值,θ(L)表示光强单位量与红外单位量的换算函数,对X’1归一化得到处理后的红外数值x1
3.如权利要求1或2所述的一种环境参量感知的火灾判定方法,其特征在于:所述步骤(1)中,所述BP神经网络中隐层的节点由“试凑法”确定,隐层节点数为5。
4.如权利要求1或2所述的一种环境参量感知的火灾判定方法,其特征在于:所述步骤(1)中,所述的BP神经网络的训练分为正向传播和误差反向传播。
5.如权利要求1或2所述的一种环境参量感知的火灾判定方法,其特征在于:所述步骤(1)中,所述常数的T-S型模糊推理系统中,模糊规则如下:
if x 3 is A 1 i and x 4 is A 2 i then y i = k i - - - ( 1.12 )
其中,x3、x4表示温度和湿度输入量,表示模糊集,yi表示第i条规则的输出值,ki表示输出值yi为常数;
每条规则的权重由两个输入量属于各自的模糊集的隶属度相乘得到,其值代表了这两个输入量满足这条规则的程度,表达式如下:
&omega; i = A 1 i ( x 3 ) A 2 i ( x 4 ) - - - ( 1.13 )
模糊系统的最终输出为九条规则的加权平均,即:
O = &Sigma; i = 1 9 &omega; i y i - - - ( 1.14 )
O表示当前环境参数条件下的火灾判定阈值,yi表示第i条规则的输出值。
CN201310225979.8A 2013-06-07 2013-06-07 一种环境参量感知的火灾判定方法 Active CN103325204B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310225979.8A CN103325204B (zh) 2013-06-07 2013-06-07 一种环境参量感知的火灾判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310225979.8A CN103325204B (zh) 2013-06-07 2013-06-07 一种环境参量感知的火灾判定方法

Publications (2)

Publication Number Publication Date
CN103325204A true CN103325204A (zh) 2013-09-25
CN103325204B CN103325204B (zh) 2015-12-09

Family

ID=49193924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310225979.8A Active CN103325204B (zh) 2013-06-07 2013-06-07 一种环境参量感知的火灾判定方法

Country Status (1)

Country Link
CN (1) CN103325204B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200599A (zh) * 2014-08-06 2014-12-10 浙江工业大学 公交车多传感器火灾检测方法
CN104269010A (zh) * 2014-09-22 2015-01-07 广州中国科学院工业技术研究院 监控区域的火灾风险告警方法和系统
CN104990198A (zh) * 2015-05-18 2015-10-21 广东美的制冷设备有限公司 一种空调器及其火灾检测控制方法和系统
CN105809914A (zh) * 2016-03-25 2016-07-27 南京林业大学 一种基于模糊推理的林火发生模型预警系统
CN105913605A (zh) * 2016-06-15 2016-08-31 宝鸡通茂电子传感设备研发有限公司 火焰传感器的智能识别方法及系统
CN106066640A (zh) * 2016-06-22 2016-11-02 吉林建筑大学 一种基于can总线的消防设备控制系统及模糊控制方法
CN106197532A (zh) * 2016-06-15 2016-12-07 华侨大学 化工厂防火防爆早期预警及灭火防爆方法
CN106570562A (zh) * 2016-11-14 2017-04-19 南京邮电大学 一种基于自适应de算法的桥式吊车模糊建模方法
CN108550236A (zh) * 2018-03-13 2018-09-18 维沃移动通信有限公司 火情监测方法及装置
CN113237190A (zh) * 2021-05-24 2021-08-10 珠海拓芯科技有限公司 空调器防火控制方法及装置、空调器和可读存储介质
CN113313903A (zh) * 2021-04-06 2021-08-27 中国船舶重工集团公司第七0三研究所 一种多参数数据融合火灾判定方法
CN115578832A (zh) * 2022-11-25 2023-01-06 天津新亚精诚科技有限公司 一种应用于消防物联网的无线监控报警系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH097079A (ja) * 1995-06-23 1997-01-10 Matsushita Electric Works Ltd 住宅用火災感知器
CN101986358A (zh) * 2010-08-31 2011-03-16 彭浩明 一种融合神经网络和模糊控制的电气火灾智能报警方法
CN103136893A (zh) * 2013-01-24 2013-06-05 浙江工业大学 基于多传感器数据融合技术的隧道火灾预警控制方法及其系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH097079A (ja) * 1995-06-23 1997-01-10 Matsushita Electric Works Ltd 住宅用火災感知器
CN101986358A (zh) * 2010-08-31 2011-03-16 彭浩明 一种融合神经网络和模糊控制的电气火灾智能报警方法
CN103136893A (zh) * 2013-01-24 2013-06-05 浙江工业大学 基于多传感器数据融合技术的隧道火灾预警控制方法及其系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王殊等: "神经网络模糊系统在火灾探测中的应用", 《数据采集与处理》 *
田艳玲: "基于模糊神经网络的图书馆火灾监控系统关键技术研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200599A (zh) * 2014-08-06 2014-12-10 浙江工业大学 公交车多传感器火灾检测方法
CN104269010A (zh) * 2014-09-22 2015-01-07 广州中国科学院工业技术研究院 监控区域的火灾风险告警方法和系统
CN104990198B (zh) * 2015-05-18 2017-10-31 广东美的制冷设备有限公司 一种空调器及其火灾检测控制方法和系统
CN104990198A (zh) * 2015-05-18 2015-10-21 广东美的制冷设备有限公司 一种空调器及其火灾检测控制方法和系统
CN105809914B (zh) * 2016-03-25 2018-02-02 南京林业大学 一种基于模糊推理的林火发生模型预警系统
CN105809914A (zh) * 2016-03-25 2016-07-27 南京林业大学 一种基于模糊推理的林火发生模型预警系统
CN106197532A (zh) * 2016-06-15 2016-12-07 华侨大学 化工厂防火防爆早期预警及灭火防爆方法
CN105913605A (zh) * 2016-06-15 2016-08-31 宝鸡通茂电子传感设备研发有限公司 火焰传感器的智能识别方法及系统
CN106066640A (zh) * 2016-06-22 2016-11-02 吉林建筑大学 一种基于can总线的消防设备控制系统及模糊控制方法
CN106066640B (zh) * 2016-06-22 2018-12-11 吉林建筑大学 一种基于can总线的消防设备控制系统及模糊控制方法
CN106570562A (zh) * 2016-11-14 2017-04-19 南京邮电大学 一种基于自适应de算法的桥式吊车模糊建模方法
CN108550236A (zh) * 2018-03-13 2018-09-18 维沃移动通信有限公司 火情监测方法及装置
CN113313903A (zh) * 2021-04-06 2021-08-27 中国船舶重工集团公司第七0三研究所 一种多参数数据融合火灾判定方法
CN113237190A (zh) * 2021-05-24 2021-08-10 珠海拓芯科技有限公司 空调器防火控制方法及装置、空调器和可读存储介质
CN115578832A (zh) * 2022-11-25 2023-01-06 天津新亚精诚科技有限公司 一种应用于消防物联网的无线监控报警系统

Also Published As

Publication number Publication date
CN103325204B (zh) 2015-12-09

Similar Documents

Publication Publication Date Title
CN103325204B (zh) 一种环境参量感知的火灾判定方法
CN103136893B (zh) 基于多传感器数据融合技术的隧道火灾预警控制方法及其系统
CN103323749B (zh) 多分类器信息融合的局部放电诊断方法
CN104933841A (zh) 一种基于自组织神经网络的火灾预测方法
CN104008427A (zh) 基于bp神经网络的中央空调冷负荷的预测方法
KR101896015B1 (ko) Ai형 원격 검침시스템
CN113223264B (zh) 基于qpso-bp神经网络的火灾智能预警系统及方法
CN103557884A (zh) 一种输电线路杆塔监控的多传感器数据融合预警方法
CN102436740A (zh) 一种高速公路交通事件自动检测方法
CN103533571B (zh) 基于投票策略的容错事件检测方法
CN103325205B (zh) 基于径向基神经网络的室内火灾预测方法及系统
Anand et al. FPGA implementation of artificial neural network for forest fire detection in wireless sensor network
Rossi et al. Fuzzy logic-based incident detection system using loop detectors data
CN114023399A (zh) 一种基于人工智能的空气颗粒物分析预警方法和装置
CN107976934A (zh) 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统
CN103913721A (zh) 一种基于人工神经网络的室内人员智能感知方法
Rahman et al. A deep learning approach for network-wide dynamic traffic prediction during hurricane evacuation
CN114282611A (zh) 基于深度学习模型的多传感器数据融合火源定位算法
Sekkas et al. A multi-level data fusion approach for early fire detection
Wang et al. Forest fire detection system based on Fuzzy Kalman filter
CN114492578A (zh) 一种基于bp神经网络的电气设备运行数据分类方法
Alonso-Betanzos et al. A neural network approach for forestal fire risk estimation
KR102559307B1 (ko) 재난 현장에서 생성한 이미지 및 영상 데이터 처리 및 활용 방법, 장치 및 시스템
Verma et al. RACER: real-time automated complex event recognition in smart environments
Wen et al. Design of an intelligent alarm system based on multi-sensor data fusion

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20201110

Address after: 11th floor, donglecheng international, Shuguang Road, Chengguan Street, Dongming County, Heze City, Shandong Province

Patentee after: Heze Jianshu Intelligent Technology Co., Ltd

Address before: The city Zhaohui six districts Chao Wang Road Hangzhou City, Zhejiang province 310014 18

Patentee before: ZHEJIANG University OF TECHNOLOGY

TR01 Transfer of patent right