CN109300276A - 一种基于多传感器数据融合的汽车车内异常预警方法 - Google Patents
一种基于多传感器数据融合的汽车车内异常预警方法 Download PDFInfo
- Publication number
- CN109300276A CN109300276A CN201810844470.4A CN201810844470A CN109300276A CN 109300276 A CN109300276 A CN 109300276A CN 201810844470 A CN201810844470 A CN 201810844470A CN 109300276 A CN109300276 A CN 109300276A
- Authority
- CN
- China
- Prior art keywords
- module
- neural network
- car
- early warning
- interior
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 21
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 13
- 239000001301 oxygen Substances 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 7
- 239000000779 smoke Substances 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 53
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 210000000352 storage cell Anatomy 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 abstract 1
- 206010003497 Asphyxia Diseases 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种基于多传感器数据融合的车内异常预警方法，属于安全预警技术领域。本发明集检测模块即烟雾传感器、声音传感器、氧气浓度传感器和人体红外感应器、无线ZigBee系统模块、微处理器模块、供电模块、通信模块、摄像模块、语音提示模块和存储模块于一体，首先对车内多传感器信号的实时检测采集与预处理；再对处理的数据作为训练样本建立神经网络模型，并通过卡尔曼滤波算法对模型权值进行调整，再通过模型对车内安全情况进行预测。本发明稳定性高，可靠性强，操作方便，实时性较好。
Description
技术领域
本发明涉及一种基于多传感器数据融合的汽车车内异常预警方法，属于安全监测技术领域。
背景技术
随着人类社会的不断发展进步，汽车作为人们出行日常代步用品应用越来越广泛。轻松出行与安全问题则成为拥有一台车的人们最为关心的话题。在汽车停车后，汽车将面临高温、被盗、车内人员窒息等危险情况。例如在炎炎的夏日，汽车停靠在路边，车内温度会随着太阳光的照晒升高，这样一来就很容易发生类似自燃、被锁车内儿童窒息等事故，造成更大的伤亡和损害。随着科技的发展，车内异常自动报警和实时监测车内信息装置成为车主们买车时的首选条件。
发明内容
本发明要解决的技术问题是：本发明提供一种基于多传感器数据融合的车内异常预警方法，以用于解决报警准确率不高，无法在第一时间掌握车内异常状况，以及无法在异常情况发生初期阶段就及时通知相关人员的问题。
一种基于多传感器数据融合的汽车车内异常预警方法，包括如下步骤：
(1)通过检测模块获取汽车内部的监测数据并进行预处理后作为训练样本，其中检测模块包括烟雾传感器、声音传感器、氧气浓度传感器和人体红外感应器，分别对汽车内部的烟雾浓度、声音大小、氧气浓度和是否有人闯入进行监测；
(2)根据训练样本建立神经网络拓扑模型，确定神经网络拓扑模型中的输入层、各隐含层和输出层；
(3)将训练样本分为平稳趋势数据集合、渐变趋势数据集合和突变趋势数据集合；
(4)采用卡尔曼滤波算法根据步骤(3)中分类后的三种数据集合对步骤(2)中建立的神经网络拓扑模型进行学习，调整所述神经网络拓扑模型中各神经元的权值，分别生成平稳型、渐变型和突变型的预测模型；
(5)根据预测模型进行安全性预测，当数据变化处于渐变型或突变型趋势，输出异常信号，若有异常信号输出，信息将由无线Zigbee系统传送至微处理器进行处理，并通过通信模块实时发送警报信息和车内图像至车主手机，若车主未及时处理，则汽车通过语音提示模块自动发出警报声响。
步骤(2)的具体过程为：将影响车内环境稳定的各因素作为神经网络拓扑模型的输入层，输入层有4个神经元，输入向量为X＝[x1,x2,x3,x4]，其中，x1为车内烟雾浓度，x2为车内声音大小，x3为车内氧气浓度，x4为人体红外感应结果，隐含层包括5个神经元，输出层为车内环境异常结果，输出向量为Z＝[Δx,Δy,Δh]，Δx为X方向上的位移量，Δy为Y方向上的位移量，Δh为H方向上的位移量。
步骤(3)中的平稳趋势数据为无异常情况或异常情况发生过后，基本达到收敛状态；渐变型趋势数据为监测对象处于异常情况初期，表现为开始变化速率快，中后期逐步减慢并趋于平稳；突变型趋势数据为监测对象受到突然因素影响，表现为初期稳定，中期突变呈现断裂状态，随后又趋于稳定；渐变模型预测出车内异常处在初期，突变模型预测出车内发生突然异常事件，平稳模型预测出车内无异常情况。
步骤4的具体过程：将卡尔曼滤波算法作为神经网络的训练算法调整神经网络拓扑模型中各神经元的权值，将神经网络的权值调整过程转化为权值的最优估计问题，具体的，将神经网络拓扑模型中各神经元的权值作为状态向量，将神经网络的输出作为观测向量，利用观测向量来估计状态向量，从而在神经网络的自主学习过程中调整权值。
卡尔曼滤波算法的状态方程为：Xk+1＝AkXk+ωk，卡尔曼滤波算法的观测方程为：yk+1＝Hk+1(Xk+1,uk+1)+vk+1。
其中，Xk为神经网络拓扑模型中各神经元的权值，Ak为状态转移矩阵，ωk为过程噪声矩阵；yk+1为神经网络拓扑模型的输出向量，Hk+1为观测矩阵，uk+1为神经网络拓扑模型的输入向量，vk+1是测量噪声矩阵。
在神经网络的训练过程中，卡尔曼滤波算法会以一个有序的方式更新网络的权值，在三层网络中，是用误差来调节权值的，如果误差没有达到容许的范围，那么将会一直循环调节。
所述检测模块测量得到的数据经过首先经过A/D转换器进行预处理，再通过所述步骤(2)-(4)的处理后得到融合数据，若此融合数据超过预设值，则微处理器发出报警指令，摄像模块开启，实时拍摄车内状况，语音模块开启，发出警报声响，并通过通信模块发送至车主手机，同时融合数据存储到存储模块中。所述存储模块分为动态存储单元和非易失性存储单元，当检测到车内异常信号时把数据保存到非易失性存储单元中，当未检测到异常信号时将数据保存到动态存储单元中。
所述摄像模块包括红外线摄像头和监控摄像头，红外线摄像头发出红外线照射物体，红外线发生漫反射，被监控摄像头接收，从而形成视频图像。
所述检测模块中的烟雾传感器、声音传感器、氧气浓度传感器、人体红外感应器和摄像模块中的红外摄像头间隔地分布在车内。
本发明的工作原理：实时采集传感器监测到的数据，通过卡尔曼滤波算法和神经网络算法分析变化趋势，所得数据通过无线Zigbee系统传输给微处理器模块。当处于渐变或者突变趋势时，微处理器模块发出警报指令，同时将多次融合数据和视频图像存储到存储模块中的非易失性存储单元中并同步上传到云端，此后实时地将车内数据情况保存下来直至传输的融合数据随着时间的推移呈增大的趋势。警报信息和车内图像信息将被一起通过通信模块发送给车主，方便车主快速返回处理。若不能及时处理，通过语音提示模块将自动发出警报声响。
本发明的有益效果：由于卡尔曼滤波算法是一个不断预测、修正的递推过程，它利用观测向量来估计随时间不断变化的状态向量，通过合并各观测方程得到状态方程，而且，卡尔曼滤波算法在对状态向量进行估计时，不需要存储大量的历史观测数据，当得到新的观测数据时，可以随时计算出新的参数滤波值，便于实时地处理观测结果。所以，与现有的神经网络训练算法相比较，将卡尔曼滤波算法作为神经网络的训练算法，可以缩短神经网络的学习时间，经过较少的训练次数就可以收敛到目标误差值，从而确定神经网络的权值，进而将该神经网络作为预测模型进行分析，提高预测过程中模型的建立效率。并且还可以解决传统神经网络容易出现的局部极小的问题。
附图说明
图1为本发明的流程图；
图2为本发明的整体结构框图；
图3为本发明的神经网络拓扑模型的结构示意图。
具体实施方式
下面结合附图和具体实施例，对本发明作进一步说明。
实施例1：如图1所示，一种基于多传感器数据融合的汽车车内异常预警方法，包括如下步骤：
(1)对车内信号的实时检测与预处理，获取监测数据作为训练样本：通过检测模块获取汽车内部的监测数据并进行预处理后作为训练样本，其中检测模块包括烟雾传感器、声音传感器、氧气浓度传感器和人体红外感应器，分别对汽车内部的烟雾浓度、声音大小、氧气浓度和是否有人闯入进行监测；
(2)根据训练样本建立神经网络拓扑模型，确定神经网络拓扑模型中的输入层、各隐含层和输出层；
(3)将训练样本分为平稳趋势数据集合、渐变趋势数据集合和突变趋势数据集合；
(4)采用卡尔曼滤波算法根据步骤(3)中分类后的三种数据集合对步骤(2)中建立的神经网络拓扑模型进行学习，调整所述神经网络拓扑模型中各神经元的权值，分别生成平稳型、渐变型和突变型的预测模型；
(5)根据预测模型进行安全性预测，当数据变化处于渐变型或突变型趋势，输出异常信号，若有异常信号输出，信息将由无线Zigbee系统传送至微处理器进行处理，并通过通信模块实时发送警报信息和车内图像至车主手机，若车主未及时处理，异常处理的时间可以设置成不同时长，如30分钟，车主没在这个时间内处理则汽车通过语音提示模块自动发出警报声响。
如图2所示：所述检测模块连接无线Zigbee系统模块，所述无线Zigbee系统模块连接微处理器模块，所述微处理器模块连接供电模块、存储模块、通信模块、摄像模块和语音提示模块，所述供电模块来源于汽车本身蓄电池。
所述检测模块测量得到的数据经过首先经过A/D转换器进行预处理，再通过所述步骤(2)-(4)的处理后得到融合数据，若此融合数据超过预设值，则微处理器发出报警指令，摄像模块开启，实时拍摄车内状况，语音模块开启，发出警报声响，并通过通信模块发送至车主手机，同时融合数据存储到存储模块中。所述存储模块分为动态存储单元和非易失性存储单元，当检测到车内异常信号时把数据保存到非易失性存储单元中，当未检测到异常信号时将数据保存到动态存储单元中。当微处理器模块发出警报指令后，会将现场测量得到的异常信息数据及摄像模块得到的视频图像存储到非易失性存储单元中并同时上传保存到云端，而未发出警报指令时的数据及视频就可循环覆盖地保存在动态存储单元中。
所述摄像模块包括红外线摄像头和监控摄像头，红外线摄像头发出红外线照射物体，红外线发生漫反射，被监控摄像头接收，从而形成视频图像。
所述检测模块中的烟雾传感器、声音传感器、氧气浓度传感器、人体红外感应器和摄像模块中的红外摄像头间隔地分布在车内。
如图3所示：步骤(2)的具体过程为：建立神经网络的拓扑模型，具体为：确定神经网络拓扑模型中的输入层、各隐含层和输出层的神经元数目以及输入输出的映射关系F＝f(ωA+b)，其中ω为权向量，A为输入向量，b为偏置向量；将影响车内环境稳定的各因素作为神经网络拓扑模型的输入层，输入层有4个神经元，输入向量为X＝[x1,x2,x3,x4]，其中，x1为车内烟雾浓度，x2为车内声音大小，x3为车内氧气浓度，x4为人体红外感应结果，隐含层包括5个神经元，输出层为车内环境异常结果，输出向量为Z＝[Δx,Δy,Δh]，Δx为X方向上的位移量，Δy为Y方向上的位移量，Δh为H方向上的位移量。
步骤(3)中的平稳趋势数据为无异常情况或异常情况发生过后，基本达到收敛状态；渐变型趋势数据为监测对象处于异常情况初期，表现为开始变化速率快，中后期逐步减慢并趋于平稳；突变型趋势数据为监测对象受到突然因素影响，例如有人闯入车内或者声音过大，表现为初期稳定，中期突变呈现断裂状态，随后又趋于稳定；渐变模型预测出车内异常处在初期，突变模型预测出车内发生突然异常事件，平稳模型预测出车内无异常情况。
步骤4的具体过程：将卡尔曼滤波算法作为神经网络的训练算法调整神经网络拓扑模型中各神经元的权值，将神经网络的全职调整过程转化为权值的最优估计问题，具体的，将神经网络拓扑模型中各神经元的权值作为状态向量，将神经网络的输出作为观测向量，利用观测向量来估计状态向量，从而在神经网络的自主学习过程中调整权值。
卡尔曼滤波算法的状态方程为：Xk+1＝AkXk+ωk，卡尔曼滤波算法的观测方程为：yk+1＝Hk+1(Xk+1,uk+1)+vk+1。
其中，Xk为神经网络拓扑模型中各神经元的权值，Ak为状态转移矩阵，ωk为过程噪声矩阵；yk+1为神经网络拓扑模型的输出向量，Hk+1为观测矩阵，uk+1为神经网络拓扑模型的输入向量，vk+1是测量噪声矩阵。
在神经网络的训练过程中，卡尔曼滤波算法会以一个有序的方式更新网络的权值，在三层网络中，是用误差来调节权值的，如果误差没有达到容许的范围，那么将会一直循环调节。预设训练参数可以包括：最大训练次数、全局误差目标值和学习速率。其中，预设训练参数的具体数值根据需要进行设置。优选的，最大训练次数为10000，全局误差目标值为1×103，学习速率为0.02。
由于卡尔曼滤波算法是一个不断预测、修正的递推过程，它利用观测向量来估计随时间不断变化的状态向量，通过合并各观测方程得到状态方程，而且，卡尔曼滤波算法在对状态向量进行估计时，不需要存储大量的历史观测数据，当得到新的观测数据时，可以随时计算出新的参数滤波值，便于实时地处理观测结果，所以，与现有的神经网络训练算法相比较，将卡尔曼滤波算法作为神经网络的训练算法，可以缩短神经网络的学习时间，经过较少的训练次数就可以收敛到目标误差值，从而确定神经网络的权值，进而将该神经网络作为预测模型进行分析，提高预测过程中模型的建立效率。并且还可以解决传统神经网络容易出现的局部极小的问题。
上面结合附图对本发明的具体实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (8)
1.一种基于多传感器数据融合的汽车车内异常预警方法，其特征在于，所述预警方法包括：
(1)通过检测模块获取汽车内部的监测数据并进行预处理后作为训练样本，其中检测模块包括烟雾传感器、声音传感器、氧气浓度传感器和人体红外感应器，分别对汽车内部的烟雾浓度、声音大小、氧气浓度和是否有人闯入进行监测；
(2)根据训练样本建立神经网络拓扑模型，确定神经网络拓扑模型中的输入层、各隐含层和输出层；
(3)将训练样本分为平稳趋势数据集合、渐变趋势数据集合和突变趋势数据集合；
(4)采用卡尔曼滤波算法根据步骤(3)中分类后的三种数据集合对步骤(2)中建立的神经网络拓扑模型进行学习，调整所述神经网络拓扑模型中各神经元的权值，分别生成平稳型、渐变型和突变型的预测模型；
(5)根据预测模型进行安全性预测，若有异常信号输出，信息将由无线Zigbee系统传送至微处理器进行处理，并通过通信模块实时发送警报信息和车内图像至车主手机，若车主未及时处理，则汽车通过语音提示模块自动发出警报声响。
2.根据权利要求1所述的基于多传感器数据融合的汽车车内异常预警方法，其特征在于，所述步骤(2)的具体过程为：将影响车内环境稳定的各因素作为神经网络拓扑模型的输入层，输入层有4个神经元，输入向量为X＝[x1,x2,x3,x4]，其中，x1为车内烟雾浓度，x2为车内声音大小，x3为车内氧气浓度，x4为人体红外感应结果，隐含层包括5个神经元，输出层为车内环境异常结果，输出向量为Z＝[Δx,Δy,Δh]，Δx为X方向上的位移量，Δy为Y方向上的位移量，Δh为H方向上的位移量。
3.根据权利要求1所述的基于多传感器数据融合的汽车车内异常预警方法，其特征在于，所述平稳趋势数据为无异常情况或异常情况发生过后，基本达到收敛状态；渐变型趋势数据为监测对象处于异常情况初期，表现为开始变化速率快，中后期逐步减慢并趋于平稳；突变型趋势数据为监测对象受到突然因素影响，表现为初期稳定，中期突变呈现断裂状态，随后又趋于稳定；渐变模型预测出车内异常处在初期，突变模型预测出车内发生突然异常事件，平稳模型预测出车内无异常情况。
4.根据权利要求1所述的基于多传感器数据融合的汽车车内异常预警方法，其特征在于，所述步骤(4)的具体过程为：将神经网络拓扑模型中各神经元的权值作为状态向量，将神经网络的输出作为观测向量，利用观测向量来估计状态向量，从而调整神经网络的权值；
状态方程为：Xk+1＝AkXk+ωk，
观测方程为：yk+1＝Hk+1(Xk+1,uk+1)+vk+1，
其中，Xk为神经网络拓扑模型中各神经元的权值，Ak为状态转移矩阵，ωk为过程噪声矩阵；yk+1为神经网络拓扑模型的输出向量，Hk+1为观测矩阵，uk+1为神经网络拓扑模型的输入向量，vk+1是测量噪声矩阵。
5.根据权利要求1所述的基于多传感器数据融合的汽车车内异常预警方法，其特征在于，所述检测模块测量得到的数据经过首先经过A/D转换器进行预处理，再通过所述步骤(2)-(4)的处理后得到融合数据，若此融合数据超过预设值，则微处理器发出报警指令，摄像模块开启，实时拍摄车内状况，语音模块开启，发出警报声响，并通过通信模块发送至车主手机，同时融合数据存储到存储模块中。
6.根据权利要求5所述的基于多传感器数据融合的汽车车内异常预警方法，其特征在于，所述存储模块分为动态存储单元和非易失性存储单元，当检测到车内异常信号时把数据保存到非易失性存储单元中，当未检测到异常信号时将数据保存到动态存储单元中。
7.根据权利要求5所述的基于多传感器数据融合的汽车车内异常预警方法，其特征在于，所述摄像模块包括红外线摄像头和监控摄像头，红外线摄像头发出红外线照射物体，红外线发生漫反射，被监控摄像头接收，从而形成视频图像。
8.根据权利要求1所述的基于多传感器数据融合的汽车车内异常预警方法，其特征在于，所述检测模块中的烟雾传感器、声音传感器、氧气浓度传感器、人体红外感应器和摄像模块中的红外摄像头间隔地分布在车内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810844470.4A CN109300276A (zh) | 2018-07-27 | 2018-07-27 | 一种基于多传感器数据融合的汽车车内异常预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810844470.4A CN109300276A (zh) | 2018-07-27 | 2018-07-27 | 一种基于多传感器数据融合的汽车车内异常预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109300276A true CN109300276A (zh) | 2019-02-01 |
Family
ID=65172680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810844470.4A Pending CN109300276A (zh) | 2018-07-27 | 2018-07-27 | 一种基于多传感器数据融合的汽车车内异常预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109300276A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111323353A (zh) * | 2020-04-13 | 2020-06-23 | 中煤科工集团重庆研究院有限公司 | 基于多传感多源数据融合的粉尘浓度检测系统及方法 |
| CN113492841A (zh) * | 2021-07-22 | 2021-10-12 | 上汽通用五菱汽车股份有限公司 | 泊车控制方法、装置及计算机可读存储介质 |
| WO2021238046A1 (zh) * | 2020-05-26 | 2021-12-02 | 深圳技术大学 | 一种乘客安全监测方法、装置及计算机可读存储介质 |
| CN116434502A (zh) * | 2023-05-25 | 2023-07-14 | 中南大学 | 一种含吸声压电气凝胶的汽车报警装置及汽车报警方法 |
| GB2618313A (en) * | 2022-04-22 | 2023-11-08 | Continental Automotive Tech Gmbh | A method and system for detecting a state of abnormality within a cabin |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106364442A (zh) * | 2016-11-29 | 2017-02-01 | 李森 | 一种车内遗留人员检测报警装置和方法 |
| CN106570563A (zh) * | 2015-10-13 | 2017-04-19 | 中国石油天然气股份有限公司 | 基于卡尔曼滤波和bp神经网络的变形预测方法和装置 |
| CN107358778A (zh) * | 2017-07-28 | 2017-11-17 | 昆明理工大学 | 一种结合knn算法的火灾报警器 |
| CN206697007U (zh) * | 2017-05-23 | 2017-12-01 | 重庆师范大学 | 智能车内数据监控系统 |
| CN207579824U (zh) * | 2017-12-11 | 2018-07-06 | 赵幸芝 | 车辆综合预警报警系统 |
-
2018
- 2018-07-27 CN CN201810844470.4A patent/CN109300276A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106570563A (zh) * | 2015-10-13 | 2017-04-19 | 中国石油天然气股份有限公司 | 基于卡尔曼滤波和bp神经网络的变形预测方法和装置 |
| CN106364442A (zh) * | 2016-11-29 | 2017-02-01 | 李森 | 一种车内遗留人员检测报警装置和方法 |
| CN206697007U (zh) * | 2017-05-23 | 2017-12-01 | 重庆师范大学 | 智能车内数据监控系统 |
| CN107358778A (zh) * | 2017-07-28 | 2017-11-17 | 昆明理工大学 | 一种结合knn算法的火灾报警器 |
| CN207579824U (zh) * | 2017-12-11 | 2018-07-06 | 赵幸芝 | 车辆综合预警报警系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111323353A (zh) * | 2020-04-13 | 2020-06-23 | 中煤科工集团重庆研究院有限公司 | 基于多传感多源数据融合的粉尘浓度检测系统及方法 |
| CN111323353B (zh) * | 2020-04-13 | 2021-03-16 | 中煤科工集团重庆研究院有限公司 | 基于多传感多源数据融合的粉尘浓度检测系统及方法 |
| WO2021238046A1 (zh) * | 2020-05-26 | 2021-12-02 | 深圳技术大学 | 一种乘客安全监测方法、装置及计算机可读存储介质 |
| CN113492841A (zh) * | 2021-07-22 | 2021-10-12 | 上汽通用五菱汽车股份有限公司 | 泊车控制方法、装置及计算机可读存储介质 |
| GB2618313A (en) * | 2022-04-22 | 2023-11-08 | Continental Automotive Tech Gmbh | A method and system for detecting a state of abnormality within a cabin |
| CN116434502A (zh) * | 2023-05-25 | 2023-07-14 | 中南大学 | 一种含吸声压电气凝胶的汽车报警装置及汽车报警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109300276A (zh) | 一种基于多传感器数据融合的汽车车内异常预警方法 | |
| US11778144B2 (en) | Vehicle monitoring | |
| US11713060B2 (en) | Systems and methods for remote monitoring of a vehicle, robot or drone | |
| CN108297058A (zh) | 智能安防机器人及其自动巡检方法 | |
| CN113960476B (zh) | 基于信息物理融合技术的动力电池故障监测方法及系统 | |
| CN107976934B (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 | |
| CN105844839A (zh) | 一种智能家庭防盗环境监控多功能小车及控制方法 | |
| CN113153064A (zh) | 车辆安全系统 | |
| CN109935053A (zh) | 突发性滑坡预警系统 | |
| CN106926808A (zh) | 汽车部件的控制方法、装置及一种汽车 | |
| CN110682903B (zh) | 一种基于视觉感知的安全超车预警系统及方法 | |
| CN115427268A (zh) | 用于检测被锁在车内的乘客的具有人工智能功能的警报 | |
| CN109292566A (zh) | 一种电梯用轿厢困人的自动侦测系统及逻辑 | |
| CN108528370B (zh) | 车用模糊控制儿童缺氧保护装置及保护控制方法 | |
| CN108762305B (zh) | 一种无人机避撞架空交流电力线路的预警装置 | |
| CN109584630A (zh) | 一种基于车联网的车辆变道预警装置及预警方法 | |
| CN109854119A (zh) | 一种智能车窗控制系统及其控制方法 | |
| CN109572692A (zh) | 一种电控车辆防冲撞系统及其控制方法 | |
| CN107933461A (zh) | 基于单摄像头的车内识别融合装置及方法 | |
| CN110154893A (zh) | 一种基于驾驶员特性的汽车安全驾驶预警方法 | |
| CN106599876A (zh) | 一种基于生物特征识别的信息处理方法及装置 | |
| IL272477B1 (en) | A drone structure for transporting temperature-controlled material | |
| CN206096872U (zh) | 发电设备智能监控装置 | |
| CN113085555B (zh) | 一种电池包热失控后的警示方法 | |
| CN109859428A (zh) | 一种基于人工智能的综合防盗管理方法和系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190201 |
|
| RJ01 | Rejection of invention patent application after publication |