CN108335467B - 一种基于突变点探测的火灾在线预警与快速分析方法 - Google Patents
一种基于突变点探测的火灾在线预警与快速分析方法 Download PDFInfo
- Publication number
- CN108335467B CN108335467B CN201810011792.0A CN201810011792A CN108335467B CN 108335467 B CN108335467 B CN 108335467B CN 201810011792 A CN201810011792 A CN 201810011792A CN 108335467 B CN108335467 B CN 108335467B
- Authority
- CN
- China
- Prior art keywords
- data
- catastrophe point
- difference
- fire
- rule
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
Abstract
本发明涉及一种基于突变点探测的火灾在线预警与快速分析方法,包括以下步骤:获取各传感器的时序数据,建立数据缓冲区,缓冲海量时序数据;用多级Haar小波变换分解待检测的时序数据,同时构建均值二叉树TcA和差值二叉树TcD;基于改进的KS统计的基础上,分别提出两条突变点搜索规则,规则一是基于均值二叉搜索树,规则二是基于差值二叉搜索树,当规则一搜索不到突变点时,则采用规则二进行搜索,二者互为补充;最后,根据所述搜索规则从二叉树根结点开始,向下逐层寻找,找到一条突变点搜索路径,将检测到的突变点输出,实现火灾预警与在线分析。本发明能够提高火灾数据探测的及时性。
Description
技术领域
本发明涉及火灾探测技术领域,特别是涉及一种基于突变点探测的火灾在线预警与快速分析方法。
背景技术
火灾探测是关系人民生命财产安全的重大手段,随着火灾探测技术的不断发展,人们对火灾的认识也越来越深入,不断涌现出新的探测手段。然而现有的大多数火灾探测器对火灾信号一直存在响应时间长,灵敏性低的问题,只能在火灾发生到难以控制的形势下才发出报警信号,且容易产生误报和漏报情况。而那些由于长期运行导致设备过载、过热、短路产生火灾的场所,如计算机机房、精密仪器实验中心、网络数据中心等,需要对火灾进行严格控制,确保在火灾发生初期就能及时发现火情并进行扑灭,减少财产损失。如何能在火灾处于萌芽状态时,准确实现火灾早期探测,提高火灾的报警的准确性,避免严重损失是目前亟待解决的一个重大问题。
发明内容
本发明所要解决的技术问题是提供一种基于突变点探测的火灾在线预警与快速分析方法,能够提高火灾数据探测的及时性。
本发明解决其技术问题所采用的技术方案是:提供一种基于突变点探测的火灾在线预警与快速分析方法,包括以下步骤:
(1)获取各传感器的时序数据,建立数据缓冲区,缓冲海量时序数据;
(2)用多级Haar小波变换分解待检测的时序数据,同时构建均值二叉树TcA和差值二叉树TcD;
(3)基于改进的KS统计的基础上,分别提出两条突变点搜索规则,规则一是基于均值二叉搜索树,规则二是基于差值二叉搜索树,当规则一搜索不到突变点时,则采用规则二进行搜索,二者互为补充;
(4)最后,根据所述搜索规则从二叉树根结点开始,向下逐层寻找,找到一条突变点搜索路径,将检测到的突变点输出,实现火灾预警与在线分析。
所述步骤(1)中的数据缓冲区采用队列结构,新产生的时序数据将按照时间顺序依次从队尾入列,当数据缓冲完成,进入数据处理过程时,缓冲数据又按时间顺序依次从队首出列。
所述步骤(2)具体为:将缓冲完成的时序数据Z={z1,z2,...,zN}经过多级Haar小波分解成不同频域分量,表示如下:其中,cA和cD分别为均值参数和差值参数;将时序数据Z分解成多维的均值参数矩阵McA和差值参数矩阵McD,其中,0≤k≤m=log2N,1≤j≤N/2k,将参数矩阵McA和差值参数矩阵McD分别映射到对应的均值二叉搜索树TcA和差值二叉搜索树TcD的各层子节点,分别通过参数矩阵McA和差值参数矩阵McD来构造均值二叉搜索树TcA和差值二叉搜索树TcD中的各级的非叶子节点,同时,叶子节点直接来自时序数据Z中的元素。
根据多分辨率分析概念化小波变换的过程,将总体的N分解成一小段n。
在构建均值二叉树TcA和差值二叉树TcD时,分别以cAk,1和cDk,1作为均值二叉树TcA和差值二叉树TcD的根结点,cAk-1,1,cAk-1,2和cDk-1,1,cDk-1,2作为均值二叉树TcA和差值二叉树TcD第二层的结点,以此类推,直至和作为均值二叉树TcA和差值二叉树TcD第k层结点,最后将原数据作为第k+1层,即叶节点。
所述步骤(3)中所述规则一是利用KS检验来描述数据的累积经验分布的差异情况,在分布差异较大的那部分,作为选择路径的标准,寻找数据突变点。
所述步骤(3)中所述规则二是利用小波分解的细节分量来比较数据的波动情况,数据的波动越厉害,则细节分量的绝对值越大,在波动较大的那部分即细节分量的绝对值超过所有细节分量的绝对值的中位数的那部分,作为选择路径的标准,寻找数据突变点。有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:
本发明基于改进的KS检验和Haar小波相结合的突变点检测算法,实现快速准确地检测火灾数据中的突变点,该算法采用自顶向下的搜索策略,并且以折半的思想进行查找,能快速分析火灾数据的信息,实现火灾的在线预警。本发明将各种传感器数据收集,建立数据缓冲区,缓冲海量时序数据,实现火灾数据的在线检测,能够检测到火灾发生时的特征变化,及时有效的得到火灾情况,达到火灾预警效果。
本发明有效的克服了现有的火灾探测器的缺点,从而提高火灾数据探测的及时性,算法运算速度快,耗时少,准确性高,能及时检测到火灾发生时的特征变化,同时也能检测出火灾后,这些特征的变化,确保在火灾发生初期就能及时发现火情并进行扑灭,减少财产损失。
附图说明
图1是本发明的流程图;
图2是本发明中数据缓冲区示意图;
图3是本发明中Haar小波分解构建的均值二叉树TcA和差值二叉树TcD示意图。
图4是本发明中突变点搜索规则一搜索示意图。
图5是本发明中突变点搜索规则二搜索示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1所示,一种基于突变点探测的火灾在线预警与快速分析方法,首先获取各传感器的数据,建立数据缓冲区,缓冲海量时序数据;用多级Haar小波变换分解待检测的时序数据,同时构建均值二叉树TcA和差值二叉树TcD;然后,基于改进的KS统计的基础上,分别提出两条突变点搜索规则,规则一是基于差值二叉搜索树,规则二是基于均值二叉搜索树,当规则一搜索不到突变点时,则采用规则二进行搜索,二者互为补充。最后,根据此规则从二叉树根结点开始,向下逐层寻找,找到一条突变点搜索路径,将检测到的突变点输出,火灾预警与在线分析。
所述基于突变点探测的火灾在线预警与快速分析方法的具体步骤如下:
A、首先获取各传感器的数据,建立数据缓冲区,缓冲海量时序数据;
B、缓冲完成的时序数据Z={z1,z2,...,zN}经过多级Haar小波分解成不同频域分量,并表示如下,
将时序数据Z分解成多维的均值参数矩阵McA和差值参数矩阵McD。
C、然后,将均值参数矩阵McA和差值参数矩阵McD分别映射到对应的均值二叉树TcA和差值二叉树TcD的各层子节点。分别通过McA和McD来构造均值二叉树TcA和差值二叉树TcD中的各级的非叶子节点。同时,叶子节点直接来自时序数据Z中的元素。
D、其次,基于改进的KS统计的基础上,分别提出两条突变点搜索规则,规则一是基于差值二叉搜索树,规则二是基于均值二叉搜索树,当规则一搜索不到突变点时,则采用规则二进行搜索,二者互为补充。
E、最后,根据此规则从二叉树根结点开始,向下逐层寻找,找到一条突变点搜索路径,将检测到的突变点输出,火灾预警与在线分析。
所述步骤A中,数据缓冲区采用队列结构,如图2所示,新产生的时序数据将按照时间顺序依次从队尾入列,当数据缓冲完成,进入数据处理过程时,缓冲数据又按时间顺序依次从队首出列。
所述步骤B中,多分辨率分析(MRA)是小波分析的核心,根据MRA概念化小波变换的过程,将总体的N分解成一小段n。
所述步骤C中,若数据长度为N=2k,则经过k级分解后,分别从cAk,1和cDk,1逐级返回,形成非常完美的一对二结构。这与二叉树结构的性质完全吻合,故分别以cAk,1和cDk,1作为均值二叉树TcA和差值二叉树TcD的根结点,cAk-1,1,cAk-1,2和cDk-1,1,cDk-1,2作为均值二叉树TcA和差值二叉树TcD第二层的结点,以此类推,直至和作为均值二叉树TcA和差值二叉树TcD第k层结点,最后将原数据作为第k+1层,即叶节点。至此,均值二叉树TcA和差值二叉树TcD就构建完毕,见图3。
所述步骤D中,突变点搜索规则一是基于均值二叉树TcA,如图4所示,利用KS检验来描述数据的累积经验分布的差异情况,数据突变点出现在分布差异较大的那部分,并以此作为选择突变点路径的标准,寻找数据突变点。突变点搜索规则二是基于差值二叉树TcD,如图5所示,利用小波分解的细节分量来比较数据的波动情况,数据的波动越厉害,则细节分量的绝对值越大。因此,数据突变点出现在波动较大的那部分即细节分量的绝对值超过所有细节分量的绝对值的中位数的那部分,并以此作为选择路径的标准,寻找数据突变点。
不难发现,本发明是基于改进的KS检验和Haar小波相结合的突变点检测算法,实现快速准确地检测火灾数据中的突变点,该算法采用自顶向下的搜索策略,并且以折半的思想进行查找,能快速分析火灾数据的信息,实现火灾的在线预警。本发明将各种传感器数据收集,建立数据缓冲区,缓冲海量时序数据,实现火灾数据的在线检测,能够检测到火灾发生时的特征变化,及时有效的得到火灾情况,达到火灾预警效果。
Claims (5)
1.一种基于突变点探测的火灾在线预警与快速分析方法,其特征在于,包括以下步骤:
(1)获取各传感器的时序数据,建立数据缓冲区,缓冲海量时序数据;
(2)用多级Haar小波变换分解待检测的时序数据,同时构建均值二叉树TcA和差值二叉树TcD;
(3)基于改进的KS统计的基础上,分别提出两条突变点搜索规则,规则一是基于均值二叉搜索树,规则二是基于差值二叉搜索树,当规则一搜索不到突变点时,则采用规则二进行搜索,二者互为补充;所述规则一是利用KS检验来描述数据的累积经验分布的差异情况,在分布差异较大的那部分,作为选择路径的标准,寻找数据突变点;所述规则二是利用小波分解的细节分量来比较数据的波动情况,数据的波动越厉害,则细节分量的绝对值越大,在波动较大的那部分即细节分量的绝对值超过所有细节分量的绝对值的中位数的那部分,作为选择路径的标准,寻找数据突变点;
(4)最后,根据所述搜索规则从二叉树根结点开始,向下逐层寻找,找到一条突变点搜索路径,将检测到的突变点输出,实现火灾预警与在线分析。
2.根据权利要求1所述的基于突变点探测的火灾在线预警与快速分析方法,其特征在于,所述步骤(1)中的数据缓冲区采用队列结构,新产生的时序数据将按照时间顺序依次从队尾入列,当数据缓冲完成,进入数据处理过程时,缓冲数据又按时间顺序依次从队首出列。
3.根据权利要求1所述的基于突变点探测的火灾在线预警与快速分析方法,其特征在于,所述步骤(2)具体为:将缓冲完成的时序数据Z={z1,z2,...,zN}经过多级Haar小波分解成不同频域分量,表示如下:其中,cA和cD分别为均值参数和差值参数;将时序数据Z分解成多维的均值参数矩阵McA和差值参数矩阵McD,其中,0≤k≤m=log2N,1≤j≤N/2k,将参数矩阵McA和差值参数矩阵McD分别映射到对应的均值二叉搜索树TcA和差值二叉搜索树TcD的各层子节点,分别通过参数矩阵McA和差值参数矩阵McD来构造均值二叉搜索树TcA和差值二叉搜索树TcD中的各级的非叶子节点,同时,叶子节点直接来自时序数据Z中的元素。
4.根据权利要求3所述的基于突变点探测的火灾在线预警与快速分析方法,其特征在于,根据多分辨率分析概念化小波变换的过程,将总体的N分解成一小段n。
5.根据权利要求3所述的基于突变点探测的火灾在线预警与快速分析方法,其特征在于,在构建均值二叉树TcA和差值二叉树TcD时,分别以cAk,1和cDk,1作为均值二叉树TcA和差值二叉树TcD的根结点,cAk-1,1,cAk-1,2和cDk-1,1,cDk-1,2作为均值二叉树TcA和差值二叉树TcD第二层的结点,以此类推,直至和作为均值二叉树TcA和差值二叉树TcD第k层结点,最后将原数据作为第k+1层,即叶节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810011792.0A CN108335467B (zh) | 2018-01-05 | 2018-01-05 | 一种基于突变点探测的火灾在线预警与快速分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810011792.0A CN108335467B (zh) | 2018-01-05 | 2018-01-05 | 一种基于突变点探测的火灾在线预警与快速分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108335467A CN108335467A (zh) | 2018-07-27 |
CN108335467B true CN108335467B (zh) | 2019-07-23 |
Family
ID=62924896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810011792.0A Expired - Fee Related CN108335467B (zh) | 2018-01-05 | 2018-01-05 | 一种基于突变点探测的火灾在线预警与快速分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108335467B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399910A (zh) * | 2019-07-08 | 2019-11-01 | 东华大学 | 基于滑动窗口和hwks理论框架的火灾异常点在线检测方法 |
CN110412215A (zh) * | 2019-07-08 | 2019-11-05 | 东华大学 | 基于tstks算法的废气污染物排放异常的快速检测方法 |
CN110522446A (zh) * | 2019-07-19 | 2019-12-03 | 东华大学 | 一种准确性高实用性强的脑电信号分析方法 |
CN116304957A (zh) * | 2023-05-17 | 2023-06-23 | 成都交大光芒科技股份有限公司 | 一种供变电设备监测状态突变在线识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100536435C (zh) * | 2007-03-13 | 2009-09-02 | 中兴通讯股份有限公司 | 一种基于二叉树的流分类查找方法 |
CN101719299B (zh) * | 2009-11-10 | 2012-03-28 | 天津市浦海新技术有限公司 | 一种火灾、可燃气体报警系统及方法 |
CN205263987U (zh) * | 2015-12-31 | 2016-05-25 | 渤海船舶职业学院 | 船舶机舱监测火灾报警装置 |
CN107329993A (zh) * | 2017-06-07 | 2017-11-07 | 国网上海市电力公司 | 一种基于Geoword的多元电力时序数据索引方法 |
-
2018
- 2018-01-05 CN CN201810011792.0A patent/CN108335467B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN108335467A (zh) | 2018-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108335467B (zh) | 一种基于突变点探测的火灾在线预警与快速分析方法 | |
Hung et al. | An evaluation of model-based approaches to sensor data compression | |
US8645418B2 (en) | Method and apparatus for word quality mining and evaluating | |
CN109905269B (zh) | 确定网络故障的方法和装置 | |
CN106971205A (zh) | 一种基于k近邻互信息估计的嵌入式动态特征选择方法 | |
CN104807589B (zh) | 一种集输-立管系统内气液两相流流型的在线识别方法 | |
CN103927297A (zh) | 基于证据理论的中文微博可信度评估方法 | |
CN108694416A (zh) | 基于多特征融合算法的振动光纤入侵事件检测方法 | |
CN113032238A (zh) | 基于应用知识图谱的实时根因分析方法 | |
CN111191042A (zh) | 一种基于知识图谱路径语义关系的搜索准确性评价方法 | |
Zhang et al. | Rotating machinery fault diagnosis for imbalanced data based on decision tree and fast clustering algorithm | |
CN107111643B (zh) | 时间序列数据检索装置 | |
CN115935286A (zh) | 铁路轴承状态监测数据的异常点检测方法、装置及终端 | |
WO2020253222A1 (zh) | 一种动态残基相互作用网络的社团检测方法 | |
CN114638300A (zh) | 一种识别页岩油气藏“甜点”的方法、装置及存储介质 | |
KR101064256B1 (ko) | 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법 | |
CN109543712B (zh) | 时态数据集上的实体识别方法 | |
Shu et al. | A Comprehensive working condition identification scheme for rolling bearings based on modified CEEMDAN as well as modified hierarchical amplitude-aware permutation entropy | |
CN103853817B (zh) | 基于gis的海量统计数据的空间奇异点发掘方法 | |
CN111092873A (zh) | 非对称卷积网络的流量检测模型的训练方法及检测方法 | |
CN110489816B (zh) | 一种量化起重机吊臂疲劳损伤等级的分析方法 | |
CN113792141A (zh) | 基于协方差度量因子的特征选择方法 | |
CN117807279B (zh) | 用于高速公路质量检测的数据检索方法 | |
Liu et al. | Fault detection of rotating machinery based on marine predator algorithm optimized resonance-based sparse signal decomposition and refined composite multiscale fluctuation dispersion entropy | |
Li et al. | Fuzzy feature fusion and multimodal degradation prognosis for mechanical components |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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 |
Granted publication date: 20190723 Termination date: 20220105 |
|
CF01 | Termination of patent right due to non-payment of annual fee |