CN106250930B - 一种基于烟气浓度的火灾定位方法 - Google Patents
一种基于烟气浓度的火灾定位方法 Download PDFInfo
- Publication number
- CN106250930B CN106250930B CN201610623088.1A CN201610623088A CN106250930B CN 106250930 B CN106250930 B CN 106250930B CN 201610623088 A CN201610623088 A CN 201610623088A CN 106250930 B CN106250930 B CN 106250930B
- Authority
- CN
- China
- Prior art keywords
- concentration
- fire
- smoke
- diffusion
- fire source
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000003546 flue gas Substances 0.000 title claims abstract description 19
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 17
- 238000009792 diffusion process Methods 0.000 claims abstract description 57
- 239000007789 gas Substances 0.000 claims abstract description 27
- 238000003064 k means clustering Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 239000000779 smoke Substances 0.000 claims description 63
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004907 flux Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000010410 layer Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract 1
- 230000004807 localization Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Fire Alarms (AREA)
Abstract
本发明属于火灾定位领域，具体涉及一种基于烟气浓度的火灾定位方法，该方法基于无线传感器网络，利用浓度传感器测得的烟雾浓度，根据烟气扩散模型，对火源点进行定位估计；具体步骤如下：步骤1，建立无风环境下烟气扩散模型，确定无风条件下气体浓度与距离的关系式；步骤2、基于烟气浓度的加权融合、最小二乘法定位火源区域；步骤3、基于K‑means聚类法对步骤2的火源区域进行聚类分析，确定火源点。该定位方法适用于火灾早期，屋顶平坦，风速较小的单火源点情况，将烟气流取为二维平面，通过该火灾定位方法，将所得定位结果的区域正下方，作为火灾发生区域，该火灾定位方法具有低能耗、实时性、低成本、抗干扰等特点，实用性强。
Description
技术领域
本发明属于火灾定位技术领域，主要涉及一种基于烟气浓度的火灾定位方法。
背景技术
现有的火灾源点定位技术一般是基于温度场，基于图像理论和基于光纤测温技术的的定位方法，但基于温度场的火灾源点定位要求火源释放较多的热量，传感器感受到温度变化时，实际上燃烧已经持续了一段时间。大量研究表明，火灾早期阴燃状态下，释放热量少，却产生大量的烟气，温度上升却不明显。基于图像型的火源定位技术容易受物体遮挡，造成定位误差偏大等问题；基于光纤测温的技术成本过于高昂，不适用于一般的仓库中。
发明内容
本发明的目的在于针对现有火灾定位方法的不足，提出一种成本更低，定位结果更可靠的火灾定位方法。
一种基于烟气浓度的火灾定位方法，该方法基于无线传感器网络，利用浓度传感器测得的烟雾浓度，根据烟气扩散模型，对火源点进行定位估计；具体步骤如下：
步骤1，建立无风环境下烟气扩散模型，确定无风条件下气体浓度与距离的关系式；
采用高斯烟羽扩散模型(高斯烟羽模型适用于点源连续的气体扩散情况)来描述一个火源点释放出来的烟气沿着房顶扩散的浓度分布，不计入烟层厚度，只考虑烟层表面浓度的条件下，无风环境下烟气扩散模型为：
其中----烟气浓度，表示t时刻点(xi,yi,zi)的气体浓度；
Q----气源强度，mg/s；
σy,σz----平面上的扩散系数；
(xi,yi,zi)----观测节点位置，只考虑表层zi＝0，
H----表示扩散点离地面高度，将屋顶作为二维平面的基准面，则H＝0，
wi----噪声；
1.1)由菲克扩散定律(菲克扩散定律表示：在单位时间内通过垂直于扩散方向的单位截面积的扩散通量与该截面处的浓度梯度成正比，且扩散方向为浓度梯度的反方向，而浓度随时间的变化率等于该处的扩散通量随距离变化率的负值)可得公式(2)：
其中，----烟气浓度，表示t时刻点(xi,yi,zi)的气体浓度；
----扩散通量，
D----气体扩散系数，单位是m2/s；
由公式(2)可以推导出经典的扩散方程:
1.2)假设火源点坐标为(ε,η)，从to时刻开始以Q向各个方向扩散，则由菲克扩散定律可得:
其中，为误差补偿函数，为火源点到传感器的欧几里得距离，在实际监测时往往把每个监测过程都当做一种平衡状态[1]，即认为t趋近无穷大，则表达式可改为:
由此，公式(5)为无风条件下，气体浓度与距离的关系式。
步骤2、基于烟气浓度的加权融合、最小二乘法定位火源区域；
2.1)将传感器接收到的浓度信息代入公式(5)，变换形式后，得：
以第n个方程进行消元，可得：
2.2)令：
则公式(7)简化为：AX＝B (9)
公式(9)所得值是的位置估计；
2.3)运用线性最小二乘算法可以得到火源点的位置坐标为
由此可得一组火源点X的估计结果；
2.4)加权最小二乘法修正结果：采用加权融合方法对定位结果公式(10)进行修正，取加权因子为
其中，c1,c2,…,cn-1分别为各个传感器测得的烟气浓度值的平均值；
令
对权值矩阵W*正规化，得正规化权值矩阵
由此得火源点X的加权最小二乘解为：
步骤3、基于K-means聚类法对步骤2的火源区域进行聚类分析，确定火源点
K-means算法(K-means算法也叫快速聚类法，是一种基于划分方法的聚类分析方法，它是1967年由J.B.M acQueen提出的，是聚类分析中较经典、高效的一个算法。K-means算法因其具有简单、计算速率快、聚类性能良好等优点，而被广泛使用。该算法的基本思想是:以空间中K个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果)。
首先对火源点进行多次定位，然后将多次定位的结果归为一类数据，然后基于K-means聚类法进行聚类筛选，并根据最近邻居原理进行位置估计，实现方法包含以下步骤：
3.1)在Matlab中输入步骤2中全部的加权二乘解将每个时刻加权最小二乘法定位结果作为一个非空子集Mi，Mi中随机产生一个样本，将其作为初始聚类中心zo；
3.2)分别计算Mi中其余点和初始中心点的距离选取阀值0.5；将阀值以内的点归为一类，计算其欧氏距离重新计算聚类中心点重复上述步骤，直至聚类中心点|zk-zk-1|≤20cm，则计算结束，zk即为聚类中心；
3.3)计算各定位结果与zk的距离选取阀值0.5，将阀值以内的点作为定位估计区域，取定值估计区域内各点的平均值即为火源点。(K-means算法原理简单，实现比较方便，通过K-means算法获取最密集的聚类中心，再依据最近邻居原则找出距离聚类中心最近的传感器，取这些传感器的定位结果的平均值可得到最终定位结果。)
进一步，步骤(1)中，所述的无风条件是指风速小于0.1m/s。
与现有技术相比较，本发明具有以下技术创新点：
(1)本发明所采用的火灾定位方法是基于无线传感器网络，利用浓度传感器测得的烟雾浓度，根据烟气扩散模型，对火源点进行定位估计。当火灾发生时，会产生大量的热和烟雾，燃烧所释放的热气上升，当烟雾到达房屋顶部时会形成烟气羽流，羽流从火源点中心向四周扩散，位于屋顶的传感器节点会测得这些烟气的浓度，根据浓度信息来进行早期的火灾源点的定位估计，这样就可以尽可能的提高灭火与救援的效率，减少财产损失和人员伤亡。
(2)本发明采用加权融合方法对定位结果公式(10)进行修正，由于测量值中测量噪声会对定位结果造成比较大的影响，为了减少迭代过程中误差累计的现象，采用加权融合的方法进行计算，使结果更加精确。
(3)本发明所采用的基于烟气浓度信息的火灾定位方法，适用于火灾早期，屋顶平坦，风速较小的单火源点情况，将烟气流取为二维平面，通过该火灾定位方法，将所得定位结果的区域正下方，作为火灾发生区域，该火灾定位方法具有低能耗、实时性、低成本、抗干扰等特点，实用性强。
附图说明
图1火灾定位流程图；
图2火灾产生的烟气在空间内流动趋势图；
图3传感器布置与烟气浓度波前图；
图4火源点的加权定位结果；
图5火源点聚类算法的定位火源点。
具体实施方式
实施例1
已知条件描述：在尺寸为10×10×10m3的仓库内出现火源(仓库内除火源外无其他物体)，火灾发生时刻为t0，在仓库的最顶端(Z＝0)处布置16个传感器观测节点，传感器观测点的布置如图3所示，(屋顶平坦，风速小于0.1m/s，测得气源强度为Q＝25mg/s，扩散系数D＝0.08m2/s，噪声wi为高斯噪声)。
t＝1-50s，传感器测得的烟气浓度值如表1所示。
表1传感器测得的烟气浓度值
其中：以表中第一行数据为例，t＝1s时刻，
表示(x1，y1)对应坐标(-4,4)位置的传感器测得的烟气浓度值；
表示(x2，y2)对应坐标(-2,4)位置的传感器测得的烟气浓度值；
表示(x3，y3)对应坐标(2,4)位置的传感器测得的烟气浓度值；
表示(x4，y4)对应坐标(4,4)位置的传感器测得的烟气浓度值；
表示(x5，y5)对应坐标(-4,2)位置的传感器测得的烟气浓度值；
表示(x6，y6)对应坐标(-2,2)位置的传感器测得的烟气浓度值；
表示(x7，y7)对应坐标(2,2)位置的传感器测得的烟气浓度值；
表示(x8，y8)对应坐标(2,4)位置的传感器测得的烟气浓度值；
表示(x9，y9)对应坐标(-4,-2)位置的传感器测得的烟气浓度值；
表示(x10，y10)对应坐标(-2,-2)位置的传感器测得的烟气浓度值；
表示(x11，y11)对应坐标(2,-2)位置的传感器测得的烟气浓度值；
表示(x12，y12)对应坐标(4,-2)位置的传感器测得的烟气浓度值；
表示(x13，y13)对应坐标(-4,-4)位置的传感器测得的烟气浓度值；
表示(x14，y14)对应坐标(-2,-4)位置的传感器测得的烟气浓度值；
表示(x15，y15)对应坐标(2,-4)位置的传感器测得的烟气浓度值；
表示(x16，y16)对应坐标(4,-4)位置的传感器测得的烟气浓度值。
针对上述问题，采用本专利提出的基于烟气浓度的火灾定位方法(火灾定位流程图如图1所示)，该方法基于无线传感器网络，利用浓度传感器测得的烟雾浓度，根据烟气扩散模型，对“火源点”(该火源点是指屋顶二维平面上烟气浓度最高的点，真实的火灾发生点位于该火源点的正下方)进行定位估计；具体步骤如下：
步骤1，建立无风环境下烟气扩散模型，确定无风条件下气体浓度与距离的关系式：
无风环境下烟气在空间内的流动趋势图如图2所示。基于此，采用高斯烟羽扩散模型(高斯烟羽模型适用于点源连续的气体扩散情况)来描述一个火源点释放出来的烟气沿着房顶扩散的浓度分布，不计入烟层厚度，只考虑烟层表面浓度的条件下，无风环境下烟气扩散模型为：
其中，----烟气浓度，表示t时刻点(xi,yi,zi)的气体浓度；
Q----气源强度，mg/s；
σy,σz----平面上的扩散系数；
(xi,yi,zi)----观测节点位置，只考虑表层zi＝0，
H----表示扩散点离地面高度，将屋顶作为二维平面的基准面，则H＝0，
wi----噪声；
由菲克扩散定律(菲克扩散定律表示：在单位时间内通过垂直于扩散方向的单位截面积的扩散通量与该截面处的浓度梯度成正比，且扩散方向为浓度梯度的反方向，而浓度随时间的变化率等于该处的扩散通量随距离变化率的负值)可得公式(2)：
其中，----烟气浓度，表示t时刻点(xi,yi,zi)的气体浓度；
----扩散通量；
D----气体扩散系数，单位是m2/s；
由公式(2)可以推导出经典的扩散方程:
假设火源点坐标为(ε,η)，以Q向各个方向扩散，则由菲克扩散定律可得:
然而在实际监测时往往把每个监测过程都当做一种平衡状态，即认为t趋近无穷大，则表达式可改为:
由此，公式(5)为无风条件下，气体浓度与距离的关系式。
步骤2、基于烟气浓度的加权融合、最小二乘多边定位计算火源点；
2.1)将传感器测得的浓度值数据依次输入t＝1s(输入顺序为 )，将传感器接收到的浓度信息代入公式(5)；变换形式后，得：
2.2)以第n个方程进行消元，可得：
2.3)令：
上述公式简化为：AX＝B
解AX＝B，所得值是的位置估计X1；
依此方法将t＝2s，t＝3s，…，t＝50s，对应得到X2，X3，…，X50。
2.4)运用线性最小二乘算法可以得到火源点的位置坐标为
进一步修正结果：采用加权融合方法对定位结果公式(10)进行修正，取加权因子为
其中c1为t＝1-50时刻，的平均值；c2为t＝1-50时刻，的平均值；…,c15为t＝1-50时刻，的平均值.
令
对权值矩阵W*正规化，得正规化权值矩阵
由此得火源点的加权最小二乘解为：其结果值如图4中“定位结果”所示。
步骤3、基于K-means聚类法对步骤2的火源区域进行聚类分析，确定火源点
3.1)在Matlab中输入步骤2中全部的加权二乘解将每个时刻加权最小二乘法定位结果作为一个非空子集Mi，Mi中随机产生一个样本，将其作为初始聚类中心zo；
3.2)分别计算Mi中其余点和初始中心点的距离选取阀值0.5；将阀值以内的点归为一类，计算其欧氏距离重新计算聚类中心点重复上述步骤，直至聚类中心点|zk-zk-1|≤20cm，则计算结束，zk即为聚类中心；
3.3)计算各定位结果与zk的距离选取阀值0.5，将阀值以内的点作为定位估计区域，取定值估计区域内各点的平均值即为火源点，如图5中“聚类中心”所示；打开仓库，具体的火源点位置如图5中“火源点”所示，由图5可知，本发明提出的基于烟气浓度信息的火灾定位方法，定位的火源点与真实的火源点位置一致。
Claims (4)
1.一种基于烟气浓度的火灾定位方法，其特征在于，基于无线传感器网络，利用浓度传感器测得的烟雾浓度，根据烟气扩散模型，对火源点进行定位估计；具体步骤如下：
步骤1、建立无风环境下烟气扩散模型，确定无风条件下气体浓度与距离的关系式；
步骤2、基于烟气浓度的加权融合、最小二乘法定位火源区域；
步骤3、基于K-means聚类法对步骤2的火源区域进行聚类分析，确定火源点；
其中，步骤(1)中，所述的建立无风环境下烟气扩散模型，确定无风条件下气体浓度与距离对的关系式，具体的计算如下：采用高斯烟羽扩散模型来描述一个火源点释放出来的烟气沿着房顶扩散的浓度分布，不计入烟层厚度，只考虑烟层表面浓度的条件下，无风环境下烟气扩散模型为：
其中----烟气浓度，表示t时刻点(xi,yi,zi)的气体浓度；
Q----气源强度，mg/s；
σy,σz----平面上的扩散系数；
(xi,yi,zi)----观测节点位置，只考虑表层zi＝0，
H----表示扩散点离地面高度，将屋顶作为二维平面的基准面，则H＝0，
wi----噪声；
由菲克扩散定律，可得公式(2)：
其中，----烟气浓度，表示t时刻点(xi,yi,zi)的气体浓度；
---扩散通量，
D----气体扩散系数，单位是m2/s；
由公式(2)可以推导出经典的扩散方程：
假设火源点坐标为(ε,η)，以Q向各个方向扩散，则由菲克扩散定律可得：
在实际监测时往往把每个监测过程都当做一种平衡状态，即认为t趋近无穷大，则表达式可改为：
由此，公式(5)为无风条件下，气体浓度与距离的关系式。
2.根据权利要求1所述的一种基于烟气浓度的火灾定位方法，其特征在于，步骤(2)基于烟气浓度的加权融合、最小二乘法定位火源区域的具体操作步骤是：
2.1)将传感器接收到的浓度信息代入公式(5)，变换形式后，得：
2.2)以第n个方程进行消元，可得：
2.3)令：
则公式(7)简化为：AX＝B (9)
公式(9)所得值是的位置估计；
2.4)运用线性最小二乘算法可以得到火源点的位置坐标为
进一步修正结果：采用加权融合方法对定位结果公式(10)进行修正，取加权因子为
其中，c1,c2,…,cn-1分别为各个传感器测得的烟气浓度值的平均值；
令
对权值矩阵W*正规化，得正规化权值矩阵
由此得火源点的加权最小二乘解为：
3.根据权利要求2所述的一种基于烟气浓度的火灾定位方法，其特征在于，步骤(3)中，基于K-means聚类法对步骤2的火源区域进行聚类分析，确定火源点，包括以下步骤：
3.1)在Matlab中输入步骤2中全部的加权二乘解将每个时刻加权最小二乘法定位结果作为一个非空子集Mi，Mi中随机产生一个样本，将其作为初始聚类中心zo；
3.2)分别计算Mi中其余点和初始中心点的距离选取阀值0.5；将阀值以内的点归为一类，计算其欧氏距离重新计算聚类中心点重复上述步骤，直至聚类中心点|zk-zk-1|≤20cm，则计算结束，zk即为聚类中心；
3.3)计算各定位结果与zk的距离选取阀值0.5，将阀值以内的点作为定位估计区域，取定值估计区域内各点的平均值即为火源点。
4.根据权利要求1所述的一种基于烟气浓度的火灾定位方法，其特征在于，所述的无风条件是指风速小于0.1m/s。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610623088.1A CN106250930B (zh) | 2016-08-02 | 2016-08-02 | 一种基于烟气浓度的火灾定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610623088.1A CN106250930B (zh) | 2016-08-02 | 2016-08-02 | 一种基于烟气浓度的火灾定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106250930A CN106250930A (zh) | 2016-12-21 |
| CN106250930B true CN106250930B (zh) | 2019-10-29 |
Family
ID=57606243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610623088.1A Expired - Fee Related CN106250930B (zh) | 2016-08-02 | 2016-08-02 | 一种基于烟气浓度的火灾定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106250930B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064704B (zh) * | 2018-08-23 | 2021-06-22 | 广州列丰信息科技有限公司 | 一种基于家庭物联网网关的远程消防监测管理方法及系统 |
| CN109033716B (zh) * | 2018-09-05 | 2023-04-28 | 深圳市赛为智能股份有限公司 | 基于bim的火灾事故数据处理方法、终端及存储介质 |
| CN109410512B (zh) * | 2018-11-07 | 2020-07-31 | 北京林业大学 | 一种基于最小二乘法的烟雾根节点检测方法 |
| CN109540141B (zh) * | 2018-11-23 | 2019-10-22 | 北京科技大学 | 一种污染源定位移动机器人及污染源定位方法 |
| TWI694382B (zh) * | 2019-01-04 | 2020-05-21 | 財團法人金屬工業研究發展中心 | 具深度視覺之煙霧偵測方法 |
| CN109871984A (zh) * | 2019-01-22 | 2019-06-11 | 中山大学 | 一种基于多源信息的智能火灾发展态势识别方法 |
| CN113450519A (zh) * | 2021-06-25 | 2021-09-28 | 慧感(上海)物联网科技有限公司 | 一种基于多维度的现场设备泄漏监测系统及其监测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102519598A (zh) * | 2011-06-27 | 2012-06-27 | 杭州电子科技大学 | 基于传感器阵列统计特征的火源定位方法 |
| CN103927838A (zh) * | 2014-04-22 | 2014-07-16 | 中国科学技术大学 | 一种烟雾热成像火灾自动定位探测系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040230680A1 (en) * | 2003-05-16 | 2004-11-18 | Kamal Jain | Computer-based techniques providing greedy approaches for facility location and other similar problems |
-
2016
- 2016-08-02 CN CN201610623088.1A patent/CN106250930B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102519598A (zh) * | 2011-06-27 | 2012-06-27 | 杭州电子科技大学 | 基于传感器阵列统计特征的火源定位方法 |
| CN103927838A (zh) * | 2014-04-22 | 2014-07-16 | 中国科学技术大学 | 一种烟雾热成像火灾自动定位探测系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于移动传感器阵列的气味源定位;张苏林;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150515(第5期);第23-31页 * |
| 智能无线消防监控系统设计与室内火源定位方法研究;段胜安;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120815(第8期);第38-46页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106250930A (zh) | 2016-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106250930B (zh) | 一种基于烟气浓度的火灾定位方法 | |
| CN107917987B (zh) | 一种面向城市空气污染物溯源分析方法 | |
| WO2018126984A2 (zh) | 一种基于mea-bp神经网络wsn异常检测方法 | |
| CN104729965B (zh) | 基于区间径向基函数神经网络的pm2.5浓度检测方法 | |
| CN111833202B (zh) | 考虑作物系数动态变化与降雨的农田蒸散量短期预测方法 | |
| CN108537383A (zh) | 一种基于模型融合的室内空气预测方法 | |
| CN104299247B (zh) | 一种基于自适应测量矩阵的视频目标跟踪方法 | |
| CN111738138B (zh) | 一种耦合气象特征区域尺度的小麦条绣病严重度遥感监测方法 | |
| WO2020044127A1 (zh) | 一种大气污染预测的方法 | |
| CN110888186A (zh) | 基于gbdt+lr模型的冰雹和短时强降水预报方法 | |
| CN106372718B (zh) | 雾霾积灰条件下的光伏发电功率输出减少率估计方法 | |
| CN111610312B (zh) | 一种开放型多气室法土壤呼吸值监测方法 | |
| Kadirgama et al. | Estimation of solar radiation by artificial networks: east coast Malaysia | |
| CN106096246B (zh) | 基于pm2.5和pm10的气溶胶光学厚度估计方法 | |
| CN103400039A (zh) | 一种基于大风气象分类的风功率爬坡预测模型切换方法 | |
| CN116822567B (zh) | 一种蒸发波导预测模型参数的优化方法 | |
| CN105469163A (zh) | 一种用于光伏电站功率预测的相似日的选择方法 | |
| CN102831431A (zh) | 一种基于层次聚类的检测器训练方法 | |
| CN110488222A (zh) | 一种nlos条件下svm与重心坐标相结合的uwb定位方法 | |
| CN111737641B (zh) | 一种基于神经网络的mwhts通道权重函数计算方法 | |
| Zhang et al. | Improved forest signal detection for space-borne photon-counting lidar using automatic machine learning | |
| CN108510097B (zh) | 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统 | |
| Li et al. | Estimating omnidirectional urban vertical wind speed with direction-dependent building morphologies | |
| CN117370813A (zh) | 一种基于k线模式匹配算法的大气污染深度学习预测方法 | |
| CN110795890A (zh) | 一种基于lm-bpnn的iwf计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191029 |