CN110910615A - 一种楼宇火警报警分类方法及系统 - Google Patents
一种楼宇火警报警分类方法及系统 Download PDFInfo
- Publication number
- CN110910615A CN110910615A CN201911154125.9A CN201911154125A CN110910615A CN 110910615 A CN110910615 A CN 110910615A CN 201911154125 A CN201911154125 A CN 201911154125A CN 110910615 A CN110910615 A CN 110910615A
- Authority
- CN
- China
- Prior art keywords
- alarm
- fire alarm
- fire
- classification
- building
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了一种楼宇火警报警分类方法及系统,包括以下步骤:S1、实时获取待分类火警警报的报警设备、报警时间和报警地点,并采集火警系统中火警警报的日志数据;S2、结合所得报警时间和地点,对日志数据中的该警报设备的关联数据进行统计,得到该火警警报的特征;S3、对所得火警警报特征进行标准化,并输入到预训练好的楼宇火警报警分类模型中,将该火警警报分为类火警警报和故障报警。通过以上步骤,可以快速判断火警警报的类型,从而在消防条件有限的情况下,使火警系统的管理人员可以根据火警警报的类别确定火警警报处理的优先级,优先处理类火警警报,分类速度较快,能够快速降低火警的误报率,可以帮助管理人员合理调配有限的消防资源。
Description
技术领域
本发明属于火警报警数据分析技术领域,更具体地,涉及一种楼宇火警报警分类方法及系统。
背景技术
火灾探测器是防火监控系统中的重要组成部分,然而在火警报警中,火灾探测器往往存在着大量的误报警,误报率较高。为了解决火灾探测器的误报率较高的问题,国内外的学者对如何降低探测器的误报率进行了相关的研究工作,所采用的技术手段主要可分为两类:一类将火灾烟雾与其他火灾特征参量(气体、温度、视频监控等)相结合的复合火灾特征参数的探测器;另一类是通过分析火灾烟雾和非火灾气溶胶的粒径分布特征,通过三段式探测器来排除非火灾气溶胶导致的误报。然而两类方式改善火灾误报率的方式,都大大地增大了实际的应用成本,应用并不广泛。
通过对火警报警产生的原因进行分析,发现引起火警报警的因素主要有以下几个方面:(1)火灾;(2)非火灾气体颗粒物因素;(3)环境因素;(4)人为因素;(5)产品方面的因素(设计质量和制造质量);(6)设备老化、灰尘积累等元素。其中,第(1)类因素引发的火灾为真火灾,需要及时处理;第(2)、(3)、(4)类因素引发的火警报警往往是由于不可控的偶然因素导致,发生率较高,可能不构成火灾,但是也可能存在一定的危害性,不能忽视,同样需要及时处理;而第(5)、(6)类因素引发的火灾是由于设备故障导致的,属于干扰报警,应当予以排除,并且让设备商对出现误报的报警器进行详细的排查并检修。因此,需要对楼宇火警报警进行分类,将确实存在误报警的火警报警进行排除,提高误报率。
目前常用的楼宇火警报警分类方法主要是通过值班人员去现场一一确认,对真实火警和非火警进行人为辨认,这种方法的准确性较高,但是会大大加剧值班人员的工作量和企业的维保成本,同时也会不断消耗有限的消防救援资源。并且当火警报警较多,消防条件有限的情况下,值班人员无法同时对多个火警报警进行辨认,无法判断哪个报警最有可能是真火警,需要优先处理,哪个可能是火警误报,可以延后处理,反应速度较慢,无法快速降低火警的误报率。
综上所述,提供一种快速降低火警误报率的楼宇火警报警分类方法及系统是亟待解决的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种楼宇火警报警分类方法及系统,其目的在于解决现有方法由于需要通过人工对火警报警现场进行一一确认而导致的无法快速降低火警的误报率的问题。
为实现上述目的,一方面,本发明提供了一种楼宇火警报警分类方法,包括以下步骤:
S1、实时获取待分类火警警报的报警设备、报警时间和报警地点,并采集火警系统中火警警报的日志数据;
S2、结合所得报警时间和地点,对日志数据中的该警报设备的关联数据进行统计,得到该火警警报的特征;
S3、对所得火警警报特征进行标准化,并输入到预训练好的楼宇火警报警分类模型中,将该火警警报分为类火警警报和故障报警;其中,类火警报警包括真火警报警和因其他环境因素触发的误报警,故障报警是由于报警设备故障而产生的误报警。
进一步优选地,上述火警警报特征包括预设时间段内的该火警警报的报警设备的报警次数、同楼层其他报警设备的报警次数、相邻楼层的报警次数、预设时间段内的该火警警报的报警设备的误报次数和设备隐患次数。
进一步优选地,步骤S3中对楼宇火警报警分类模型进行预训练的方法包括以下步骤:
S31、采集火警系统中类火警报警和故障报警的历史日志数据;
S32、分别对类火警报警历史日志数据中各个类火警报警设备的关联数据进行统计,得到类火警警报特征集,其对应的标签记为“+1”,共同构成正样本集;
S33、对故障报警历史日志数据中各个故障报警设备的关联数据进行统计,得到故障报警警报特征集,其对应的标签记为“-1”,共同构成负样本集;
S34、对所得正、负样本集中的各个警报特征进行标准化,并输入到SVDD模型中进行训练,得到预训练好的楼宇火警报警分类模型;所得楼宇火警报警分类模型精确度较高,计算速度较快。
进一步优选的,对警报特征X标准化处理为:
其中,X*为标准化处理后的报警特征,μ为正、负样本集中该警报特征的均值,σ为正、负样本集中该警报特征的标准差,使处理后的样本数据符合标准正态分布,以消除不同维度的特征在量纲和幅值上的差异。
进一步优选地,当故障报警日志数据更新时,根据上述对楼宇火警报警分类模型进行预训练的方法重新训练并更新楼宇火警报警分类模型。
进一步优选地,火警系统的管理人员根据火警警报的类别确定火警警报处理的优先级,优先处理类火警警报。
另一方面,本发明提供了一种楼宇火警报警分类系统,包括火警警报信息采集模块、火警警报特征提取模块、火警警报分类模块;
其中,火警警报信息采集模块的输出端与火警警报特征提取模块的输入端相连,火警警报特征提取模块的输出端与火警警报分类模块的输入端相连;
火警警报信息采集模块用于实时获取待分类火警警报的报警设备、报警时间和报警地点,并采集火警系统中火警警报的日志数据;
火警警报特征提取模块用于结合所得报警时间和地点,对日志数据中的该警报设备的关联数据进行统计,得到该火警警报的特征;
火警警报分类模块用于训练并保存楼宇火警报警分类模型,并对所得火警警报特征进行标准化,输入到该预训练好的楼宇火警报警分类模型中,将该火警警报分为类火警警报和故障报警。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列下列有益效果:
1、本发明提出了一种楼宇火警报警分类方法,通过训练得到的楼宇火警报警分类模型,对实时采集的火警警报信息进行分类,可以快速判断火警警报的类型,将该火警警报分为类火警警报和故障报警,从而在消防条件有限的情况下,使火警系统的管理人员可以根据火警警报的类别确定火警警报处理的优先级,优先处理由于不可控的偶然因素导致的类火警警报,分类速度较快,更加智能,能够快速降低火警的误报率。
2、本发明所提出楼宇火警报警分类方法,通过对SVDD模型进行训练得到楼宇火警报警分类模型,所得楼宇火警报警分类模型可以更好地将因偶然因素导致的火警报警的数据特征用超球体平面来描述,排除少数离群点的干扰,精确度较高;同时提供了直观的数据描述,借助于核函数技巧,可以很方便在高维特征空间中进行求解,计算速度较快。
3、本发明所提出楼宇火警报警分类方法,通过探究火警报警的原因,将火警报警分为类火警警报和故障报警,一方面可以有效地提高楼宇中火灾控制室工作人员的工作效率,优先处理由于不可控的偶然因素导致的类火警误报,也可以更有效地尽早确认真实火情,帮助楼宇管理人员合理调配有限的消防资源;另一方面也可以监控探测器设备的实时运行状态,可以有效降低企业提高维保人员的工作量,有效降低企业的维护成本。
4、本发明所提出楼宇火警报警分类方法,不仅可以对实时火警进行分类,同时可以监测火警探测器的运行情况,从而更加精确地得到火警探测器的是否发生故障以及是否发生老化、灰尘沉积等问题,降低企业维保人员的排查难度,有效降低企业维保的成本。
5、本发明所提出的楼宇火警分类方法,通过对目前类火警误报的数据进行分析,可以有效帮助下一代火灾探测器环境灵敏度的迭代,同时也可以有效地改善火灾控制系统的工程设计,为火灾探测器的配置位置以及不同场所的选型提供帮助。
附图说明
图1是本发明所提供的一种楼宇火警报警分类方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。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。
为实现上述目的,一方面,本发明提供了一种楼宇火警报警分类方法,如图1所示,包括以下步骤:
S1、实时获取待分类火警警报的报警设备、报警时间和报警地点,并采集火警系统中火警警报的日志数据;
S2、结合所得报警时间和地点,对日志数据中的该警报设备的关联数据进行统计,得到该火警警报的特征;
具体的,上述火警警报特征包括预设时间段内的该火警警报的报警设备的报警次数、同楼层其他报警设备的报警次数、相邻楼层的报警次数、预设时间段内的该火警警报的报警设备的误报次数和设备隐患次数。其中,同楼层其他报警设备的报警次数和相邻楼层的报警次数特征可以用来排除环境因素和非火灾颗粒物的因素造成的影响。本实施例中,报警日志中的“设备/建筑物名称”一栏包含了楼栋编号、单元编号、楼层、报警传感器的类型、回路号以及设备号等信息,基于正则表达式,结合所得报警时间和地点对日志数据中的该警报设备的关联数据进行统计,得到该火警警报的特征为:报警时间之前五分钟内该火警警报的报警设备的报警次数、报警时间之前五分钟内同楼层其他报警设备的报警次数、报警时间之前五分钟内相邻楼层的报警次数、报警时间之前一个小时内该火警警报的报警设备的报警次数、报警时间之前一个小时内同楼层其他报警设备的报警次数、报警时间之前一个小时内相邻楼层的报警次数、报警时间之前一个月内该火警警报的报警设备误报次数和设备隐患次数。
S3、对所得火警警报特征进行标准化,并输入到预训练好的楼宇火警报警分类模型中,将该火警警报分为类火警警报和故障报警;
具体的,火警系统的管理人员根据火警警报的类别确定火警警报处理的优先级,优先处理类火警警报。火警警报类别包括类火警报警和故障报警,由于火灾、非火灾气体颗粒物因素、环境因素和人为因素发生的火警报警,被称为类火警,由于产品方面的因素(如设计质量、制造质量等)、设备老化、灰尘积累等报警设备故障而引发的报警,称为故障报警。其中,类火警报警中包括真火警报警和因其他环境因素触发的误报警,由于在真实场景下,火警报警中真火警的概率较低,大部分是误报警,但是与真火警一样,因其他环境因素触发的误报警同样存在一定的危害,相比于故障报警,应该优先处理。
具体的,对警报特征X标准化处理为:
其中,X*为标准化处理后的报警特征,μ为正、负样本集中该警报特征的均值,σ为正、负样本集中该警报特征的标准差,使处理后的样本数据符合标准正态分布,以消除不同维度的特征在量纲和幅值上的差异。
具体的,步骤S3中对楼宇火警报警分类模型进行预训练的方法包括以下步骤:
S31、采集火警系统中类火警报警和故障报警的历史日志数据;
S32、分别对类火警报警历史日志数据中各个类火警报警设备的关联数据进行统计,得到类火警警报特征集,其对应的标签记为+1,共同构成正样本集;
S33、对故障报警历史日志数据中各个故障报警设备的关联数据进行统计,得到故障报警警报特征集,其对应的标签记为-1,共同构成负样本集;
S34、对所得正、负样本集中的各个警报特征进行标准化,并输入到SVDD模型中进行训练,得到预训练好的楼宇火警报警分类模型。
具体的,SVDD模型通过对正、负样本集进行学习,对样本数据进行非线性映射,将样本数据映射到高维的特征空间中,在该特征空间中找到一个包围类火警报警的正样本的超球体,并最小化该超球体让正样本尽可能地包围在超球体中,而负样本尽可能排除在超球体外,从而达到分类的目的。具体的,SVDD模型的目标函数为:
s.t.||φ(xi)-a||2≤R2+ξi,ξi≥0
||φ(xl)-a||2≥R2-ξl,ξl≥0
其中,R为超球体半径,为超球体球心,ξi和ξl为松弛变量,分别用于松弛所有正样本都应落在球内的约束而允许部分正样本落在球体外和松弛所有负样本都应落在球外的约束而允许部分负样本落在球体内,C1和C2为正则化因子,权衡目标类错分率与超球体体积,xi为第i个正样本,xl为第l个负样本。
引入非负Lagrange乘子构建Lagrange函数:
令L对R、a、ξi和ξl的偏导数为0,并将结果带回到Lagrange函数中,并将内积采用核函数代替,进行求解。分别将标准化后的正、负样本集中的各个警报特征输入到SVDD模型中进行训练,得到最优超球体半径R和最优超球体球心a的值。当采用预训练好的楼宇火警报警分类模型进行分类时,计算标准化后的火警警报特征到最优超球体球心的距离是否小于最优超球体半径R,若小于最优超球体半径R,则判断为类火警报警,若大于等于最优超球体半径R,则判断为故障报警。
SVDD模型可以更好地将因偶然因素导致的火警报警的数据特征用超球体平面来描述,排除少数离群点的干扰,精确度较高;同时SVDD提供了直观的数据描述,借助于核函数技巧,可以方便在高维特征空间中进行求解,速度较快。
进一步的,当故障报警日志数据更新时,根据上述对楼宇火警报警分类模型进行预训练的方法重新训练并更新楼宇火警报警分类模型。
另一方面,本发明提供了一种楼宇火警报警分类系统,包括火警警报信息采集模块、火警警报特征提取模块、火警警报分类模块;
其中,火警警报信息采集模块的输出端与火警警报特征提取模块的输入端相连,火警警报特征提取模块的输出端与火警警报分类模块的输入端相连;
火警警报信息采集模块用于实时获取待分类火警警报的报警设备、报警时间和报警地点,并采集火警系统中火警警报的日志数据;
火警警报特征提取模块用于结合所得报警时间和地点,对日志数据中的该警报设备的关联数据进行统计,得到该火警警报的特征;
火警警报分类模块用于训练并保存楼宇火警报警分类模型,并对所得火警警报特征进行标准化,输入到该预训练好的楼宇火警报警分类模型中,将该火警警报分为类火警警报和故障报警。
本发明提出了一种楼宇火警报警分类方法及系统,通过训练得到的楼宇火警报警分类模型,对实时采集的火警警报信息进行分类,可以快速判断火警警报的类型,从而在消防条件有限的情况下,使火警系统的管理人员可以根据火警警报的类别确定火警警报处理的优先级,优先处理类火警警报,分类速度较快,更加智能,能够快速降低火警的误报率,可以帮助楼宇管理人员合理调配有限的消防资源。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (7)
1.一种楼宇火警报警分类方法,其特征在于,包括以下步骤:
S1、实时获取待分类火警警报的报警设备、报警时间和报警地点,并采集火警系统中火警警报的日志数据;
S2、结合所得报警时间和地点,对日志数据中的该警报设备的关联数据进行统计,得到该火警警报的特征;
S3、对所得火警警报特征进行标准化,并输入到预训练好的楼宇火警报警分类模型中,将该火警警报分为类火警警报和故障报警;其中,火警警报类别包括类火警报警和故障报警,类火警报警包括真火警报警和因环境因素触发的误报警,故障报警是由于报警设备故障而产生的误报警。
2.根据权利要求1所述的楼宇火警报警分类方法,其特征在于,所述火警警报特征包括预设时间段内的该火警警报的报警设备的报警次数、同楼层其他报警设备的报警次数、相邻楼层的报警次数、预设时间段内的该火警警报的报警设备的误报次数和设备隐患次数。
3.根据权利要求1所述的楼宇火警报警分类方法,其特征在于,步骤S3中对楼宇火警报警分类模型进行预训练的方法包括以下步骤:
S31、采集火警系统中类火警报警和故障报警的历史日志数据;
S32、分别对类火警报警历史日志数据中各个类火警报警设备的关联数据进行统计,得到类火警警报特征集,其对应的标签记为+1,共同构成正样本集;
S33、对故障报警历史日志数据中各个故障报警设备的关联数据进行统计,得到故障报警警报特征集,其对应的标签记为-1,共同构成负样本集;
S34、对所得正、负样本集中的各个警报特征进行标准化,并输入到SVDD模型中进行训练,得到预训练好的楼宇火警报警分类模型。
5.根据权利要求3所述的楼宇火警报警分类方法,其特征在于,当故障报警日志数据更新时,根据权利要求3所述的方法重新训练并更新楼宇火警报警分类模型。
6.根据权利要求1所述的楼宇火警报警分类方法,其特征在于,火警系统的管理人员根据火警警报的类别确定火警警报处理的优先级,优先处理类火警警报。
7.一种楼宇火警报警分类系统,其特征在于,包括火警警报信息采集模块、火警警报特征提取模块、火警警报分类模块;
所述火警警报信息采集模块的输出端与所述火警警报特征提取模块的输入端相连,所述火警警报特征提取模块的输出端与所述火警警报分类模块的输入端相连;
所述火警警报信息采集模块用于实时获取待分类火警警报的报警设备、报警时间和报警地点,并采集火警系统中火警警报的日志数据;
所述火警警报特征提取模块用于结合所得报警时间和地点,对日志数据中的该警报设备的关联数据进行统计,得到该火警警报的特征;
所述火警警报分类模块用于训练并保存楼宇火警报警分类模型,并对所得火警警报特征进行标准化,输入到该预训练好的楼宇火警报警分类模型中,将该火警警报分为类火警警报和故障报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911154125.9A CN110910615B (zh) | 2019-11-22 | 2019-11-22 | 一种楼宇火警报警分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911154125.9A CN110910615B (zh) | 2019-11-22 | 2019-11-22 | 一种楼宇火警报警分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110910615A true CN110910615A (zh) | 2020-03-24 |
CN110910615B CN110910615B (zh) | 2021-04-06 |
Family
ID=69818695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911154125.9A Active CN110910615B (zh) | 2019-11-22 | 2019-11-22 | 一种楼宇火警报警分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910615B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112466082A (zh) * | 2020-11-12 | 2021-03-09 | 上海意静信息科技有限公司 | 一种基于时间空间与联动关系的人工智能火灾报警分级预警方法 |
CN112634572A (zh) * | 2020-12-07 | 2021-04-09 | 北京中电飞华通信有限公司 | 一种基于烟感温感的火灾预测方法、装置及电子设备 |
CN112738236A (zh) * | 2020-12-29 | 2021-04-30 | 广东粤安科技股份有限公司 | 大厦端智慧消防管理系统及方法 |
CN112804248A (zh) * | 2021-01-28 | 2021-05-14 | 湖南大学 | 一种基于频域特征融合的LDoS攻击检测方法 |
CN113688863A (zh) * | 2021-07-14 | 2021-11-23 | 精英数智科技股份有限公司 | 基于机器学习的矿井传感器报警原因分类方法及装置 |
CN114202907A (zh) * | 2021-11-24 | 2022-03-18 | 华中科技大学 | 一种火灾报警实时分类方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7034701B1 (en) * | 2000-06-16 | 2006-04-25 | The United States Of America As Represented By The Secretary Of The Navy | Identification of fire signatures for shipboard multi-criteria fire detection systems |
CN102257543A (zh) * | 2008-12-19 | 2011-11-23 | 鞍点有限责任两合公司 | 用于火灾早期发现的方法和设备 |
CN106485871A (zh) * | 2015-09-01 | 2017-03-08 | 霍尼韦尔国际公司 | 通过应用统计推断模型来提供误报警的早期预测和预报的系统和方法 |
US9892621B2 (en) * | 2014-07-18 | 2018-02-13 | Google Llc | Systems and methods for intelligent alarming |
CN108009479A (zh) * | 2017-11-14 | 2018-05-08 | 中电数通科技有限公司 | 分布式机器学习系统及其方法 |
CN108230637A (zh) * | 2017-12-29 | 2018-06-29 | 深圳市泛海三江科技发展有限公司 | 一种消防火灾报警方法及系统 |
CN108648403A (zh) * | 2018-05-25 | 2018-10-12 | 杭州拓深科技有限公司 | 一种自学习消防安全预警方法及系统 |
CN109356652A (zh) * | 2018-10-12 | 2019-02-19 | 深圳市翌日科技有限公司 | 一种矿井下自适应的火灾分级预警方法及系统 |
CN109661801A (zh) * | 2016-06-06 | 2019-04-19 | 英特托拉斯技术公司 | 异常检测系统和方法 |
CN110443969A (zh) * | 2018-05-03 | 2019-11-12 | 中移(苏州)软件技术有限公司 | 一种火点检测方法、装置、电子设备及存储介质 |
-
2019
- 2019-11-22 CN CN201911154125.9A patent/CN110910615B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7034701B1 (en) * | 2000-06-16 | 2006-04-25 | The United States Of America As Represented By The Secretary Of The Navy | Identification of fire signatures for shipboard multi-criteria fire detection systems |
CN102257543A (zh) * | 2008-12-19 | 2011-11-23 | 鞍点有限责任两合公司 | 用于火灾早期发现的方法和设备 |
US9892621B2 (en) * | 2014-07-18 | 2018-02-13 | Google Llc | Systems and methods for intelligent alarming |
CN106485871A (zh) * | 2015-09-01 | 2017-03-08 | 霍尼韦尔国际公司 | 通过应用统计推断模型来提供误报警的早期预测和预报的系统和方法 |
CN109661801A (zh) * | 2016-06-06 | 2019-04-19 | 英特托拉斯技术公司 | 异常检测系统和方法 |
CN108009479A (zh) * | 2017-11-14 | 2018-05-08 | 中电数通科技有限公司 | 分布式机器学习系统及其方法 |
CN108230637A (zh) * | 2017-12-29 | 2018-06-29 | 深圳市泛海三江科技发展有限公司 | 一种消防火灾报警方法及系统 |
CN110443969A (zh) * | 2018-05-03 | 2019-11-12 | 中移(苏州)软件技术有限公司 | 一种火点检测方法、装置、电子设备及存储介质 |
CN108648403A (zh) * | 2018-05-25 | 2018-10-12 | 杭州拓深科技有限公司 | 一种自学习消防安全预警方法及系统 |
CN109356652A (zh) * | 2018-10-12 | 2019-02-19 | 深圳市翌日科技有限公司 | 一种矿井下自适应的火灾分级预警方法及系统 |
Non-Patent Citations (5)
Title |
---|
GUSTAVO CAMPS-VALLS: ""MACHINE LEARNING IN REMOTE SENSING DATAPROCESSING"", 《2009 IEEE INTERNATIONAL WORKSHOP ON MACHINE LEARNING FOR SIGNAL PROCESSING》 * |
KEN KOMAKI ET.AL: ""Disaster Detection by Group Learning Using SVDD"", 《2015 INTERNATIONAL TELECOMMUNICATION NETWORKS AND APPLICATIONS CONFERENCE (LTNAC)》 * |
吕银华等: ""基于物联网的智能消防预警系统的实现"", 《消防设备研究》 * |
姚明奇: ""三门核电项目火灾探测器误报警分析"", 《装备应用与研究》 * |
朱明等: ""智能化火灾应急疏散指示指导控制系统软件设计方案研究"", 《消防技术与产品信息》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112466082A (zh) * | 2020-11-12 | 2021-03-09 | 上海意静信息科技有限公司 | 一种基于时间空间与联动关系的人工智能火灾报警分级预警方法 |
CN112634572A (zh) * | 2020-12-07 | 2021-04-09 | 北京中电飞华通信有限公司 | 一种基于烟感温感的火灾预测方法、装置及电子设备 |
CN112738236A (zh) * | 2020-12-29 | 2021-04-30 | 广东粤安科技股份有限公司 | 大厦端智慧消防管理系统及方法 |
CN112804248A (zh) * | 2021-01-28 | 2021-05-14 | 湖南大学 | 一种基于频域特征融合的LDoS攻击检测方法 |
CN112804248B (zh) * | 2021-01-28 | 2022-02-01 | 湖南大学 | 一种基于频域特征融合的LDoS攻击检测方法 |
CN113688863A (zh) * | 2021-07-14 | 2021-11-23 | 精英数智科技股份有限公司 | 基于机器学习的矿井传感器报警原因分类方法及装置 |
CN114202907A (zh) * | 2021-11-24 | 2022-03-18 | 华中科技大学 | 一种火灾报警实时分类方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110910615B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110910615B (zh) | 一种楼宇火警报警分类方法及系统 | |
Harrou et al. | An integrated vision-based approach for efficient human fall detection in a home environment | |
EP3279700B1 (en) | Security inspection centralized management system | |
CN108596028B (zh) | 一种基于视频录像中的异常行为检测算法 | |
CN110889339B (zh) | 基于头肩检测的危险区域分级预警方法与系统 | |
CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
CN108449366B (zh) | 基于人工智能的关键信息基础设施安全威胁情报分析系统 | |
CN113269142A (zh) | 一种检察领域值班人员睡觉行为识别方法 | |
CN107491058B (zh) | 一种工业控制系统序列攻击检测方法及设备 | |
CN116224925B (zh) | 一种智能加工管理系统 | |
CN113344133A (zh) | 一种时序行为异常波动检测方法及系统 | |
CN117035419B (zh) | 企业项目实施智能管理系统及方法 | |
CN111464793A (zh) | 一种基于人工智能对实验装置进行监控预警的方法和系统 | |
CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
CN115562144A (zh) | 一种基于5g技术的重大危险源安全监测预警管理系统 | |
CN110570076A (zh) | 一种危险作业现场检查监督管理系统和方法 | |
CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及系统 | |
CN111598491B (zh) | 一种应用于aoi检测的数据监测方法及电子设备 | |
CN114137302A (zh) | 一种电能计量器具检定全过程监控系统 | |
CN117409347A (zh) | 一种基于esnn的早期火灾检测方法 | |
CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
CN116993265A (zh) | 一种基于物联网的智能仓储安全管理系统 | |
CN115601010B (zh) | 一种人工智能消防智慧信息管理平台 | |
CN111353465A (zh) | 基于深度学习技术的变电站人员行为分析方法及系统 | |
CN111158338A (zh) | 一种基于主成分分析的化工风险监测方法 |
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 |