CN109356652B - 一种矿井下自适应的火灾分级预警方法及系统 - Google Patents
一种矿井下自适应的火灾分级预警方法及系统 Download PDFInfo
- Publication number
- CN109356652B CN109356652B CN201811189258.5A CN201811189258A CN109356652B CN 109356652 B CN109356652 B CN 109356652B CN 201811189258 A CN201811189258 A CN 201811189258A CN 109356652 B CN109356652 B CN 109356652B
- Authority
- CN
- China
- Prior art keywords
- fire
- early warning
- parameter
- neural network
- mine
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000006870 function Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000013526 transfer learning Methods 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims description 26
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 15
- 239000000779 smoke Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Fire Alarms (AREA)
Abstract
本发明提供一种矿井下自适应的火灾分级预警方法及系统，所述火灾分级预警方法包括以下步骤：步骤S1，选取带有标记的样本数据进行BP神经网络训练；步骤S2，通过迁移学习策略对所述BP神经网络模型进行优化，得到微调训练后的输出层参数；步骤S3，输入采集到的参数值，通过优化后的BP神经网络模型输出所述参数值对应的火灾预警等级。本发明所述步骤S2通过迁移学习策略对所述BP神经网络模型进行优化，进而能够保留火灾发生时的判断能力，又能对矿井中的非火灾情况进行分辨，从而提高矿井的火灾分级预警的准确率，减少误报和漏报的情况，有效实现了在矿井和施工隧道等复杂环境下的火灾分级预警自适应功能。
Description
技术领域
本发明涉及一种火灾预警方法，尤其涉及一种矿井下自适应的火灾分级预警方法， 并涉及采用了所述的矿井下自适应的火灾分级预警方法的火灾分级预警系统。
背景技术
利用BP神经网络进行火灾预警，首先需要对搭建好的BP神经网络模型进行参数训练，使模型最终能够根据传感器输入的三个数据输出当前火灾发生的概率。在火灾 预警领域，已有公开的中国标准试验火和欧洲标准试验火两大数据集，我们通常采用 这类数据作为训练集对网络模型进行训练。
但是，这类数据通常是在实验室或特定环境下测量得到的，其训练得到的网络模型往往并不能适用于复杂的环境。如矿井下，地面空气进入矿井后，由于物质氧化、 分解和其他气体与矿尘的混入，成分发生变化。O2减少，CO2增加，混入的有害气体 通常有包含CH4、CO2、CO、H2S、NOx、SO2、H2、Hg和As的蒸气以及内燃机的废 气等。矿内空气的温度和湿度主要决定于矿物与岩层的物理化学性质、开采深度、生 产工艺、地理和地质因素，同时伴随大量的矿尘混入。空气中粉尘较大并含有其它气 体，环境的温度也不稳定。因此，如果单利用调节阈值来实现模型的拟合，精确度往 往不够准确。如果想要得到适用于井下的网络模型，我们需要得到井下模拟火灾发生 时温度、烟雾浓度和CO含量等参数来对模型进行训练，然而在井下进行火灾模拟是 极其危险的，因此，这个设想也实现不了。
发明内容
本发明所要解决的技术问题是需要提供一种能够自动适应环境变化，并对当前环境的火灾等级分类，从而实现矿井等复杂环境下的火灾分级预警方法，并进一步提供 采用了所述的火灾分级预警方法的火灾分级预警系统。
对此，本发明提供一种矿井下自适应的火灾分级预警方法，包括以下步骤：
步骤S1，选取带有标记的样本数据进行BP神经网络训练；
步骤S2，通过迁移学习策略对所述BP神经网络模型进行优化，得到微调训练后 的输出层参数；
步骤S3，输入采集到的参数值，通过优化后的BP神经网络模型输出所述参数值 对应的火灾预警等级。
本发明的进一步改进在于，所述步骤S1包括以下子步骤：
步骤S101，输入带有标记的样本数据X＝(x(1),x(2),...,x(m))，使用BP神经网络的正向传播进行预测，计算预测值
其中，m为样本数，x(m)为样本数据中的样本参数；
步骤S102，根据预设的火灾预警等级设置输出层的激活函数；
步骤S103，对于训练得到的第一神经网络模型，输入一组非训练样本中的参数，得到这组参数对应的火灾预警等级。
本发明的进一步改进在于，所述步骤S101中，每个样本数据包含温度、烟雾和 CO共三个参数值，并包含一个对应的火灾等级值(0级、I级、II级、III级)，每个 样本数据记作x＝(x1,x2,x3)；假设有m个样本，则将这m个样本数据集记作 X＝(x(1),x(2),...,x(m))，输出值的集合记作y＝(y(1),y(2),...,y(m))。
本发明的进一步改进在于，所述步骤S101中，通过公式
计算预测值
softmax为激活函数，z[2]＝a[1]W[2]+b[2]，a[1]＝σ(z[1])， z[1]＝xW[1]+b[1]，σ(x)＝tanh(x)，W[i]和b[i]分别为BP神经网络第i层的权重参 数和偏置参数，i为BP神经网络的层的序号，σ(x)为隐藏层的激活函数，z[i]为激活函 数的输入值，a[i]为隐藏层和输出层的输出值。
本发明的进一步改进在于，所述步骤S102中，设置输出层的激活函数为
j为BP神经网络中某一层的节点的序号，K为预设的火 灾预警等级数量。
本发明的进一步改进在于，所述步骤S2包括以下子步骤：
步骤S201，利用已有的火灾数据DS训练BP神经网络，分别得到隐藏层的权重参 数W[1]和偏置参数b[1]，以及输出层的权重参数W[2]和偏置参数b[2]；
步骤S202，利用矿井下采集到的数据DT对BP网络模型进行微调，进而更新输出 层的参数，转换为新的权重参数
和偏置参数
本发明的进一步改进在于，所述步骤S201中，通过公式zS [1]＝DSW[1]+b[1]得 到隐藏层的权重参数W[1]和偏置参数b[1]，通过公式zS [2]＝aS [1]W[2]+b[2]输出层的 权重参数W[2]和偏置参数b[2]，其中，aS [1]＝σ(zS [1])，σ(x)为隐藏层的激活函数，zS [1]为隐藏层激活函数的输入值，aS [1]为隐藏层的输出值，zS [2]为输出层激活函数的输入值。
本发明的进一步改进在于，所述步骤S202中，将矿井下采集到的数据DT输入到 BP网络模型继续训练，在训练过程中，保留隐藏层的权重参数W[1]和偏置参数b[1]不变， 对输出层的权重参数W[2]和偏置参数b[2]进行更新，训练结束后得到输出层新的权重参 数
和偏置参数
本发明的进一步改进在于，通过公式DS≠DT且TS＝TT对输出层的权重参数W[2]和偏置参数b[2]进行更新，其中，TS为与已有的火灾数据DS相应的目标任务，TT为与矿 井下采集到的数据DT相应的目标任务。
本发明还提供一种矿井下自适应的火灾分级预警系统，采用了如上所述的矿井下自适应的火灾分级预警方法。
与现有技术相比，本发明的有益效果在于：所述步骤S2通过迁移学习策略对所述BP神经网络模型进行优化，进而能够在矿井没有实际发生火灾的情况下，既保留了火 灾发生时的判断能力，又能对矿井中的非火灾情况进行分辨，从而提高矿井的火灾分 级预警的准确率，减少误报和漏报的情况，有效实现了在矿井和施工隧道等复杂环境 下的火灾分级预警自适应功能。
附图说明
图1是本发明一种实施例的步骤S2中BP神经网络火灾预警模型示意图；
图2是本发明一种实施例的步骤S1中BP神经网络火灾预警模型示意图；
图3是本发明一种实施例的工作流程示意图。
具体实施方式
下面结合附图，对本发明的较优的实施例作进一步的详细说明。
如图1至图3所示，本发明提供一种矿井下自适应的火灾分级预警方法，包括以下步骤：
步骤S1，选取带有标记的样本数据进行BP神经网络训练；
步骤S2，通过迁移学习策略对所述BP神经网络模型进行优化，得到微调训练后 的输出层参数；
步骤S3，输入采集到的参数值，通过优化后的BP神经网络模型输出所述参数值 对应的火灾预警等级。
BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的“输入→输出”模式映射关系，而无 需事前揭示描述这种映射关系的数学方程。
本例利用BP神经网络的非线性映射能力进行火灾预警。输入值是一个维度为3 的特征向量，也即温度、烟雾和CO传感器值，经过BP神经网络模型计算，得到当前 环境下的火灾特征值，并直接输出对应的火灾预警等级；进而输出明火、阴燃火和非 火源三个预测值的概率。
本例所述步骤S2采用迁移学习策略的目的是从源域的数据中提取一些有用的知识， 并运用这些知识来提高目标域的任务性能。本例采用基于模型的迁移学习方法，将需要迁移的源域知识编码为BP神经网络模型中的参数，再根据目标域对模型进行微调， 最终实现源域模型对目标域任务最优性能的匹配。基于此，本例提出了利用迁移学习 来对训练好的BP神经网络模型进行优化，从而实现模型在复杂环境下的自适应火灾预 警能力。
如图2所示，以一个三层的BP神经网络火灾预警模型为例，因此，BP神经网络 火灾预警模型包括输入层、隐藏层和输出层，本例所述步骤S1包括以下子步骤：
步骤S101，输入带有标记的样本数据X＝(x(1),x(2),...,x(m))，使用BP神经网络的正向传播进行预测，计算预测值
其中，m为样本数，x(m)为样本数据中的样本参数；
步骤S102，根据预设的火灾预警等级设置输出层的激活函数；
步骤S103，对于训练得到的第一神经网络模型，输入一组非训练样本中的参数，得到这组参数对应的火灾预警等级。
更为具体的，本例所述步骤S101中，每个样本数据包含温度、烟雾和CO共三个 参数值，并包含一个对应的火灾等级值，所述火灾等级值优选为0级、I级、II级和III级，每个样本数据记作x＝(x1,x2,x3)；假设有m个样本，则将这m个样本数据集记 作X＝(x(1),x(2),...,x(m))，输出值的集合记作y＝(y(1),y(2),...,y(m))。x(m)中的上标(m) 为样本在样本集中的序号，W[i]、a[i]和b[i]等上标[i]为神经网络的层的序号，这些 参数的下标j为网络中某一层的节点的序号，log的底数默认是e。
本例的BP神经网络使用正向传播进行预测。对于一个3层的神经网络，所述步骤S101中，通过公式
计算预测值
softmax为激活函数， z[2]＝a[1]W[2]+b[2]，a[1]＝σ(z[1])，z[1]＝xW[1]+b[1]，σ(x)＝tanh(x)，W[i]和b[i]分别为BP神经网络第i层的权重参数和偏置参数，i为BP神经网络的层的序号， σ(x)为隐藏层的激活函数，z[i]为激活函数的输入值，a[i]为隐藏层和输出层的输出值。
对于输出层，本例预设的火灾预警等级数量为4个级别，即0级、I级、II级和 III级，如图1和图2所示，考虑到分别输出0级、I级、II级和III级四个预测值的 概率，且四者互斥、总和为1，所以本例所述步骤S102中，设置输出层的激活函数为 
j为BP神经网络中某一层的节点的序号，K为预设的火 灾预警等级数量。
进而，j＝K＝4，
其中，P(t)为每种火灾等级对应的预 测概率值，我们最终取数值最大的一种等级：Max{P(t),t＝1,2,3,4}；z[2](m)为第m个样 本在输出层激活函数的输入值。
本例所述BP神经网络使用反向传播进行参数更新，主要通过计算代价函数J(W,b)对每个参数的偏导值来实现。输出层的激活函数采用的是softmax函数，误差采 用交叉熵代价函数来衡量，即：x(i)＝a[1](i)、
其中，a[1](i)为第i个样本在隐藏层的输出值，
为第i个样本在输出层中第j 个节点激活函数的输入值，
为输出层第j个节点的权重参数，
为输出层 第j个节点的偏置参数，
为第i个样本在输出层中第j个节点的输出值。优 选的，j＝K＝4，
为第i个样本在输出层中第k个节点激活函数的输入 值，softmax函数公式为：
输出层的第l个节点的权重参数W[l]和偏置参数b[l]的更新如下，α是学习率：
和
隐藏层的第v个节 点的权重参数W[v]和偏置参数b[v]更新如下，α是学习率： 
和
其中，α是学习率， 
是偏微分符号。
BP神经网络参数利用训练集的数据进行迭代更新，直到错误率低于某个阈值停止训练，从而实现BP神经网络的建模。对于以上训练得到的模型，本例输入一组非训练 样本中的参数，模型可以通过计算，得到这组参数对应的火灾预警等级(0级、I级、II级和III级)，优选的具体判断规则如下： 
其中，t为温度传感检测 数值，co为一氧化碳传感检测数值，smog为烟雾传感检测数值。
然而，由于建模过程中的训练样本是在实验环境中得到的，当处于复杂环境中(如矿井下)，基于样本特征训练得到的模型往往不能对采集到的参数进行准确拟合。
在机器学习领域，通过增强来自相关源域的补充标记数据的训练，可以改善模型对目标实例进行分类的能力，对此本例利用迁移学习的策略来对BP模型进行优化。在 迁移学习中，已有数据集的领域被称为源域，迁移对象的领域被称为目标域。给定一 个源域DS和一个相应的学习任务TS，一个目标域DT和一个相应的目标任务TT；迁移学 习的目的是利用DS和TS中的知识来提高DT中TT的学习性能。其中，DS≠DT且TS＝TT。 在本专利中，训练样本参数为源域DS，对训练样本进行火灾判断为TS；矿井下的参数 为目标域DT，对矿井进行火灾判断为TT。
如图2所示，本例给出了BP神经网络中引入迁移学习进行优化的方法，所述步骤S2包括以下子步骤：
步骤S201，利用已有的火灾数据DS训练BP神经网络，分别得到隐藏层的权重参 数W[1]和偏置参数b[1]，以及输出层的权重参数W[2]和偏置参数b[2]；
步骤S202，利用矿井下采集到的数据DT对BP网络模型进行微调，进而更新输出 层的参数，转换为新的权重参数
和偏置参数
更为具体的，本例所述步骤S201中，通过公式zS [1]＝DSW[1]+b[1]得到隐藏层 的权重参数W[1]和偏置参数b[1]，通过公式zS [2]＝aS [1]W[2]+b[2]输出层的权重参数 W[2]和偏置参数b[2]，其中，aS [1]＝σ(zS [1])，σ(x)为隐藏层的激活函数，zS [1]为隐藏 层激活函数的输入值，aS [1]为隐藏层的输出值，zS [2]为输出层激活函数的输入值。
然后，利用矿井下采集到的数据DT对BP神经网络模型进行微调。具体的：所述 步骤S202中，将矿井下采集到的数据DT输入到BP网络模型继续训练，在训练过程中， 保留隐藏层的权重参数W[1]和偏置参数b[1]不变，对输出层的权重参数W[2]和偏置参数 b[2]进行更新，训练结束后得到输出层新的权重参数
和偏置参数
通过公式 表达如下：zT [1]＝DTW[1]+b[1]、aT [1]＝σ(zT [1])、 
和 TT:
zT [1]为隐藏层激活函数的输入值，aT [1]为隐藏层的输出值，zT [2]为输出层激活函数的输入值，aT [2]为输出层的输出值。
即，本例通过公式DS≠DT且TS＝TT对输出层的权重参数W[2]和偏置参数b[2]进行 更新，其中，TS为与已有的火灾数据DS相应的目标任务，TT为与矿井下采集到的数据 DT相应的目标任务。
本例所述步骤S2引入迁移学习策略的最终目的是将模型在已有的火灾数据DS上训练得到参数W[2]、b[2]，在矿井下火灾预警任务中转换成
以更好的适 应井下复杂多变的环境数据DT。
最终，利用训练好的BP神经网络模型进行火灾预警。输入传感器采集到的温度、烟雾和CO三个参数值，输出当前参数下对应的火灾预警等级。
本例还提供一种矿井下自适应的火灾分级预警系统，采用了如上所述的矿井下自适应的火灾分级预警方法。在实际应用中，利用BP神经网络进行火灾分级预警的流程 图如图3所示。
综上所述，本例所述步骤S2通过迁移学习策略对所述BP神经网络模型进行优化，进而能够在矿井没有实际发生火灾的情况下，既保留了火灾发生时的判断能力，又能 对矿井中的非火灾情况进行分辨，从而提高矿井的火灾分级预警的准确率，减少误报 和漏报的情况，有效实现了在矿井和施工隧道等复杂环境下的火灾分级预警自适应功 能。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说， 在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本 发明的保护范围。
Claims (9)
1.一种矿井下自适应的火灾分级预警方法，其特征在于，包括以下步骤：
步骤S1，选取带有标记的样本数据进行BP神经网络训练；
步骤S2，通过迁移学习策略对BP神经网络模型进行优化，得到微调训练后的输出层参数；
步骤S3，输入采集到的参数值，通过优化后的BP神经网络模型输出所述参数值对应的火灾预警等级；
所述步骤S2包括以下子步骤：
步骤S201，利用已有的火灾数据DS训练BP神经网络，分别得到隐藏层的权重参数W[1]和偏置参数b[1]，以及输出层的权重参数W[2]和偏置参数b[2]；
步骤S202，利用矿井下采集到的数据DT对BP网络模型进行微调，进而更新输出层的参数，转换为新的权重参数
和偏置参数
2.根据权利要求1所述的矿井下自适应的火灾分级预警方法，其特征在于，所述步骤S1包括以下子步骤：
步骤S101，输入带有标记的样本数据X＝(x(1),x(2),...,x(m))，使用BP神经网络的正向传播进行预测，计算预测值
其中，m为样本数，x(m)为样本数据中的样本参数；
步骤S102，根据预设的火灾预警等级设置输出层的激活函数；
步骤S103，对于训练得到的第一神经网络模型，输入一组非训练样本中的参数，得到这组参数对应的火灾预警等级。
3.根据权利要求2所述的矿井下自适应的火灾分级预警方法，其特征在于，所述步骤S101中，每个样本数据包含温度、烟雾和CO共三个参数值，并包含一个对应的火灾等级值，每个样本数据记作x＝(x1,x2,x3)；假设有m个样本，则将这m个样本数据集记作X＝(x(1),x(2),...,x(m))，输出值的集合记作y＝(y(1),y(2),...,y(m))。
4.根据权利要求3所述的矿井下自适应的火灾分级预警方法，其特征在于，所述步骤S101中，通过公式
计算预测值
softmax为激活函数，z[2]＝a[1]W[2]+b[2]，a[1]＝σ(z[1])，z[1]＝xW[1]+b[1]，σ(x)＝tanh(x)，W[i]和b[i]分别为BP神经网络第i层的权重参数和偏置参数，i为BP神经网络的层的序号，σ(x)为隐藏层的激活函数，z[i]为激活函数的输入值，a[i]为隐藏层和输出层的输出值。
5.根据权利要求4所述的矿井下自适应的火灾分级预警方法，其特征在于，所述步骤S102中，设置输出层的激活函数为
j为BP神经网络中某一层的节点的序号，K为预设的火灾预警等级数量。
6.根据权利要求1至5任意一项所述的矿井下自适应的火灾分级预警方法，其特征在于，所述步骤S201中，通过公式zS [1]＝DSW[1]+b[1]得到隐藏层的权重参数W[1]和偏置参数b[1]，通过公式zS [2]＝aS [1]W[2]+b[2]输出层的权重参数W[2]和偏置参数b[2]，其中，aS [1]＝σ(zS [1])，σ(x)为隐藏层的激活函数，zS [1]为隐藏层激活函数的输入值，aS [1]为隐藏层的输出值，zS [2]为输出层激活函数的输入值。
7.根据权利要求6所述的矿井下自适应的火灾分级预警方法，其特征在于，所述步骤S202中，将矿井下采集到的数据DT输入到BP网络模型继续训练，在训练过程中，保留隐藏层的权重参数W[1]和偏置参数b[1]不变，对输出层的权重参数W[2]和偏置参数b[2]进行更新，训练结束后得到输出层新的权重参数
和偏置参数
8.根据权利要求7所述的矿井下自适应的火灾分级预警方法，其特征在于，通过公式DS≠DT且TS＝TT对输出层的权重参数W[2]和偏置参数b[2]进行更新，其中，TS为与已有的火灾数据DS相应的目标任务，TT为与矿井下采集到的数据DT相应的目标任务。
9.一种矿井下自适应的火灾分级预警系统，其特征在于，采用了如权利要求1至8任意一项所述的矿井下自适应的火灾分级预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811189258.5A CN109356652B (zh) | 2018-10-12 | 2018-10-12 | 一种矿井下自适应的火灾分级预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811189258.5A CN109356652B (zh) | 2018-10-12 | 2018-10-12 | 一种矿井下自适应的火灾分级预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109356652A CN109356652A (zh) | 2019-02-19 |
| CN109356652B true CN109356652B (zh) | 2020-06-09 |
Family
ID=65348911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811189258.5A Active CN109356652B (zh) | 2018-10-12 | 2018-10-12 | 一种矿井下自适应的火灾分级预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109356652B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135016A (zh) * | 2019-04-26 | 2019-08-16 | 南京科谷智能科技有限公司 | 一种基于神经网络的多维消防数据融合分析方法 |
| CN110427022B (zh) * | 2019-07-08 | 2022-03-15 | 武汉科技大学 | 一种基于深度学习的消防隐患检测机器人及检测方法 |
| CN110852423B (zh) * | 2019-11-12 | 2023-01-24 | 中铁工程装备集团有限公司 | 基于迁移学习的隧道掘进机掘进性能与控制参数预测方法 |
| CN110910615B (zh) * | 2019-11-22 | 2021-04-06 | 华中科技大学 | 一种楼宇火警报警分类方法及系统 |
| CN112002095A (zh) * | 2020-07-14 | 2020-11-27 | 中国人民解放军63653部队 | 一种矿山洞内的火灾预警方法 |
| CN111915069B (zh) * | 2020-07-17 | 2021-12-07 | 天津理工大学 | 一种基于深度学习的轻量级有毒有害气体分布的检测方法 |
| CN113361557A (zh) * | 2020-12-21 | 2021-09-07 | 南京仁智网络科技有限公司 | 基于振动数据的井工煤矿灭火控制的神经网络的训练方法 |
| CN112765891B (zh) * | 2021-01-27 | 2023-11-10 | 辽宁工程技术大学 | 一种矿井火灾致灾因子最大值的预测方法 |
| CN113255717A (zh) * | 2021-03-25 | 2021-08-13 | 中冶赛迪重庆信息技术有限公司 | 一种管廊火灾检测方法及系统 |
| CN114170754A (zh) * | 2021-12-09 | 2022-03-11 | 中科计算技术西部研究院 | 基于大数据的林业维护管理系统 |
| CN114387755A (zh) * | 2021-12-13 | 2022-04-22 | 煤炭科学技术研究院有限公司 | 矿用烟雾检测方法、装置、处理器及系统 |
| CN114880935A (zh) * | 2022-05-13 | 2022-08-09 | 西南交通大学 | 隧道火灾超前预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6415717B1 (en) * | 2001-02-16 | 2002-07-09 | The United States Of America As Represented By The Secretary Of The Navy | Line charge assembly and system for use in shallow-water clearing operations |
| CN104794845A (zh) * | 2015-05-04 | 2015-07-22 | 安徽大学 | 基于火险等级预报的森林火灾预警方法 |
| CN204557707U (zh) * | 2015-05-04 | 2015-08-12 | 安徽大学 | 一种森林火险预警监测装置 |
| CA2907267A1 (en) * | 2015-10-05 | 2017-04-05 | Seyed Mojtaba Smma Mohammadian Abkenar | Artificial neural network training: bounded bias technique |
| CN106777867A (zh) * | 2016-11-14 | 2017-05-31 | 辽宁工程技术大学 | 一种矿井火灾风险因素权重确定方法 |
| CN107564231A (zh) * | 2017-09-15 | 2018-01-09 | 山东建筑大学 | 基于物联网的建筑物火灾预警及火灾态势评估系统及方法 |
| CN107633638A (zh) * | 2017-07-24 | 2018-01-26 | 南京邮电大学 | 一种基于wsn的智能火灾探测方法 |
| CN107633301A (zh) * | 2017-08-28 | 2018-01-26 | 广东工业大学 | 一种bp神经网络回归模型的训练测试方法及其应用系统 |
| EP3531386A1 (en) * | 2016-10-24 | 2019-08-28 | Hochiki Corporation | Fire monitoring system |
-
2018
- 2018-10-12 CN CN201811189258.5A patent/CN109356652B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6415717B1 (en) * | 2001-02-16 | 2002-07-09 | The United States Of America As Represented By The Secretary Of The Navy | Line charge assembly and system for use in shallow-water clearing operations |
| CN104794845A (zh) * | 2015-05-04 | 2015-07-22 | 安徽大学 | 基于火险等级预报的森林火灾预警方法 |
| CN204557707U (zh) * | 2015-05-04 | 2015-08-12 | 安徽大学 | 一种森林火险预警监测装置 |
| CA2907267A1 (en) * | 2015-10-05 | 2017-04-05 | Seyed Mojtaba Smma Mohammadian Abkenar | Artificial neural network training: bounded bias technique |
| EP3531386A1 (en) * | 2016-10-24 | 2019-08-28 | Hochiki Corporation | Fire monitoring system |
| CN106777867A (zh) * | 2016-11-14 | 2017-05-31 | 辽宁工程技术大学 | 一种矿井火灾风险因素权重确定方法 |
| CN107633638A (zh) * | 2017-07-24 | 2018-01-26 | 南京邮电大学 | 一种基于wsn的智能火灾探测方法 |
| CN107633301A (zh) * | 2017-08-28 | 2018-01-26 | 广东工业大学 | 一种bp神经网络回归模型的训练测试方法及其应用系统 |
| CN107564231A (zh) * | 2017-09-15 | 2018-01-09 | 山东建筑大学 | 基于物联网的建筑物火灾预警及火灾态势评估系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 网络式智能火灾分级预警系统设计;沈晓波 等;《淮南师范学院学报》;20180315;第20卷(第108期);第126-129页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109356652A (zh) | 2019-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109356652B (zh) | 一种矿井下自适应的火灾分级预警方法及系统 | |
| Moeini et al. | Comparing compositional multivariate outliers with autoencoder networks in anomaly detection at Hamich exploration area, east of Iran | |
| Zoveidavianpoor et al. | Adaptive neuro fuzzy inference system for compressional wave velocity prediction in a carbonate reservoir | |
| CN106777528A (zh) | 矿井需风量的全息预测方法 | |
| Li et al. | Computer simulation of gas generation and transport in landfills. V: Use of artificial neural network and the genetic algorithm for short-and long-term forecasting and planning | |
| CN107633638A (zh) | 一种基于wsn的智能火灾探测方法 | |
| Samsuri et al. | Evaluation for long term PM10 concentration forecasting using multi linear regression (MLR) and principal component regression (PCR) models | |
| CN103020737A (zh) | 一种烤片烟气的预测方法 | |
| Liu et al. | Spatial association between orogenic gold mineralization and structures revealed by 3D prospectivity modeling: a case study of the Xiadian gold deposit, Jiaodong Peninsula, China | |
| Kamran et al. | Intelligent based decision-making strategy to predict fire intensity in subsurface engineering environments | |
| Anyosa et al. | Assessing the value of seismic monitoring of CO2 storage using simulations and statistical analysis | |
| Lešnik et al. | Predictive analytics of PM10 concentration levels using detailed traffic data | |
| Uhran et al. | Improved wetland soil organic carbon stocks of the conterminous US through data harmonization | |
| Knight | Evaluating geological heritage: correspondence on Ruban, DA ‘Quantification of geodiversity and its loss’(PGA, 2010, 121 (3): 326-333) | |
| Mert et al. | An assessment of total RMR classification system using unified simulation model based on artificial neural networks | |
| Mumyakmaz et al. | An E-Nose-based indoor air quality monitoring system: prediction of combustible and toxic gas concentrations | |
| CN108876010B (zh) | 煤矿井下电磁辐射强度时序数据的选择与趋势预测方法 | |
| Rühs et al. | Robust estimates for the decadal evolution of Agulhas leakage from the 1960s to the 2010s | |
| CN112241800B (zh) | 一种焦炉VOCs污染物排放量的计算方法 | |
| Uchôa et al. | Multi-process and multi-scale spatial predictive analysis of an orogenic Archean gold system, Rio das Velhas Greenstone Belt, Brazil | |
| Singh | Permeability prediction using artificial neural network (ANN): a case study of Uinta Basin | |
| CN114922612A (zh) | 基于lvq-cpso-bp算法的煤体瓦斯渗透率预测方法 | |
| KR20200084447A (ko) | 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법 | |
| Gao et al. | Gas outburst prediction based on the intelligent Dempster-Shafer evidence theory | |
| Bigdeli et al. | A comparative study of the XGBoost ensemble learning and multilayer perceptron in mineral prospectivity modeling: a case study of the Torud-Chahshirin belt, NE Iran |
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 | ||
| CB02 | Change of applicant information |
Address after: 518000 Guangdong Province Nanshan District Yuehai Street High-tech Zone Community High-tech South Road 017 Wan Delai Building North Block 5 Floor 502B Applicant after: Shenzhen Yiri Technology Co.,Ltd. Address before: 518000 Guangdong Nanshan District, Shenzhen City, Guangdong Province, Guangdong Province, Yuehai Street High-tech Industrial Park High-tech South Seven Road No. 11 Shenzhen Software Park T3 Building B, 5th Floor Applicant before: Shenzhen Yiri Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 1401h, bike technology building, No.9, scientific research road, Maling community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Applicant after: Shenzhen Yiri Technology Co.,Ltd. Address before: 518000 Guangdong Province Nanshan District Yuehai Street High-tech Zone Community High-tech South Road 017 Wan Delai Building North Block 5 Floor 502B Applicant before: Shenzhen Yiri Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |