CN109799700B - 一种基于模糊神经网络的危化品运输预警系统 - Google Patents
一种基于模糊神经网络的危化品运输预警系统 Download PDFInfo
- Publication number
- CN109799700B CN109799700B CN201910127561.0A CN201910127561A CN109799700B CN 109799700 B CN109799700 B CN 109799700B CN 201910127561 A CN201910127561 A CN 201910127561A CN 109799700 B CN109799700 B CN 109799700B
- Authority
- CN
- China
- Prior art keywords
- early warning
- neural network
- module
- fuzzy neural
- fuzzy
- 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
Images
Landscapes
- Emergency Alarm Devices (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于模糊神经网络的危化品运输预警系统,所述系统包括:信息采集模块、车载终端、云端服务器、多级联动处理平台;所述信息采集模块用于采集预警指标并将预警指标分别发送至单因素预警模块和多因素预警模块;所述车载终端用于对输入的预警指标进行预警判断输出的预警信息发送至云端服务器;所述云端服务器根据预警信息进行分类和分级处理后发送至多级联动平台;所述多级联动处理平台根据预警的级别指令已接入危化品运输预警系统的机构处理警情。本发明通过对多维的预警指标信息的采集克服了预测因素的单一的缺点;通过模糊神经网络的预测提高了预警的精确度;通过多级联动平台接入处理机构提高了预警处理的及时性。
Description
技术领域
本发明涉及危险品运输领域,更具体地,涉及一种基于模糊神经网络的危化品运输预警系统。
背景技术
目前的危化品运输监测是通过简单的传感器阈值报警设计,这些传感器只是单独的工作,属于单因素的监控,目前尚未有预警系统将整体监测信息作为预警要素,危化品运输对于环境的要求较为严苛,所以仅凭单因素监控很难起到精准预警,目前危化品监测预警机制也没有形成联防机制,预警只是简单地预警,对于预警后续的处理并未有详细设计和可靠的方案,这也是目前预警系统的缺点。
模糊控制
许多实际的应用系统很难用准确的属于来描述,如化学过程中的温度很高、反应很快等,这些定义都是模糊的、是依靠人的经验判断的。模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的一种智能控制方法,该方法首先将操作人员或专家经验编成模糊规则,然后将来自传感器的实时信号模糊化,将模糊化后的信号作为模糊规则的输入,完成模糊推理,将推理后得到的输出量经过一次反模糊化,得到最后的输出。
神经网络
神经网络是通过对人脑的基本单元——神经元的建模和联接,探索模拟人脑神经系统功能的模型,并研制一种具有学习、联想、记忆和模式识别等智能信息处理功能的人工系统。神经网络的一个重要特性是它能够从环境中学习,并把学习的结果分布存储于网络的突触连接中。神经网络的学习是一个过程,在其所处环境的激励下,相继给网络输入一些样本模式,并按照一定的规则(学习算法)调整网络各层的权值矩阵,待网络各层权值都收敛到一定值,学习过程结束,生成的神经网络即可被用来对真实数据进行分类。
模糊神经网络
模糊神经网络就是模糊理论同神经网络相结合的产物,它汇集了神经网络与模糊理论的优点,集学习、联想、识别、信息处理于一体。模糊逻辑控制、神经网络与专家控制是三种典型的智能控制方法。通常专家系统建立在专家经验上,并非建立在工业过程所产生的操作数据上,且一般复杂系统所具有的不精确性、不确定性就算领域专家也很难把握,这使建立专家系统非常困难。而模糊逻辑和神经网络作为两种典型的智能控制方法,模糊逻辑与神经网络的融合———模糊神经网络(Fuzzy Neural Network)吸取了模糊逻辑和神经网络的优点,部分避免了两者的缺点。
发明内容
本发明为克服上述现有技术中危险品运输预警系统预警因素单一,预警不准确,缺少联动处理的缺陷,提供一种基于模糊神经网络的危化品运输预警系统。
本发明旨在至少在一定程度上解决上述技术问题。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
一种基于模糊神经网络的危化品运输预警系统,所述系统包括:信息采集模块、车载终端、云端服务器、多级联动处理平台;
所述信息采集模块用于采集预警指标并将预警指标分别发送至车载终端;
所述信息采集模块包括有:胎压监测单元、危险品状态采集单元、路面信息采集系统;
所述胎压监测单元用于检测汽车轮胎的气压和温度;
所述危险品状态采集单元用于采集危险品的压力、温度、液位;
所述路面信息采集系统用于采集路面信息,所述路面信息包括有路面材质、路面的倾角及转弯角度、道路拥堵状态;
所述车载终端包括有单因素预警模块、多因素预警模块、通信模块、人机交互模块;
所述单因素预警模块和多因素预警模块用于接收信息采集模块所采集的预警指标,对输入的预警指标进行预警判断并输出预警信息至通信模块;
其中所述单因素预警模块用于对信息采集模块所采集的每一项预警指标进行单一预警判断;
所述多因素预警模块用于对信息采集模块所采集的预警指标进行综合预警判断;
所述通信模块将单因素预警模块和多因素预警模块输出的预警信息发送至云端服务器;
所述云端服务器根据预警信息进行分类和分级处理后发送至多级联动平台;
所述多级联动处理平台根据预警的级别指令已接入危化品运输预警系统的机构处理警情。
进一步地,所述危险品采集单元包括有:危险品压力传感器、危险品温度传感器、危险品液位传感器、Zigbee RF模块、按键、指示电路,所述危险品压力传感器、危险品温度传感器、危险品液位传感器分别通过传感器接口与Zigbee RF模块电连接;所述按键、指示电路、分别连接至ZigbeeRF模块。
进一步地,所述危险品采集单元还包括有电源模块,所述电源模块分别给所述危险品压力传感器、危险品温度传感器、危险品液位传感器、Zigbee RF模块供电。
进一步地,所述单因素预警模块输入的预警指标有危险品的压力、危险品的温度、危险品的液位、汽车胎压、车速、路面材质、路面的倾角及转弯角度、道路拥堵状态;所述单因素预警模块预设有所有预警指标的预警阈值,当任一预警指标大于预设的预警阈值则触发预警。所述路面信息采集系统通过高清摄像头获取路面的材质信息,通过GPS导航模块获取路面转弯角度和道路拥堵状态信息,通过陀螺仪传感器获取车辆当前倾角,将获取的车辆倾角作为当前路面的倾角。
进一步地,多级联动处理平台根据预警的级别指令对应的部门,所述部门包括有:消防部门、公安部门、专家平台、政府部门。
进一步地,所述多因素预警模块输入的预警指标有危险品的压力、危险品的温度、危险品的液位、汽车胎压、车速。
进一步地,所述多因素预警模块内嵌有模糊神经网络模型,所述模糊神经网络模型用于多因素综合预警,所述模糊神经网络模型从模糊化层到输出预警共五层,
其中,前四层构成模糊神经网络的前件网络,第五层构成模糊神经网络的后件网络,第k层第j个节点的输出记为ok,j,利用模糊神经网络模型进行多因素预警的步骤如下:
S1:在模糊神经网络第一层计算输入预警指标的模糊隶属度:汽车每行驶固定的距离所述信息采集模块采集一次预警指标数据,汽车胎压记为x1,车速记为x2,危险品的压力、危险品的温度、危险品的液位分别记为x3、x4、x5,将上述x1至x5作为模糊神经网络模型的输入;将高斯隶属函数作为所述预警指标x1至x5的隶属度函数,所述高斯隶属函数如下:
其中,xn表示预警指标,ci为高斯函数中心,σi表示高斯函数的宽度,i表示的是输入预警指标的模糊隶属度函数下标;将预警指标x1至x5分别n个级别,i的取值为1到n的正整数;第一层的各节点输出结果表示为:
S2:在模糊神经网络第二层计算每条模糊规则的激励强度,所述模糊神经网络第二层共有3*3*3*3*3=243个节点,其中每个预警指标包含有三个节点,每个节点对应一条模糊规则,则在模糊神经网络第二层的第j个节点的输出表示为:
所述第j个节点的输出也表示第j条规则的适用度,uj表示第j条规则的适用度;
其中j=1,2,...,243;
S4:在模糊神经网络第四层计算每条模糊规则的输出,第j条模糊规则的后向结论是yj,则模糊规则的输出层第j个节点的输出可以表示如下:
其中,xnj表示五维预警指标,其中n的取值为1到5的正整数,j的取值为1到243的正整数;ajn为模糊神经网络第四层节点的参数集,其中n的取值为0到5的正整数,j的取值为1到243的正整数,ajn称为后件参数;
S5:模糊神经网络第五层计算模糊神经网络上有且仅有一个节点的所有输入数据的总输出;
S6:将模糊神经网络的总输出与预设的预警标准进行比较后输出预警信息。
进一步地,若模糊神经网络的总输出大于预设的预警标准则触发车载终端发出告警信号同时输出预警信息至多级联动处理平台;若模糊神经网络的总输出小于或等于预设的预警标准则舍弃本次模糊神经网络的总输出。
与现有技术相比,本发明技术方案的有益效果是:
本发明通过信息采集模块对多维的预警指标信息的采集克服了预测因素的单一的缺点;通过模糊神经网络对多因素进行预警提高了预警的精确度;通过多级联动平台接入处理机构使得预警后能及时得到及时介入处理提高了预警处理的及时性。
附图说明
图1为预警系统架构图。
图2为危险品采集单元的原理图。
图3为模糊神经网络模型进行多因素预警流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种基于模糊神经网络的危化品运输预警系统,所述系统包括:信息采集模块、车载终端、云端服务器、多级联动处理平台;
所述信息采集模块用于采集预警指标并将预警指标分别发送至车载终端;
所述信息采集模块包括有:胎压监测单元、危险品状态采集单元、路面信息采集系统;
所述胎压监测单元用于检测汽车轮胎的气压和温度;
所述危险品状态采集单元用于采集危险品的压力、温度、液位;
所述危险品采集单元包括有:危险品压力传感器、危险品温度传感器、危险品液位传感器、Zigbee RF模块、按键、指示电路,所述危险品压力传感器、危险品温度传感器、危险品液位传感器分别通过传感器接口与Zigbee RF模块电连接;所述按键、指示电路、分别连接至Zigbee RF模块。所述危险品采集单元还包括有电源模块,所述电源模块分别给所述危险品压力传感器、危险品温度传感器、危险品液位传感器、Zigbee RF模块供电。
所述路面信息采集系统用于采集路面信息,所述路面信息包括有路面材质、路面的倾角及转弯角度、道路拥堵状态;
所述车载终端包括有单因素预警模块、多因素预警模块、通信模块、人机交互模块;
所述单因素预警模块和多因素预警模块用于接收信息采集模块所采集的预警指标,对输入的预警指标进行预警判断并输出预警信息至通信模块;
其中所述单因素预警模块用于对信息采集模块所采集的每一项预警指标进行单一预警判断;
所述多因素预警模块用于对信息采集模块所采集的预警指标进行综合预警判断;
所述通信模块将单因素预警模块和多因素预警模块输出的预警信息发送至云端服务器;
所述单因素预警模块输入的预警指标有危险品的压力、危险品的温度、危险品的液位、汽车胎压、车速、路面材质、路面的倾角及转弯角度、道路拥堵状态;所述单因素预警模块预设有所有预警指标的预警阈值,当任一预警指标大于预设的预警阈值则触发预警。
所述路面信息采集系统通过高清摄像头获取路面的材质信息,通过GPS导航模块获取路面转弯角度和道路拥堵状态信息,通过陀螺仪传感器获取车辆当前倾角,将获取的车辆倾角作为当前路面的倾角。
所述多因素预警模块输入的预警指标有危险品的压力、危险品的温度、危险品的液位、汽车胎压、车速。采用多因素综合预警可以克服单一因素预警时的缺陷,在实际的危险品运输中,当单因素的压力值正常时,而车速较高超过设定值,同时温度也较高超过设定值,尽管压力值正常,但此时在高速高温下却极易发生爆炸等危险事故。
所述多因素预警模块内嵌有模糊神经网络模型,所述模糊神经网络模型用于多因素综合预警,所述模糊神经网络模型从模糊化层到输出预警共五层,
其中,前四层构成模糊神经网络的前件网络,第五层构成模糊神经网络的后件网络,第k层第j个节点的输出记为ok,j,利用模糊神经网络模型进行多因素预警的步骤如下:
S1:在模糊神经网络第一层计算输入预警指标的模糊隶属度:汽车每行驶固定的距离所述信息采集模块采集一次预警指标数据,汽车胎压记为x1,车速记为x2,危险品的压力、危险品的温度、危险品的液位分别记为x3、x4、x5,将上述x1至x5作为模糊神经网络模型的输入;将高斯隶属函数作为所述预警指标x1至x5的隶属度函数,所述高斯隶属函数如下:
其中,xn表示预警指标,ci为高斯函数中心,σi表示高斯函数的宽度,i表示的是输入预警指标的模糊隶属度函数下标;将预警指标x1至x5分别n个级别,i的取值为1到n的正整数;第一层的各节点输出结果表示为:
S2:在模糊神经网络第二层计算每条模糊规则的激励强度,所述模糊神经网络第二层共有3*3*3*3*3=243个节点,其中每个预警指标包含有三个节点,每个节点对应一条模糊规则,则在模糊神经网络第二层的第j个节点的输出表示为:
所述第j个节点的输出也表示第j条规则的适用度,uj表示第j条规则的适用度;
其中j=1,2,...,243;
S4:在模糊神经网络第四层计算每条模糊规则的输出,第j条模糊规则的后向结论是yj,则模糊规则的输出层第j个节点的输出可以表示如下:
其中,xnj表示五维预警指标,其中n的取值为1到5的正整数,j的取值为1到243的正整数;ajn为模糊神经网络第四层节点的参数集,其中n的取值为0到5的正整数,j的取值为1到243的正整数,ajn称为后件参数;
S5:模糊神经网络第五层计算模糊神经网络上有且仅有一个节点的所有输入数据的总输出;
S6:将模糊神经网络的总输出与预设的预警标准进行比较后输出预警信息。
若模糊神经网络的总输出大于预设的预警标准则触发车载终端发出告警信号同时输出预警信息至多级联动处理平台;若模糊神经网络的总输出小于或等于预设的预警标准则舍弃本次模糊神经网络的总输出。
所述云端服务器根据预警信息进行分类和分级处理后发送至多级联动平台;
所述多级联动处理平台根据预警的级别指令已接入危化品运输预警系统的机构处理警情。
多级联动处理平台根据预警的级别指令对应的部门,所述部门包括有:消防部门、公安部门、专家平台、政府部门。当对应的部门接收到指令后,快速的做出响应并介入警情的处理或部署救援工作。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于模糊神经网络的危化品运输预警系统,其特征在于,所述系统包括:信息采集模块、车载终端、云端服务器、多级联动处理平台;
所述信息采集模块用于采集预警指标并将预警指标分别发送至车载终端;
所述信息采集模块包括有:胎压监测单元、危险品状态采集单元、路面信息采集系统;
所述胎压监测单元用于检测汽车轮胎的气压和温度;
所述危险品状态采集单元用于采集危险品的压力、温度、液位;
所述路面信息采集系统用于采集路面信息,所述路面信息包括有路面材质、路面的倾角及转弯角度、道路拥堵状态;
所述车载终端包括有单因素预警模块、多因素预警模块、通信模块、人机交互模块;
所述单因素预警模块和多因素预警模块用于接收信息采集模块所采集的预警指标,对输入的预警指标进行预警判断并输出预警信息至通信模块;其中所述单因素预警模块用于对信息采集模块所采集的每一项预警指标进行单一预警判断;所述多因素预警模块用于对信息采集模块所采集的预警指标进行综合预警判断;
所述通信模块将单因素预警模块和多因素预警模块输出的预警信息发送至云端服务器;
所述云端服务器根据预警信息进行分类和分级处理后发送至多级联动平台;
所述多级联动处理平台根据预警的级别指令已接入危化品运输预警系统的机构处理警情;
所述多因素预警模块内嵌有模糊神经网络模型,所述模糊神经网络模型用于多因素综合预警,所述模糊神经网络模型从模糊化层到输出预警共五层,
其中,前四层构成模糊神经网络的前件网络,第五层构成模糊神经网络的后件网络,第k层第j个节点的输出记为ok,j,利用模糊神经网络模型进行多因素预警的步骤如下:
S1:在模糊神经网络第一层计算输入预警指标的模糊隶属度:汽车每行驶固定的距离所述信息采集模块采集一次预警指标数据,汽车胎压记为x1,车速记为x2,危险品的压力、危险品的温度、危险品的液位分别记为x3、x4、x5,将上述x1至x5作为模糊神经网络模型的输入;将高斯隶属函数作为所述预警指标x1至x5的隶属度函数,所述高斯隶属函数如下:
其中,xn表示预警指标,ci为高斯函数中心,σi表示高斯函数的宽度,i表示的是输入预警指标的模糊隶属度函数下标;将预警指标x1至x5分别n个级别,i的取值为1到n的正整数;第一层的各节点输出结果表示为:
S2:在模糊神经网络第二层计算每条模糊规则的激励强度,所述模糊神经网络第二层共有3*3*3*3*3=243个节点,其中每个预警指标包含有三个节点,每个节点对应一条模糊规则,则在模糊神经网络第二层的第j个节点的输出表示为:
所述第j个节点的输出也表示第j条规则的适用度,uj表示第j条规则的适用度;
其中j=1,2,...,243;
S4:在模糊神经网络第四层计算每条模糊规则的输出,第j条模糊规则的后向结论是yj,则模糊规则的输出层第j个节点的输出可以表示如下:
其中,xnj表示五维预警指标,其中n的取值为1到5的正整数,j的取值为1到243的正整数;ajn为模糊神经网络第四层节点的参数集,其中n的取值为0到5的正整数,j的取值为1到243的正整数,ajn称为后件参数;
S5:模糊神经网络第五层计算模糊神经网络上有且仅有一个节点的所有输入数据的总输出;
S6:将模糊神经网络的总输出与预设的预警标准进行比较后输出预警信息。
2.根据权利要求1所述的一种基于模糊神经网络的危化品运输预警系统,其特征在于,所述危险品采集单元包括有:危险品压力传感器、危险品温度传感器、危险品液位传感器、Zigbee RF模块、按键、指示电路,所述危险品压力传感器、危险品温度传感器、危险品液位传感器分别通过传感器接口与Zigbee RF模块电连接;所述按键、指示电路、分别连接至Zigbee RF模块。
3.根据权利要求1所述的一种基于模糊神经网络的危化品运输预警系统,其特征在于,所述危险品采集单元还包括有电源模块,所述电源模块分别给所述危险品压力传感器、危险品温度传感器、危险品液位传感器、Zigbee RF模块供电。
4.根据权利要求1所述的一种基于模糊神经网络的危化品运输预警系统,其特征在于,所述单因素预警模块输入的预警指标有危险品的压力、危险品的温度、危险品的液位、汽车胎压、车速、路面材质、路面的倾角及转弯角度、道路拥堵状态;所述单因素预警模块预设有所有预警指标的预警阈值,当任一预警指标大于预设的预警阈值则触发预警。
5.根据权利要求1所述的一种基于模糊神经网络的危化品运输预警系统,其特征在于,多级联动处理平台根据预警的级别指令对应的部门,所述部门包括有:专家平台、政府部门。
6.根据权利要求1所述的一种基于模糊神经网络的危化品运输预警系统,其特征在于,所述多因素预警模块输入的预警指标有危险品的压力、危险品的温度、危险品的液位、汽车胎压、车速。
7.根据权利要求1所述的一种基于模糊神经网络的危化品运输预警系统,其特征在于,若模糊神经网络的总输出大于预设的预警标准则触发车载终端发出告警信号同时输出预警信息至多级联动处理平台;若模糊神经网络的总输出小于或等于预设的预警标准则舍弃本次模糊神经网络的总输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910127561.0A CN109799700B (zh) | 2019-02-20 | 2019-02-20 | 一种基于模糊神经网络的危化品运输预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910127561.0A CN109799700B (zh) | 2019-02-20 | 2019-02-20 | 一种基于模糊神经网络的危化品运输预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109799700A CN109799700A (zh) | 2019-05-24 |
CN109799700B true CN109799700B (zh) | 2022-02-22 |
Family
ID=66562183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910127561.0A Active CN109799700B (zh) | 2019-02-20 | 2019-02-20 | 一种基于模糊神经网络的危化品运输预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109799700B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782012A (zh) * | 2019-10-21 | 2020-02-11 | 衢州学院 | 一种危化品车辆运输状态自学习预警模型的搭建方法 |
CN111985874A (zh) * | 2020-08-21 | 2020-11-24 | 重庆电子工程职业学院 | 危险品运输管理系统及方法 |
CN112857658B (zh) * | 2021-01-13 | 2022-06-07 | 淮阴工学院 | 一种基于云平台的压力检测系统 |
CN113505925B (zh) * | 2021-07-09 | 2022-07-15 | 重庆邮电大学 | 一种基于anfis的实验室危险化学品异常信息预警方法 |
CN113721529A (zh) * | 2021-09-03 | 2021-11-30 | 成都理工大学 | 一种基于fpga的数据采集系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001006249A3 (en) * | 1999-07-02 | 2002-05-30 | Conceptual Mindworks Inc | Organic semiconductor recognition complex and system |
CN102620980A (zh) * | 2012-02-14 | 2012-08-01 | 天津理工大学 | 一种利用神经网络预报板材成形性能的方法 |
CN103458236A (zh) * | 2013-09-18 | 2013-12-18 | 张家港美核电子科技有限公司 | 危化品物流智能监控系统 |
JP2016014074A (ja) * | 2014-06-19 | 2016-01-28 | 国立研究開発法人物質・材料研究機構 | プログラム可能なナノロボットに添付されたセンサ、分子機械及びコントローラ |
US9395294B2 (en) * | 2012-09-14 | 2016-07-19 | Halliburton Energy Services, Inc. | Systems and methods for monitoring chemical processes |
CN107993039A (zh) * | 2017-11-30 | 2018-05-04 | 重庆第二师范学院 | 一种基于物联网的危化品在途监控与事故应急救援方法 |
-
2019
- 2019-02-20 CN CN201910127561.0A patent/CN109799700B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001006249A3 (en) * | 1999-07-02 | 2002-05-30 | Conceptual Mindworks Inc | Organic semiconductor recognition complex and system |
CN102620980A (zh) * | 2012-02-14 | 2012-08-01 | 天津理工大学 | 一种利用神经网络预报板材成形性能的方法 |
US9395294B2 (en) * | 2012-09-14 | 2016-07-19 | Halliburton Energy Services, Inc. | Systems and methods for monitoring chemical processes |
CN103458236A (zh) * | 2013-09-18 | 2013-12-18 | 张家港美核电子科技有限公司 | 危化品物流智能监控系统 |
JP2016014074A (ja) * | 2014-06-19 | 2016-01-28 | 国立研究開発法人物質・材料研究機構 | プログラム可能なナノロボットに添付されたセンサ、分子機械及びコントローラ |
CN107993039A (zh) * | 2017-11-30 | 2018-05-04 | 重庆第二师范学院 | 一种基于物联网的危化品在途监控与事故应急救援方法 |
Non-Patent Citations (3)
Title |
---|
The Effects of Thermal Conductivity of Porous Layer on Chemical Reaction and Transport Processes in A SOFC Anode Duct;Guogang Yang;《201O International Conference on Advances in Energy Engineering》;20100630;全文 * |
基于Zigbee 技术的危化品车辆监测无线传感网络设计;王龙;《化学工程与装备》;20160531;全文 * |
基于物联网云计算的危化品物流监控预警平台设计;赵倩;《中国优秀硕士学位论文全文数据库•信息科技辑》;20151015;正文第20-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109799700A (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109799700B (zh) | 一种基于模糊神经网络的危化品运输预警系统 | |
EP3278317B1 (en) | Method and electronic device | |
Quek et al. | POP-TRAFFIC: A novel fuzzy neural approach to road traffic analysis and prediction | |
CN109214107A (zh) | 一种船舶航行行为在线预测方法 | |
Johansson et al. | Detection of vessel anomalies-a Bayesian network approach | |
CN107180070A (zh) | 一种风险信息自动分类、识别与预警方法及系统 | |
Qu et al. | Moving vehicle detection with convolutional networks in UAV videos | |
JP7464236B2 (ja) | 複雑ネットワークによる自動運転車の複雑環境モデル、認知システム及び認知方法 | |
CN110782670A (zh) | 基于数据融合的场景还原方法、车辆云平台及存储介质 | |
CN113742163A (zh) | 一种故障预警方法、装置、设备及存储介质 | |
CN109532831B (zh) | 一种车辆速度控制方法及其相关装置 | |
Arefnezhad et al. | Modeling of double lane change maneuver of vehicles | |
CN112149618A (zh) | 适用于巡检车的行人异常行为检测方法与装置 | |
Jeong et al. | Driving Scene Understanding Using Hybrid Deep Neural Network | |
Tami et al. | Machine learning method to ensure robust decision-making of AVs | |
Jose et al. | A New approach for accurate path Prediction using multiple Prediction system | |
Hernandez-Hernandez et al. | Multilayer fuzzy extreme learning machine applied to active classification and transport of objects using an unmanned aerial vehicle | |
Souza et al. | Vision and GPS-based autonomous vehicle navigation using templates and artificial neural networks | |
Sunny et al. | Evaluation and development of a self-ruling internal control system for preventing car accidents using artificial neural network | |
Kress et al. | Start intention detection of cyclists using an LSTM network | |
Maligalig et al. | Machine Vision System of Emergency Vehicle Detection System Using Deep Transfer Learning | |
Roohullah et al. | Accident detection in autonomous vehicles using modified restricted Boltzmann machine | |
Uzun et al. | Deep learning based garbage detection for autonomous garbage collection vehicles | |
Ahmad et al. | Vehicle Recognition using Multi-Layer Perceptron and SMOTE Technique | |
Noor et al. | Visualization of crime data using self-organizing map (som) and improvement in som: A review and available tools |
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 |