CN108922129A - 一种调整安防传感器报警阈值的方法、装置、云端及系统 - Google Patents
一种调整安防传感器报警阈值的方法、装置、云端及系统 Download PDFInfo
- Publication number
- CN108922129A CN108922129A CN201810662931.6A CN201810662931A CN108922129A CN 108922129 A CN108922129 A CN 108922129A CN 201810662931 A CN201810662931 A CN 201810662931A CN 108922129 A CN108922129 A CN 108922129A
- Authority
- CN
- China
- Prior art keywords
- threshold value
- security sensor
- alarm
- prediction
- data
- 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
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
- Fire Alarms (AREA)
Abstract
本发明实施例涉及安防技术领域,公开了一种调整安防传感器报警阈值的方法、装置及电子设备。其中,所述方法包括:采集所述安防传感器所处位置的环境数据,以及所述安防传感器的感应数据;根据预设灰度模型、所述环境数据和所述感应数据,预测下一时刻所述安防传感器所处位置的预测环境数据和预测感应数据;获取所述安防传感器的当前报警阈值;根据预设神经网络、所述预测环境数据、所述预测感应数据和所述当前报警阈值,计算出所述安防传感器在下一时刻的最优报警阈值;将所述最优报警阈值更新至所述安防传感器。通过以上方式,本发明实施例可以动态调整报警阈值,从而有效减少误报警的情况。
Description
技术领域
本发明实施例涉及安防技术领域,尤其涉及一种调整安防传感器报警阈值的方法、装置、云端及系统。
背景技术
烟雾传感器是一种应用广泛的消防基础设施,其通过监测烟雾的浓度以实现火灾防范,能够在发生火灾时发出警报。
本发明的发明人在实现本发明的过程中,发现:现有的烟雾传感器容易受到环境因素的干扰(例如空气温度、湿度、颗粒物等),从而会出现误报警的情况。
发明内容
本申请发明实施例提供一种调整安防传感器报警阈值的方法、装置及电子设备,可以动态调整报警阈值,从而有效减少误报警的情况。
本发明实施例公开了如下技术方案:
第一方面,本发明实施例提供了一种调整安防传感器报警阈值的方法,所述方法包括:采集所述安防传感器所处位置的环境数据,以及所述安防传感器的感应数据;根据预设灰度模型、所述环境数据和所述感应数据,预测下一时刻所述安防传感器所处位置的预测环境数据和预测感应数据;获取所述安防传感器的当前报警阈值;根据预设神经网络、所述预测环境数据、所述预测感应数据和所述当前报警阈值,计算出所述安防传感器在下一时刻的最优报警阈值;将所述最优报警阈值更新至所述安防传感器。
可选地,所述根据预设神经网络、所述预测环境数据、所述预测感应数据和所述当前报警阈值,计算出所述安防传感器在下一时刻的最优报警阈值,包括:将所述预测环境数据、所述当前报警阈值和所述预测感应数据分别作为第一输入参数、第二输入参数和第三输入参数;分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算,得到报警结果;判断所述报警结果是否为误报警或者漏报警;若为误报警或者漏报警,则调整所述第二输入参数,并且返回将分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算的步骤,直至所述报警结果不为误报警或者漏报警;将所述报警结果不为误报警或者漏报警对应的所述第二输入参数作为最优报警阈值。
可选地,所述将所述最优报警阈值更新至所述安防传感器,包括:判断所述当前报警阈值与所述最优报警阈值是否相同;若不相同,则向与所述安防传感器连接的终端设备发送所述最优报警阈值,以使所述终端设备将所述最优报警阈值写入所述安防传感器。
可选地,所述方法还包括:接收所述终端设备返回所述安防传感器的实际报警结果;获取与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值;根据所述实际报警结果、所述与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值,训练所述预设神经网络。
可选地,所述根据预设灰度模型、所述环境数据和所述感应数据,预测下一时刻所述安防传感器所处位置的预测环境数据和预测感应数据,包括:
选取当前时刻和所述当前时刻以前预设数量时刻的数据,分别对所述感应数据、所述环境数据构造序列:
其中,i=1,2…N,N为所述感应数据和所述环境数据的数据种类的总数量,n为选取的数据个数;
分别对所述感应数据、所述环境数据构造的序列进行无纲化处理,得到所述感应数据、所述环境数据的初始序列:
其中,i=1,2…N,k=1,2…n;
根据所述预设灰度模型GM(1,N):
其中,所述感应数据、所述环境数据的叠加序列:
的紧邻均值序列:
其中,令α=[a,b2,...,bn]T,
α=(BTB)-1BTY,
根据以上公式,计算还原得到所述预测感应数据所述预测环境数据其中,i=2,3,...,N。
可选地,所述环境数据为温度、湿度、PM2.5和一氧化碳中至少一个;所述安防传感器为烟雾传感器。
第二方面,本发明实施例提供了一种调整安防传感器报警阈值的装置,所述装置包括:采集模块,用于采集所述安防传感器所处位置的环境数据,以及所述安防传感器的感应数据;灰度模型预测模块,用于根据预设灰度模型、所述环境数据和所述感应数据,预测下一时刻所述安防传感器所处位置的预测环境数据和预测感应数据;获取模块,用于所述安防传感器的当前报警阈值;神经网络计算模块,用于根据预设神经网络、所述预测环境数据、所述预测感应数据和所述当前报警阈值,计算出所述安防传感器在下一时刻的最优报警阈值;更新模块,用于将所述最优报警阈值更新至所述安防传感器。
可选地,所述神经网络计算模块包括:参数单元,用于将所述预测环境数据、所述当前报警阈值和所述预测感应数据分别作为第一输入参数、第二输入参数和第三输入参数;计算单元,用于分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算,得到报警结果;报警结果判断单元,用于判断所述报警结果是否为误报警或者漏报警;调整单元,用于若为误报警或者漏报警,则调整所述第二输入参数,并且返回将分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算的步骤,直至所述报警结果不为误报警或者漏报警;最优报警阈值单元,用于将所述报警结果不为误报警或者漏报警对应的所述第二输入参数作为最优报警阈值。
可选地,所述更新模块包括:判断单元,用于判断所述当前报警阈值与所述最优报警阈值是否相同;发送单元,用于若不相同,则向与所述安防传感器连接的终端设备发送所述最优报警阈值,以使所述终端设备将所述最优报警阈值写入所述安防传感器。
可选地,所述装置还包括:实际报警结果模块,用于接收所述终端设备返回所述安防传感器的实际报警结果;实际参数获取模块,用于获取与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值;训练模块,用于根据所述实际报警结果、所述与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值,训练所述预设神经网络。
可选地,所述灰度模型预测模块包括:
构造序列单元,用于选取当前时刻和所述当前时刻以前预设数量时刻的数据,分别对所述感应数据、所述环境数据构造序列:
其中,i=1,2…N,N为所述感应数据和所述环境数据的数据种类的总数量,n为选取的数据个数;
无纲化处理单元,用于分别对所述感应数据、所述环境数据构造的序列进行无纲化处理,得到所述感应数据、所述环境数据的初始序列:
其中,i=1,2…N,k=1,2…n;
灰度模型计算单元,用于根据所述预设灰度模型GM(1,N):
其中,所述感应数据、所述环境数据的叠加序列:
的紧邻均值序列:
其中,令α=[a,b2,...,bn]T,
α=(BTB)-1BTY,
根据以上公式,计算还原得到所述预测感应数据所述预测环境数据其中,i=2,3,...,N。
可选地,所述环境数据为温度、湿度、PM2.5和一氧化碳中至少一个;所述安防传感器为烟雾传感器。
第三方面,本发明实施例提供了一种云端设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的方法。
第四方面,本发明实施例提供了一种调整安防传感器报警阈值的系统,包括:烟雾传感器、环境传感器、终端设备和上述的云端设备,所述烟雾传感器、所述环境传感器分别与所述终端设备连接,所述终端设备与所述云端设备连接。
第五方面,本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如上所述的整安防传感器报警阈值的方法。
第六方面,本发明实施例还提供了一种非易失性计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上所述的整安防传感器报警阈值的方法。
在本实施例中,调整安防传感器报警阈值的方法在采集安防传感器所处位置的环境数据、安防传感器的感应数据、当前报警阈值后,通过灰度模型算法计算下一时刻安防传感器所处位置的预测环境数据和预测感应数据,通过神经网络算法计算不产生误报警或者漏报警的最优报警阈值,并将最优报警阈值更新至安防传感器,能够根据环境动态调整报警阈值,从而有效减少误报警的情况。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本发明实施例提供的一种调整安防传感器报警阈值的方法的流程示意图;
图2为图1的调整安防传感器报警阈值的方法步骤140的流程示意图;
图3为本发明实施例提供的预设神经网络的结构示意图;
图4为本发明实施例提供的一种调整安防传感器报警阈值的装置的结构示意图;
图5是本发明实施例提供的一种云端设备的结构示意图;
图6为本发明实施例提供的一种调整安防传感器报警阈值的系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
请参阅图1,图1为本发明实施例提供的一种调整安防传感器报警阈值的方法的流程示意图。如图1所示,该方法包括:
110、采集所述安防传感器所处位置的环境数据,以及所述安防传感器的感应数据;
其中,安防传感器可以为烟雾传感器或其他传感器,本实施例中以安防传感器为烟雾传感器为例举例说明。环境数据包括温度、湿度、PM2.5和一氧化碳中的一个或多个,安防传感器所处位置的环境数据为该安防传感器所处位置的温度、湿度、PM2.5或一氧化碳等数据。环境数据可以通过一个或者多个环境传感器进行采集,例如通过温度传感器采集安防传感器所处位置的温度、通过湿度传感器采集安防传感器所处位置的湿度等等。在本实施例中,安防传感器为烟雾传感器,则安防传感器的感应数据为烟雾浓度数据。
其中,采集安防传感器所处位置的环境数据以及安防传感器的感应数据,可以通过直接采集环境传感器的环境数据和安防传感器的感应数据,或者在环境传感器和安防传感器将采集的环境数据、感应数据发送到终端后,采集终端的环境数据和感应数据。
120、根据预设灰度模型、所述环境数据和所述感应数据,预测下一时刻所述安防传感器所处位置的预测环境数据和预测感应数据;
其中,预测环境数据为基于灰色理论根据预设灰度模型计算得到的下一时刻的安防传感器所处位置的环境数据,预测感应数据为基于灰色理论根据预设灰度模型计算得到的下一时刻的安防传感器的感应数据。
其中,根据预设灰度模型、所述环境数据和所述感应数据,预测下一时刻所述安防传感器所处位置的预测环境数据和预测感应数据,包括:获取环境数据和感应数据后,选取当前时刻和当前时刻以前预设数量时刻的数据,根据对感应数据和环境数据构造序列,其中,N为感应数据和环境数据的数据种类的总数量,n为选取的数据个数;分别对各个序列进行无量纲化处理;根据灰度模型GM(1,N):计算还原得到预测感应数据和预测环境数据。其中,无量纲化处理可以为初值化处理、中心化处理、极差化处理或最大化处理等等。
举例说明:若获取的4个环境数据为:温度(26,25,25,26,26),湿度(60%,55%,56%,58%,56%),PM2.5值(30,33,36,39,42),一氧化碳浓度(0.123,0.132,0.134,0.139,0.145),感应数据为:烟雾浓度(0.0123,0.0132,0.0134,0.0139,0.0145),
(1)选取当前时刻和当前时刻以前4个时刻的数据,根据其中,N=5,n=5,对感应数据构造系统特征序列得:X′1={0.0123,0.0132,0.0134,0.0139,0.0145},对环境数据构造相关因素序列得:X′2={26,25,25,26,26}、X′3={60%,55%,56%,58%,56%}、X′4={30,33,36,39,42}、X′5={0.123,0.132,0.134,0.139,0.145};
(2)根据选用初值化处理分别对各个序列进行无纲化处理得:X1={1,1.073,1.089,1.130,1.179}、X2={1,0.962,0.962,1,1}、X3={1,0.917,0.933,0.967,0.933}、X4={1,1.1,1.2,1.3,1.4}、X5={1,1.073,1.089,1.130,1.179};
(3)根据灰度模型GM(1,N):其中,感应数据、境数据的叠加序列: 的紧邻均值序列:得
相似地,计算
令α=[a,b2,...,bn]T,利用最小二乘法求解,得α=(BTB)-1BTY,
其中,
根据B、Y解得α,代入GM(1,N)求得预测烟雾浓度数据
类似地,对各个环境数据建立GM(1,1)模型,求得各个预测环境数据
从而计算还原得到预测感应数据和预测环境数据。
130、获取所述安防传感器的当前报警阈值;
其中,当前报警阈值为安防传感器的进行报警的感应数据的最小值,当感应数据超过当前报警阈值,则进行报警。例如,当安防传感器为烟雾传感器时,感应数据为烟雾浓度,当前报警阈值为预设的烟雾浓度数值,当烟雾浓度超过当前报警阈值时,则进行报警。
在本实施例中,获取安防传感器的当前报警阈值,可以直接从安防传感器获取,或者可以从与安防传感器连接的终端获取。
140、根据预设神经网络、所述预测环境数据、所述预测感应数据和所述当前报警阈值,计算出所述安防传感器在下一时刻的最优报警阈值。
其中,预设神经网络为预先设置的神经网络模型,例如可以为FP神经网络模型、MP神经网络模型或等等。
其中,请一并参阅图2和图3,步骤140包括:
141、将所述预测环境数据、所述当前报警阈值和所述预测感应数据分别作为第一输入参数、第二输入参数和第三输入参数;
根据预设神经网络的算法模型,将预测环境数据、当前报警阈值和预测感应数据分别作为预设神经网络模型的三个输入参数。例如,若预测环境数据包括预测温度、预测湿度、预测PM2.5和预测C0浓度,预测感应数据为预测烟雾浓度,则将预测温度、预测湿度、预测PM2.5和预测CO浓度作为第一输入参数,当前报警阈值作为第二输入参数,预测烟雾浓度作为第三输入参数。
142、分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算,得到报警结果;
预设神经网络包括输入层、隐含层和输出层,输出层为报警结果,其中,报警结果包括正常不报警、误报警、漏报警和正常报警。例如,如图3所示,预设神经网络包括输入层、神经元误报警隐含层、神经元漏报警隐含层和输出层,输入层包括X=[X1X2X3X4X5X6]T,神经元误报警隐含层包括A=[a1a2a3a4a5]T,神经元漏报警隐含层包括B=[b1b2b3b4b5]T,输出层包括H=[h1h2h3h4]T,根据Z(2)=θ(1)X,A=g(Z(2));Z(3)=θ(2)A,B=g(Z(3));Z(4)=θ(3)B,H=g(Z(4));其中,θ为预先设置的权重,g(z)为sigmoid函数:从而根据输出的H得到报警结果。
143、判断所述报警结果是否为误报警或者漏报警;
其中,误报警为实际不应该报警却进行报警的情况,例如没有发生火灾却进行了报警;漏报警为应该报警却没有进行报警的情况,例如已经发生火灾却没有报警。判断报警结果是否为误报警或者漏报警,具体实施方式可以为:根据预设神经网络的输出值,与预设阈值进行比较,从而判断报警结果。
144、若为误报警或者漏报警,则调整所述第二输入参数,并且返回将分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算的步骤,直至所述报警结果不为误报警或者漏报警;
当为误报警时,表明当前报警阈值过低,则提高当前报警阈值,并重新分别将预测环境数据、当前报警阈值和预测感应数据输入预设神经网络进行计算的步骤,直至报警结果不为误报警;当为漏报警时,表明当前报警阈值过高,则降低当前报警阈值,并重新将预测环境数据、当前报警阈值和预测感应数据输入预设神经网络进行计算的步骤,直至报警结果不为漏报警。
145、将所述报警结果不为误报警或者漏报警对应的所述第二输入参数作为最优报警阈值。
将调整后使得报警结果不为误报警或者漏报警的第二输入参数作为最优报警阈值。
150、将所述最优报警阈值更新至所述安防传感器。
其中,最优报警阈值为安防传感器在当前环境下不容易发生误报警或者漏报警的阈值,例如,当安防传感器为烟雾传感器时,最优报警阈值为烟雾传感器的进行报警的最佳烟雾浓度。
在本实施例中,获取最优报警阈值后,将最优报警阈值的数值更新到安防传感器,以替换当前报警阈值,作为安防传感器新的报警阈值。
其中,步骤150可以包括:151、判断所述当前报警阈值与所述最优报警阈值是否相同;152、若不相同,则向与所述安防传感器连接的终端设备发送所述最优报警阈值,以使所述终端设备将所述最优报警阈值写入所述安防传感器。
在本实施例中,获取最优报警阈值,比较当前报警阈值与最优报警阈值,若当前报警阈值与最优报警阈值不相同时,向与安防传感器连接的终端设备发送最优报警阈值,以使终端设备将最优报警阈值写入安防传感器;若当前报警阈值与最优报警阈值相同时,则不更新最优报警阈值。通过以上方式,使得最优报警阈值与当前报警阈值不相同的时候才进行发送,避免更新与当前报警阈值相同的最优报警阈值而造成资源浪费。
在一些其他实施例中,该方法还包括:161、接收所述终端设备返回所述安防传感器的实际报警结果;162、获取与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值;163、根据所述实际报警结果、所述与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值,训练所述预设神经网络。
其中,实际报警结果包括实际正确报警、实际误报警和实际漏报警;“对应”是指处于相同时刻;训练预设神经网络的步骤可以为:误差=实际值-预测值,根据误差调整预设神经网络的权重,并且误差不超过预设误差范围。
其中,在接收实际报警结果后,再获取与实际报警结果处于相同时刻的对应环境参数、对应感应数据和对应报警阈值,将与实际报警结果处于相同时刻的对应环境参数、对应感应数据和对应报警阈值作为实际值,预测环境数据、预测感应数据、当前报警阈值作为预测值,计算误差,并根据误差训练预设神经网络,从而根据实际情况训练神经网络,以提高神经网络的准确性。
在本实施例中,该调整安防传感器报警阈值的方法在采集安防传感器所处位置的环境数据、安防传感器的感应数据、当前报警阈值后,通过灰度模型算法计算下一时刻安防传感器所处位置的预测环境数据和预测感应数据,通过神经网络算法计算不产生误报警或者漏报警的最优报警阈值,并将最优报警阈值更新至安防传感器,能够根据环境动态调整报警阈值,从而有效减少误报警的情况。
实施例2:
请参阅图4,图4为本发明实施例提供的一种调整安防传感器报警阈值的装置的流程示意图。该调整安防传感器报警阈值的装置200包括采集模块210、灰度模型预测模块220、获取模块230、神经网络计算模块240和更新模块250。
其中,采集模块210与灰度模型预测模块220连接,灰度模型预测模块220与获取模块230连接,获取模块230与神经网络计算模块240连接,神经网络计算模块240与更新模块250连接。
在本实施例中,采集模块210用于采集所述安防传感器所处位置的环境数据,以及所述安防传感器的感应数据。灰度模型预测模块220用于根据预设灰度模型、所述环境数据和所述感应数据,预测下一时刻所述安防传感器所处位置的预测环境数据和预测感应数据。获取模块230用于所述安防传感器的当前报警阈值。神经网络计算模块240用于根据预设神经网络、所述预测环境数据、所述预测感应数据和所述当前报警阈值,计算出所述安防传感器在下一时刻的最优报警阈值。更新模块250用于将所述最优报警阈值更新至所述安防传感器。其中,所述环境数据包括温度、湿度、PM2.5和一氧化碳中至少一个;所述安防传感器为烟雾传感器。
其中,神经网络计算模块240包括参数单元241、计算单元242、报警结果判断单元243、调整单元244和最优报警阈值单元250。参数单元241用于将所述预测环境数据、所述当前报警阈值和所述预测感应数据分别作为第一输入参数、第二输入参数和第三输入参数。计算单元242用于分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算,得到报警结果。报警结果判断单元243用于判断所述报警结果是否为误报警或者漏报警。调整单元244用于若为误报警或者漏报警,则调整所述第二输入参数,并且返回将分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算的步骤,直至所述报警结果不为误报警或者漏报警。最优报警阈值单元245用于将所述报警结果不为误报警或者漏报警对应的所述第二输入参数作为最优报警阈值。
其中,更新模块250包括判断单元和发送单元。判断单元用于判断所述当前报警阈值与所述最优报警阈值是否相同;发送单元用于若不相同,则向与所述安防传感器连接的终端设备发送所述最优报警阈值,以使所述终端设备将所述最优报警阈值写入所述安防传感器。
其中,该装置200还包括实际报警结果模块261、实际参数获取模块262和训练模块263。实际报警结果模块261用于接收所述终端设备返回所述安防传感器的实际报警结果;实际参数获取模块262用于获取与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值;训练模块263用于根据所述实际报警结果、所述与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值,训练所述预设神经网络。
其中,灰度模型预测模块220包括:构造序列单元,用于选取当前时刻和所述当前时刻以前预设数量时刻的数据,分别对所述感应数据、所述环境数据构造序列:
其中,i=1,2…N,N为所述感应数据和所述环境数据的数据种类的总数量,n为选取的数据个数;
无纲化处理单元,用于分别对所述感应数据、所述环境数据构造的序列进行无纲化处理,得到所述感应数据、所述环境数据的初始序列:
其中,i=1,2…N,k=1,2…n;
灰度模型计算单元,用于根据所述预设灰度模型GM(1,N):
其中,所述感应数据、所述环境数据的叠加序列:
的紧邻均值序列:
其中,令α=[a,b2,...,bn]T,
α=(BTB)-1BTY,
根据以上公式,计算还原得到所述预测感应数据所述预测环境数据其中,i=2,3,...,N。
需要说明的是,本发明实施例中的调整安防传感器报警阈值的装置中的各个模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容同样适用于调整安防传感器报警阈值的装置。本发明实施例中的各个模块能作为单独的硬件或软件来实现,并且可以根据需要使用单独的硬件或软件来实现各个单元的功能的组合。未在调整安防传感器报警阈值的装置200的实施例中详尽描述的技术细节,可参见本发明实施例1所提供的调整安防传感器报警阈值的方法。
在本发明实施例中,该装置200在采集模块210和获取模块230分别获取安防传感器所处位置的环境数据、安防传感器的感应数据、当前报警阈值后,灰度模型预测模块220通过灰度模型算法计算下一时刻安防传感器所处位置的预测环境数据和预测感应数据,神经网络计算模块240通过神经网络算法计算不产生误报警或者漏报警的最优报警阈值,更新模块250将最优报警阈值更新至安防传感器,能够根据环境动态调整报警阈值,从而有效减少误报警的情况。
实施例3:
如图5所示,图5为本发明实施例提供的一种云端设备的结构示意图。其中,该云端设备可以独立的设备,也可以整合为一个模块或单元。该云端设备300包括:一个或多个处理器301以及存储器302,图5中以一个处理器301为例。
处理器301和存储器302可以通过总线或者其他方式连接,图5中以通过总线连接为例。
存储器302作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的软件升级方法对应的程序指令/模块(例如,附图4所示的采集模块210、灰度模型预测模块220、获取模块230、神经网络计算模块240和更新模块250等等)。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及单元,从而执行云端设备的各种功能应用以及数据处理,即实现所述方法实施例的调整安防传感器报警阈值的方法。
存储器302可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据云端设备使用所创建的数据等。此外,存储器302可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器302可选包括相对于处理器301远程设置的存储器,这些远程存储器可以通过网络连接至云端设备。所述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器302中,当被所述一个或者多个处理器301执行时,执行实施例1、实施例2中的调整安防传感器报警阈值的方法和装置。
该云端设备300可执行所述任意方法实施例1、实施例2中的调整安防传感器报警阈值的方法和装置,具备执行方法相应的功能模块和有益效果。未在云端设备实施例中详尽描述的技术细节,可参见执行实施例1、实施例2中的调整安防传感器报警阈值的方法和装置。
本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被云端设备执行时,使云端设备执行实施例1、实施例2中的调整安防传感器报警阈值的方法和装置。例如,执行以上描述的图1中的方法步骤110至步骤150,实现图4中的210-250模块的功能。
本发明实施例提供了一种非易失性计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使电子设备执行实施例1、实施例2中的调整安防传感器报警阈值的方法和装置。
本申请实施例的云端设备可以以多种形式存在,包括但不限于:超级计算机、平板电脑等等。
实施例4:
如图6所示,图6为本发明实施例提供的一种调整安防传感器报警阈值的系统的结构示意图。该系统400包括烟雾传感器410、环境传感器420、终端设备430和云端设备300,烟雾传感器410、环境传感器420分别与终端设备430连接,终端设备430与云端设备300连接。
其中,云端设备300与实施例3中的云端设备相同,此处不再赘述。
其中,烟雾传感器410可以为MQ-2烟雾传感器,用于采集烟雾浓度数据。环境传感器420可以包括温度传感器、湿度传感器、PM2.5传感器、一氧化碳传感器等等中的一个或多个,环境传感器42用于采集环境数据。烟雾传感器410、环境传感器420分别与终端设备430连接,其中,其连接方式为有线连接或者无线连接,在本实施例中,其连接方式为无线连接,无线连接方式可以为通过蓝牙或Zigbee连接,其中,通过蓝牙或Zigbee连接包括直接连接、输入pin码后配对连接或者验证密码后连接。通过烟雾传感器410、环境传感器420分别与终端设备430连接,以将采集的烟雾浓度数据和环境数据发送至终端设备430,从而使云端设备300能够通过终端设备430获取烟雾浓度数据和环境数据。
其中,在一些其他实施例中,云端设备300可以直接与烟雾传感器410、环境传感器420进行连接,以使得云端设备300可以直接获取获取烟雾浓度数据和环境数据。
其中,终端设备430以多种形式存在,包括但不限于:(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机、功能性手机等。(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等。(3)便携式娱乐设备:这类设备可以显示和播放内容。该类设备包括:音频、视频播放器,掌上游戏机,电子书,以及智能玩具。(4)其他具有数据交互功能的电子装置。
其中,终端设备430与云端设备300之间的连接为无线连接,例如可以通过网络连接方式进行连接。
其中,当烟雾传感器410进行了误报警,终端设备430可以通过软件对烟雾传感器410进行复位,其中,终端设备430的软件架构可以为本地APP、C/S、B/S或微信公众平台等等。终端设备430通过软件对烟雾传感器410进行复位,具体实施方式可以为:在终端设备430的软件的用户界面检测用户的操作,获取复位指令,将复位指令通过无线方式发送至烟雾传感器410,以使烟雾传感器410进行复位。
其中,当烟雾传感器410进行了误报警,终端设备430还可以通过网页对烟雾传感器410进行复位,具体实施方式可以为:接收用户操作指令,向服务器请求传感器对应的html页面;接收服务器发送的带有复位控件的网页界面;显示该网页界面,并接收用户对复位控件的复位指令;将复位指令通过无线方式发送至烟雾传感器410,以使烟雾传感器410进行复位。
在本实施例中,调整安防传感器报警阈值的系统400通过设置烟雾传感器410、环境传感器420、终端设备430和云端设备300,烟雾传感器410能够根据环境动态调整报警阈值,从而有效减少误报警的情况。并且用户能够通过终端设备430控制烟雾传感器410。
需要说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施例的描述,本领域普通技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现所述实施例方法中的全部或部分流程是可以通过计算机程序指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如所述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种调整安防传感器报警阈值的方法,其特征在于,所述方法包括:
采集所述安防传感器所处位置的环境数据,以及所述安防传感器的感应数据;
根据预设灰度模型、所述环境数据和所述感应数据,预测下一时刻所述安防传感器所处位置的预测环境数据和预测感应数据;
获取所述安防传感器的当前报警阈值;
根据预设神经网络、所述预测环境数据、所述预测感应数据和所述当前报警阈值,计算出所述安防传感器在下一时刻的最优报警阈值;
将所述最优报警阈值更新至所述安防传感器。
2.根据权利要求1所述的方法,其特征在于,所述根据预设神经网络、所述预测环境数据、所述预测感应数据和所述当前报警阈值,计算出所述安防传感器在下一时刻的最优报警阈值,包括:
将所述预测环境数据、所述当前报警阈值和所述预测感应数据分别作为第一输入参数、第二输入参数和第三输入参数;
分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算,得到报警结果;
判断所述报警结果是否为误报警或者漏报警;
若为误报警或者漏报警,则调整所述第二输入参数,并且返回将分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算的步骤,直至所述报警结果不为误报警或者漏报警;
将所述报警结果不为误报警或者漏报警对应的所述第二输入参数作为最优报警阈值。
3.根据权利要求1或者2所述的方法,其特征在于,所述将所述最优报警阈值更新至所述安防传感器,包括:
判断所述当前报警阈值与所述最优报警阈值是否相同;
若不相同,则向与所述安防传感器连接的终端设备发送所述最优报警阈值,以使所述终端设备将所述最优报警阈值写入所述安防传感器。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
接收所述终端设备返回所述安防传感器的实际报警结果;
获取与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值;
根据所述实际报警结果、所述与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值,训练所述预设神经网络。
5.一种调整安防传感器报警阈值的装置,其特征在于,包括:
采集模块,用于采集所述安防传感器所处位置的环境数据,以及所述安防传感器的感应数据;
灰度模型预测模块,用于根据预设灰度模型、所述环境数据和所述感应数据,预测下一时刻所述安防传感器所处位置的预测环境数据和预测感应数据;
获取模块,用于所述安防传感器的当前报警阈值;
神经网络计算模块,用于根据预设神经网络、所述预测环境数据、所述预测感应数据和所述当前报警阈值,计算出所述安防传感器在下一时刻的最优报警阈值;
更新模块,用于将所述最优报警阈值更新至所述安防传感器。
6.根据权利要求5所述的装置,其特征在于,所述神经网络计算模块包括:
参数单元,用于将所述预测环境数据、所述当前报警阈值和所述预测感应数据分别作为第一输入参数、第二输入参数和第三输入参数;
计算单元,用于分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算,得到报警结果;
报警结果判断单元,用于判断所述报警结果是否为误报警或者漏报警;
调整单元,用于若为误报警或者漏报警,则调整所述第二输入参数,并且返回将分别将所述第一输入参数、第二输入参数和第三输入参数输入所述预设神经网络进行计算的步骤,直至所述报警结果不为误报警或者漏报警;
最优报警阈值单元,用于将所述报警结果不为误报警或者漏报警对应的所述第二输入参数作为最优报警阈值。
7.根据权利要求5或6所述的装置,其特征在于,所述更新模块包括:
判断单元,用于判断所述当前报警阈值与所述最优报警阈值是否相同;
发送单元,用于若不相同,则向与所述安防传感器连接的终端设备发送所述最优报警阈值,以使所述终端设备将所述最优报警阈值写入所述安防传感器。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
实际报警结果模块,用于接收所述终端设备返回所述安防传感器的实际报警结果;
实际参数获取模块,用于获取与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值;
训练模块,用于根据所述实际报警结果、所述与所述实际报警结果对应的环境参数、所述安防传感器的感应数据和报警阈值,训练所述预设神经网络。
9.一种云端设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4任一项所述的方法。
10.一种调整安防传感器报警阈值的系统,包括烟雾传感器、环境传感器、终端设备和权利要求9所述的云端设备,所述烟雾传感器、所述环境传感器分别与所述终端设备连接,所述终端设备与所述云端设备连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810662931.6A CN108922129B (zh) | 2018-06-25 | 2018-06-25 | 一种调整安防传感器报警阈值的方法、装置、云端及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810662931.6A CN108922129B (zh) | 2018-06-25 | 2018-06-25 | 一种调整安防传感器报警阈值的方法、装置、云端及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108922129A true CN108922129A (zh) | 2018-11-30 |
CN108922129B CN108922129B (zh) | 2019-06-14 |
Family
ID=64420789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810662931.6A Active CN108922129B (zh) | 2018-06-25 | 2018-06-25 | 一种调整安防传感器报警阈值的方法、装置、云端及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108922129B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109660964A (zh) * | 2018-12-07 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 传感器的通信方法、装置、设备及计算机可读介质 |
CN109889604A (zh) * | 2019-03-19 | 2019-06-14 | 深圳市中电数通智慧安全科技股份有限公司 | 一种物联网终端参数管理方法、装置及服务器 |
CN109979151A (zh) * | 2019-03-28 | 2019-07-05 | 赛特威尔电子股份有限公司 | 一种烟雾报警方法、装置、烟雾报警设备及存储介质 |
CN112270814A (zh) * | 2020-12-21 | 2021-01-26 | 长沙树根互联技术有限公司 | 动态告警方法、装置、电子设备和可读存储介质 |
CN112286048A (zh) * | 2019-07-25 | 2021-01-29 | 上海长智系统集成有限公司 | 自适应消防风险预警方法、装置、设备、系统和介质 |
CN112634593A (zh) * | 2021-03-09 | 2021-04-09 | 深圳佳兆业科技集团有限公司 | 设备预警方法、装置、计算机设备和存储介质 |
CN112907111A (zh) * | 2021-03-18 | 2021-06-04 | 应急管理部沈阳消防研究所 | 一种基于物联网技术的监控数据智能采集及分析方法 |
CN113138865A (zh) * | 2020-08-10 | 2021-07-20 | 西安天和防务技术股份有限公司 | 环境监测方法、系统、平台以及存储介质 |
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 |
CN115037636A (zh) * | 2022-06-06 | 2022-09-09 | 阿里云计算有限公司 | 服务质量的感知方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08211161A (ja) * | 1995-02-06 | 1996-08-20 | Tokyo Electric Power Co Inc:The | 気象災害予測方式 |
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 |
CN103942910A (zh) * | 2014-04-11 | 2014-07-23 | 北京工业大学 | 一种基于IPv6的机房火灾提前预警方法及系统 |
KR101624667B1 (ko) * | 2015-10-08 | 2016-06-02 | 김송환 | 화재감지기능 및 방범기능을 가지는 카드결제단말기, 이를 구비한 카드결제 단말기 시스템 및 그의 위험상황발생 경보방법 |
CN105976578A (zh) * | 2016-07-21 | 2016-09-28 | 西安理工大学 | 一种基于监测数据的高速列车轴温动态报警阈值设定方法 |
JP2017049799A (ja) * | 2015-09-02 | 2017-03-09 | ホーチキ株式会社 | 火災検出器 |
CN107784796A (zh) * | 2017-11-30 | 2018-03-09 | 四川领创者科技有限公司 | 一种基于zigbee的智能化环境预测系统 |
-
2018
- 2018-06-25 CN CN201810662931.6A patent/CN108922129B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08211161A (ja) * | 1995-02-06 | 1996-08-20 | Tokyo Electric Power Co Inc:The | 気象災害予測方式 |
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 |
CN103942910A (zh) * | 2014-04-11 | 2014-07-23 | 北京工业大学 | 一种基于IPv6的机房火灾提前预警方法及系统 |
JP2017049799A (ja) * | 2015-09-02 | 2017-03-09 | ホーチキ株式会社 | 火災検出器 |
KR101624667B1 (ko) * | 2015-10-08 | 2016-06-02 | 김송환 | 화재감지기능 및 방범기능을 가지는 카드결제단말기, 이를 구비한 카드결제 단말기 시스템 및 그의 위험상황발생 경보방법 |
CN105976578A (zh) * | 2016-07-21 | 2016-09-28 | 西安理工大学 | 一种基于监测数据的高速列车轴温动态报警阈值设定方法 |
CN107784796A (zh) * | 2017-11-30 | 2018-03-09 | 四川领创者科技有限公司 | 一种基于zigbee的智能化环境预测系统 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109660964B (zh) * | 2018-12-07 | 2021-01-05 | 百度在线网络技术(北京)有限公司 | 传感器的通信方法、装置、设备及计算机可读介质 |
CN109660964A (zh) * | 2018-12-07 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 传感器的通信方法、装置、设备及计算机可读介质 |
CN109889604A (zh) * | 2019-03-19 | 2019-06-14 | 深圳市中电数通智慧安全科技股份有限公司 | 一种物联网终端参数管理方法、装置及服务器 |
CN109979151A (zh) * | 2019-03-28 | 2019-07-05 | 赛特威尔电子股份有限公司 | 一种烟雾报警方法、装置、烟雾报警设备及存储介质 |
CN112286048A (zh) * | 2019-07-25 | 2021-01-29 | 上海长智系统集成有限公司 | 自适应消防风险预警方法、装置、设备、系统和介质 |
CN113138865A (zh) * | 2020-08-10 | 2021-07-20 | 西安天和防务技术股份有限公司 | 环境监测方法、系统、平台以及存储介质 |
CN112270814A (zh) * | 2020-12-21 | 2021-01-26 | 长沙树根互联技术有限公司 | 动态告警方法、装置、电子设备和可读存储介质 |
CN112634593A (zh) * | 2021-03-09 | 2021-04-09 | 深圳佳兆业科技集团有限公司 | 设备预警方法、装置、计算机设备和存储介质 |
CN112634593B (zh) * | 2021-03-09 | 2021-11-05 | 深圳佳兆业科技集团有限公司 | 设备预警方法、装置、计算机设备和存储介质 |
CN112907111A (zh) * | 2021-03-18 | 2021-06-04 | 应急管理部沈阳消防研究所 | 一种基于物联网技术的监控数据智能采集及分析方法 |
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 |
CN113237190B (zh) * | 2021-05-24 | 2022-11-04 | 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 |
CN115037636A (zh) * | 2022-06-06 | 2022-09-09 | 阿里云计算有限公司 | 服务质量的感知方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108922129B (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108922129B (zh) | 一种调整安防传感器报警阈值的方法、装置、云端及系统 | |
CN110209835B (zh) | 一种异常检测方法及装置、计算机存储介质及电子设备 | |
CN106575377B (zh) | 共同特征上的分类器更新 | |
KR101821494B1 (ko) | 감응식 교통 신호 제어 방법 및 그 장치 | |
JP6130056B2 (ja) | スパイキングネットワークの効率的なハードウェア実装 | |
CN102707305B (zh) | 摔倒检测定位系统的工作方法 | |
CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
JP2017509982A (ja) | 原位置ニューラルネットワークコプロセッシング | |
CN108418841A (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
JP2017519282A (ja) | 分散モデル学習 | |
JP2017509951A (ja) | スパースニューラルネットワークを構成すること | |
CN103905440A (zh) | 一种基于日志和snmp信息融合的网络安全态势感知分析方法 | |
CN109784469B (zh) | 一种基于雾计算的智慧城市安全监控系统及其方法 | |
CN103913721B (zh) | 一种基于人工神经网络的室内人员智能感知方法 | |
CN109920192A (zh) | 火灾报警方法、系统及计算机可读存储介质 | |
JP2017509980A (ja) | 動的な空間ターゲット選択 | |
Gillies et al. | Probabilistic approaches to estimating the quality of information in military sensor networks | |
Wicaksono | loT for Residential Monitoring Using ESP8266 and ESP-NOW | |
JP6133517B2 (ja) | 座標変換のための位相コーディング | |
CN108804918A (zh) | 安全性防御方法、装置、电子设备及存储介质 | |
CN202600156U (zh) | 摔倒检测定位系统 | |
KR102559307B1 (ko) | 재난 현장에서 생성한 이미지 및 영상 데이터 처리 및 활용 방법, 장치 및 시스템 | |
KR20160123312A (ko) | 스파이킹 뉴럴 네트워크에서의 청각 소스 분리 | |
KR102502922B1 (ko) | 비상 상황 알람 및 모니터링 방법, 장치 시스템 | |
CN111950190A (zh) | 用于无线感测装置的部署方法和系统 |
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 |