CN111062683A - 一种基于bp神经网络的警情预演系统及预演方法 - Google Patents
一种基于bp神经网络的警情预演系统及预演方法 Download PDFInfo
- Publication number
- CN111062683A CN111062683A CN201911185786.8A CN201911185786A CN111062683A CN 111062683 A CN111062683 A CN 111062683A CN 201911185786 A CN201911185786 A CN 201911185786A CN 111062683 A CN111062683 A CN 111062683A
- Authority
- CN
- China
- Prior art keywords
- information
- module
- preview
- state
- warning
- 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 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 88
- 230000007613 environmental effect Effects 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 18
- 230000009471 action Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 26
- 238000006073 displacement reaction Methods 0.000 claims description 24
- 238000004806 packaging method and process Methods 0.000 claims description 14
- 230000001681 protective effect Effects 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 6
- 238000005538 encapsulation Methods 0.000 claims 3
- 238000005553 drilling Methods 0.000 abstract description 17
- 230000008859 change Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于BP神经网络的警情预演系统及预演方法,包括警情模拟后台服务器和多台便携式预演终端,其中,便携式预演终端包括第一微处理器、显示器、GPS模块和第二无线收发模块,警情模拟后台服务器包括第二微处理器、脚本生成模块、第一无线收发模块、警情事件模拟模块、环境状态模拟模块和指令生成模块;第一无线收发模块和第二无线收发模块通信连接;脚本生成模块、警情事件模拟模块、环境状态模拟模块和指令生成模块分别与第二微处理器通信端电连接。能够有效地模拟突发事件复杂急剧的变化过程,具有降低演练成本和提高演练效率等优点。
Description
技术领域
本发明涉及警情处置演练领域,具体涉及一种基于BP神经网络的警情预演系统及预演方法。
背景技术
BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出,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。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。参照图1,BP神经网络模型拓扑结构包括输入层、隐层和输出层。
警情处置演练,是模拟突发事件的全过程及其现场环境,来检验公安机关处置突发事件的快速反应能力、应急指挥能力、现场处置能力和合作作战能力等,验证警情处置方案的可实施性,从而增强公安机关对群体突发事件的应对能力。
现有的警情演练方法存在以下不足:1、目前,警情演练一般都是按照预设的剧本方案进行排练,难以真实地模拟突发事件复杂急剧的变化过程。2、针对在公共场所发生的一些群体性和大型突发事件,通常涉及很多的相关人员,需要较大的演练空间和较多的演练设施,而警情演练的人力物力资源是有限的,很难满足需要,导致警情演练效果差,演练效率低。
发明内容
针对现有技术存在的上述不足,本发明的目的在于:公开一种基于BP神经网络的警情预演系统及预演方法,解决了难以真实模拟突发事件急剧变化过程和群体性突发事件涉及演练空间大演练设施多的问题,能够有效地模拟突发事件复杂急剧的变化过程,具有降低演练成本和提高演练效率等优点。
一种基于BP神经网络的警情预演系统,包括警情模拟后台服务器和多台便携式预演终端,其中:
所述便携式预演终端包括第一微处理器、显示器、GPS模块和第二无线收发模块,所述警情模拟后台服务器包括第二微处理器、脚本生成模块、第一无线收发模块、警情事件模拟模块、环境状态模拟模块和指令生成模块;
所述显示器和第一微处理器输出端电连接,所述GPS模块和第一微处理器第一输入端电连接,所述第二无线收发模块和第一微处理器通信端电连接,所述第一无线收发模块和第二无线收发模块通信连接;所述第一无线收发模块、脚本生成模块、警情事件模拟模块、环境状态模拟模块和指令生成模块分别与第二微处理器通信端电连接;
所述显示器用于显示便携式预演终端接收到的警情通报信息和预演指令信息,所述GPS模块用于记录终端携带者的位移信息,所述警情事件模拟模块用于模拟实时变化的警情事件状态信息,所述环境状态模拟模块用于模拟实时变化的环境状态信息,所述脚本生成模块用于存储警情预演脚本并实时更新,所述指令生成模块用于根据实时的警情事件状态和环境状态生成对应的警情通报信息和预演指令信息。
进一步地,还包括信息录入模块,所述信息录入模块和第一微处理器第二输入端电连接,用于录入终端携带者的身份ID、身份类型信息和设施配置信息。
进一步地,还包括信息封装模块,所述信息封装模块和第二微处理器通信端电连接,用于将每个便携式预演终端上传的录入信息和位移信息封装为一个事件动作量d,并将全部或部分事件动作量d组合封装形成事件动作数组D=<d1,d2,d3......dn>。
进一步地,还包括判断子模块,所述判断子模块和第二微处理器通信端电连接,用于根据警情预演的裁判规则调整警情事件状态。
一种用于权利要求1~4任一所述警情预演系统的警情预演方法,包括以下步骤:
S101:警情模拟后台服务器通过第一无线收发模块将警情通报信息和预演指令信息发送给每个便携式预演终端;每个便携式预演终端通过第二无线收发模块接收警情通报信息和预演指令信息,并通过显示器进行显示;
S102:所述GPS模块实时记录终端携带者的位移信息并存储到第一微处理器,第一微处理器通过第二无线收发模块将位移信息实时传送到警情模拟后台服务器;
S103:通过警情事件模拟模块来模拟实时变化的警情事件状态信息,通过环境状态模拟模块来模拟实时变化的环境状态信息,所述脚本生成模块存储并实时更新警情预演脚本;
S104:所述指令生成模块根据实时的警情事件状态和环境状态生成对应的警情通报信息和预演指令信息。
进一步地,还包括信息录入步骤:终端携带者通过信息录入模块录入自身的身份ID、身份类型信息和设施配置信息。
进一步地,还包括信息封装步骤:通过信息封装模块将每个便携式预演终端上传的录入信息和位移信息封装为一个事件动作量d,并将全部或部分事件动作量d组合封装形成事件动作数组D=<d1,d2,d3......dn>。
进一步地,还包括信息判断步骤:用判断子模块根据警情预演的裁判规则调整警情事件状态。
进一步地,所述警情事件模拟模块的训练过程,设警情事件模拟模块的初始状态为S*,训练时,输入为环境模拟状态Ei和事件动作数组Dj,其中,i=1,2...i,i+1...i+n,Ei表示警情预演空间范围内的环境参数信息,包括天气信息、光照信息、风向信息、生化环境信息、交通信息和人流量信息中的一种或者多种;j=1,2...j,j+1...j+n,Dj表示公安人员数量、救护人员数量、每个人员的位置、配置的交通工具、配置的防护工具和配置的警械;采用排列组合的方式,每次训练的输入参量均不相同,训练完成后输出为S0。
进一步地,所述环境状态模拟模块的训练过程,设环境状态模拟模块的初始状态为E*,训练时,输入为警情事件状态Si和事件动作数组Dj,其中,i=1,2...i,i+1...i+n,Si表示目标犯罪状态信息、受害人状态信息、群众状态信息、公安人员状态信息、医护人员状态信息、事件造成的伤亡状态信息和财物损失状态信息中的一种或者多种;j=1,2...j,j+1...j+n,Dj表示公安人员数量、救护人员数量、每个人员的位置、配置的交通工具、配置的防护工具和配置的警械;采用排列组合的方式,每次训练的输入参量均不相同,训练完成后输出为E0。
相比于现有技术,本发明具有以下优点:
本发明公开的一种基于BP神经网络的警情预演系统及预演方法,演练时,警情模拟后台服务器分别和多台便携式预演终端实时通信连接,通过警情事件模拟模块来模拟实时变化的警情事件状态信息,通过环境状态模拟模块来模拟实时变化的环境状态信息,通过脚本生成模块存储并实时更新警情预演脚本;该系统及方法能够有效地模拟突发事件复杂急剧的变化过程,具有降低演练成本和提高演练效率等优点。。
附图说明
图1为背景技术中BP神经网络模型拓扑结构图;
图2为本发明实施例一中基于BP神经网络的警情预演系统的系统框图;
图3为本发明实施例二中基于BP神经网络的警情预演方法的第一流程图;
图4为本发明实施例二中基于BP神经网络的警情预演方法的第二流程图;
图5为本发明实施例二中警情事件模拟模块的拓扑结构图;
图6为本发明实施例二中环境状态模拟模块的拓扑结构图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
实施例一:
参照图1,一种基于BP神经网络的警情预演系统,包括警情模拟后台服务器和多台便携式预演终端,其中:所述便携式预演终端包括第一微处理器、显示器、信息录入模块、GPS模块和第二无线收发模块,所述警情模拟后台服务器包括第二微处理器、信息封装模块、脚本生成模块、判断子模块、第一无线收发模块、警情事件模拟模块、环境状态模拟模块和指令生成模块。
所述显示器和第一微处理器输出端电连接,用于显示便携式预演终端接收到的警情通报信息和预演指令信息;所述信息录入模块和第一微处理器第二输入端电连接,用于录入终端携带者的身份ID、身份类型信息和设施配置信息;所述GPS模块和第一微处理器第一输入端电连接,用于记录终端携带者的位移信息;所述第二无线收发模块和第一微处理器通信端电连接,所述第一无线收发模块和第二无线收发模块通信连接。所述第一无线收发模块、信息封装模块、判断子模块、脚本生成模块、警情事件模拟模块、环境状态模拟模块和指令生成模块分别与第二微处理器通信端电连接;所述警情事件模拟模块用于模拟实时变化的警情事件状态信息,所述环境状态模拟模块用于模拟实时变化的环境状态信息,所述脚本生成模块用于存储警情预演脚本并实时更新,所述指令生成模块用于根据实时的警情事件状态和环境状态生成对应的警情通报信息和预演指令信息;所述信息封装模块用于将每个便携式预演终端上传的录入信息和位移信息封装为一个事件动作量d,并将全部或部分事件动作量d组合封装形成事件动作数组D=<d1,d2,d3......dn>;所述判断子模块用于根据警情预演的裁判规则调整警情事件状态。
上述警情预演系统中,所述信息录入模块可以采用触摸屏、按键或语音接收器,终端携带者可以通过触屏书写、按键拼音或语音等方式来录入自身的身份ID、身份类型信息和设施配置信息。
上述警情预演系统中,所述身份类型信息包括公安人员、医护人员、犯罪分子、受害人和群众等类型,所述设施配置信息包括携带的警械类型和数量信息、防护设施类型和数量信息、交通工具信息、犯罪工具类型和数量信息等。其中,防护设施主要指防毒面具、防弹衣、护盾和头盔等,交通工具信息指驾驶车辆、直升机和摩托车等,位移信息包括终端携带者的位置信息和移动轨迹信息。
上述警情预演系统中,指令生成模块根据实时的警情事件状态和环境状态生成对应的警情通报信息和预演指令信息,然后通过第一无线收发模块发送给每个便携式预演终端。例如,根据当前生效的环境模拟状态中的交通流量环境,确定通往出警地点的道路拥塞,则可以向位于道路上行进的公安人员发布预演指令信息,命令其在道路上滞留;又或者,根据当前生效的警情事件状态,确定目标犯罪者的状态为被击毙,则向该目标犯罪者的便携预演终端发布预演指令信息,命令其退出预演。
上述警情预演系统中,脚本生成模块里存储这初始的警情预演脚本,警情预演脚本包括各种警情事件状态Si和环境模拟状态Ei,其中,i=1,2...i,i+1...i+n,Ei表示警情预演空间范围内的环境参数信息,包括天气信息、光照信息、风向信息、生化环境信息、交通信息和人流量信息中的一种或者多种;Si表示目标犯罪状态信息、受害人状态信息、群众状态信息、公安人员状态信息、医护人员状态信息、事件造成的伤亡状态信息和财物损失状态信息中的一种或者多种。其中,生化环境信息指模拟演练化学恐怖袭击等,目标犯罪状态信息指目标被制服、被击毙或继续犯罪过程等。
上述警情预演系统中,判断子模块根据警情预演裁判组的裁判规则调整警情事件状态,例如,在警情预演中,公安人员对犯罪分子的扮演者实施了制服动作,裁判组根据动作完成情况判定犯罪分子是否被制服,进而根据该裁判设定下一阶段的警情事件状态。
预演时,每个参与人员都会佩戴一台便携式预演终端,便携式预演终端可以设计成智能手表、智能手环、智能头盔或智能衣服等硬件,具体形式不做限定,便携式预演终端会和警情模拟后台服务器实施双向通信连接。演习人员可以通过便携式预演终端实时接收预演通报信息和指令信息,然后通过显示器了解指令的具体内容,并执行预演指令。例如,在公安人员驾车前往出警地点过程中,根据警情预演脚本,途中道路遭遇了阻塞,可通过警情模拟后台服务器向该公安人员的便携式预演终端下达预演指令信息,命令该公安人员在道路上滞留5分钟;此时,参加警情预演的公安人员必须执行该指令,即便是真实的道路环境没有发生阻塞也需要滞留5分钟后再继续前往出警地点,从而,就可以模拟真实的突发事件环境及其急剧复杂的变化过程,增强演习效果,提高演习效率。
实施例二:
参照图2,一种基于BP神经网络的警情预演方法,包括以下步骤:
S101:警情模拟后台服务器通过第一无线收发模块将警情通报信息和预演指令信息发送给每个便携式预演终端;每个便携式预演终端通过第二无线收发模块接收警情通报信息和预演指令信息,并通过显示器进行显示;
S102:所述GPS模块实时记录终端携带者的位移信息并存储到第一微处理器,第一微处理器通过第二无线收发模块将位移信息实时传送到警情模拟后台服务器;
S103:通过警情事件模拟模块来模拟实时变化的警情事件状态信息,通过环境状态模拟模块来模拟实时变化的环境状态信息,所述脚本生成模块存储并实时更新警情预演脚本;
S104:所述指令生成模块根据实时的警情事件状态和环境状态生成对应的警情通报信息和预演指令信息。
具体实施时,警情预演方法的步骤更详细,具体内容如下:
参照图3,一种基于BP神经网络的警情预演方法,包括以下步骤:
S201:警情模拟后台服务器通过第一无线收发模块将警情通报信息和预演指令信息发送给每个便携式预演终端;每个便携式预演终端通过第二无线收发模块接收警情通报信息和预演指令信息,并通过显示器进行显示;
S202:所述GPS模块实时记录终端携带者的位移信息,通过信息录入模块录入终端携带者的身份、身份类型信息和设施配置信息,并将位移信息和录入信息实时传送到警情模拟后台服务器;
S203:通过信息封装模块将每个便携式预演终端上传的录入信息和位移信息封装为一个事件动作量d,并将全部或部分事件动作量组合封装形成事件动作数组D;
S204:通过警情事件模拟模块来模拟实时变化的警情事件状态信息,通过环境状态模拟模块来模拟实时变化的环境状态信息,所述脚本生成模块存储并实时更新警情预演脚本;
S205:用判断子模块根据警情预演的裁判规则调整警情事件状态,指令生成模块根据实时的警情事件状态和环境状态生成对应的警情通报信息和预演指令信息。
上述警情预演方法中,所述信息录入模块可以采用触摸屏、按键或语音接收器,终端携带者可以通过触屏书写、按键拼音或语音等方式来录入自身的身份ID、身份类型信息和设施配置信息。
上述警情预演方法中,所述身份类型信息包括公安人员、医护人员、犯罪分子、受害人和群众等类型,所述设施配置信息包括携带的警械类型和数量信息、防护设施类型和数量信息、交通工具信息、犯罪工具类型和数量信息等。其中,防护设施主要指防毒面具、防弹衣、护盾和头盔等,交通工具信息指驾驶车辆、直升机和摩托车等,位移信息包括终端携带者的位置信息和移动轨迹信息。
上述警情预演方法中,指令生成模块的操作步骤包括根据实时的警情事件状态和环境状态生成对应的警情通报信息和预演指令信息,然后通过第一无线收发模块发送给每个便携式预演终端。例如,根据当前生效的环境模拟状态中的交通流量环境,确定通往出警地点的道路拥塞,则可以向位于道路上行进的公安人员发布预演指令信息,命令其在道路上滞留;又或者,根据当前生效的警情事件状态,确定目标犯罪者的状态为被击毙,则向该目标犯罪者的便携预演终端发布预演指令信息,命令其退出预演。
上述警情预演方法中,脚本生成模块里存储这初始的警情预演脚本,警情预演脚本包括各种警情事件状态Si和环境模拟状态Ei,警情预演脚本需要根据警情事件状态环境模拟状态实时更新。其中,i=1,2...i,i+1...i+n,Ei表示警情预演空间范围内的环境参数信息,包括天气信息、光照信息、风向信息、生化环境信息、交通信息和人流量信息中的一种或者多种;Si表示目标犯罪状态信息、受害人状态信息、群众状态信息、公安人员状态信息、医护人员状态信息、事件造成的伤亡状态信息和财物损失状态信息中的一种或者多种。其中,生化环境信息指模拟演练化学恐怖袭击等,目标犯罪状态信息指目标被制服、被击毙或继续犯罪过程等。
上述警情预演方法中,通过信息封装模块将每个便携式预演终端上传的录入信息和位移信息封装为一个事件动作量d,并将全部或部分事件动作量d组合封装形成事件动作数组D=<d1,d2,d3......dn>。
上述警情预演方法中,用判断子模块根据警情预演的裁判规则调整警情事件状态。例如,在警情预演中,公安人员对犯罪分子的扮演者实施了制服动作,裁判组根据动作完成情况判定犯罪分子是否被制服,进而根据该裁判设定下一阶段的警情事件状态。
预演时,每个参与人员都会佩戴一台便携式预演终端,便携式预演终端可以设计成智能手表、智能手环、智能头盔或智能衣服等硬件,具体形式不做限定,便携式预演终端会和警情模拟后台服务器实施双向通信连接。演习人员可以通过便携式预演终端实时接收预演通报信息和指令信息,然后通过显示器了解指令的具体内容,并执行预演指令。例如,在公安人员驾车前往出警地点过程中,根据警情预演脚本,途中道路遭遇了阻塞,可通过警情模拟后台服务器向该公安人员的便携式预演终端下达预演指令信息,命令该公安人员在道路上滞留5分钟;此时,参加警情预演的公安人员必须执行该指令,即便是真实的道路环境没有发生阻塞也需要滞留5分钟后再继续前往出警地点,从而,就可以模拟真实的突发事件环境及其急剧复杂的变化过程,增强演习效果,提高演习效率。
上述警情预演方法中,所述警情事件模拟模块的训练过程,设警情事件模拟模块的初始状态为S*,训练时,输入为环境模拟状态Ei和事件动作数组Dj,i=1,2...i,i+1...i+n,Ei表示警情预演空间范围内的环境参数信息,包括天气信息、光照信息、风向信息、生化环境信息、交通信息和人流量信息中的一种或者多种;j=1,2...j,j+1...j+n,Dj表示公安人员数量、救护人员数量、每个人员的位置、配置的交通工具、配置的防护工具和配置的警械;采用排列组合的方式,每次训练的输入参量均不相同,训练完成后输出为S0。
上述警情预演方法中,所述环境状态模拟模块的训练过程,设环境状态模拟模块的初始状态为E*,训练时,输入为警情事件状态Si和事件动作数组Dj,i=1,2...i,i+1...i+n,Si表示目标犯罪状态信息、受害人状态信息、群众状态信息、公安人员状态信息、医护人员状态信息、事件造成的伤亡状态信息和财物损失状态信息中的一种或者多种;j=1,2...j,j+1...j+n,Dj表示公安人员数量、救护人员数量、每个人员的位置、配置的交通工具、配置的防护工具和配置的警械;采用排列组合的方式,每次训练的输入参量均不相同,训练完成后输出为E0。
上述警情预演方法中,用警情事件模拟模块来模拟警情事件状态,用环境状态模拟模块来模拟警情演练空间范围内的环境参数信息,可以减少部分实体设施设备的使用和缩小演练空间,比如,现有演练方案需要从各个平台设施收集天气光照人流量等信息;现有演练方案需要伪装生化场景、人员伤亡状态或财物损失等,都需要准备一定量的生化设备、医疗设备和财物等,不仅费时费力费资源,而且演练时间特别长,无法真实模拟突发事件环境及其急剧复杂的变化过程,演练效率低。使用本申请的警情预演方法就可以避免这些问题。
上述警情预演方法中,所述警情事件模拟模块训练完成之后,若当前阶段的警情事件状态为St,通过输入当前阶段的环境模拟状态Et和事件动作数组D,可以获得下一阶段的警情事件状态St+1,参照图5,假设当前阶段的警情事件状态为S1,警情事件模拟模块根据当前阶段产生并输入至本模块的环境模拟状态E(1,2,3,4,5,6)以及事件动作数组D(1,2,3,4,5,6),可以确定下一阶段的警情事件状态为S2或者S4;同理,在S2的情况下,可以进一步确定下一阶段的警情事件状态为S3或者S5。例如,S0作为初始的警情事件状态,表示犯罪者在公共场所进行化学袭击,而环境模拟状态E表示了警情预演空间范围内的环境参数,例如天气风向,交通和人流,事件动作数组D表示了例如公安人员、救护人员的数量、位置是否及时到位、配置的交通工具和防护工具、警械等,这些都会给后续的警情事件状态造成影响。从而经过训练的警情事件模拟模块通过输入当前阶段的环境模拟状态E以及事件动作数组D,可以获得下一阶段的警情事件状态St+1。同理,参照图6,所述环境状态模拟模块训练完成之后,在当前阶段的环境模拟状态Et的情况下,通过输入当前阶段的警情事件状态St以及事件动作数组D,可以获得下一阶段的环境模拟状态Et+1。假设当前阶段的环境状态为E1,环境状态模拟模块根据当前阶段产生并输入至本模块的警情事件状态S1以及事件动作数组D1,可以确定下一阶段的警情事件状态为E2;输入E2的警情事件状态S2以及事件动作数组D2,可以确定下一阶段的警情事件状态为E3;输入输入E2的警情事件状态S3以及事件动作数组D3,可以确定下一阶段的警情事件状态为E4;输入输入E3的警情事件状态S4以及事件动作数组D4,可以确定下一阶段的警情事件状态为E5;输入输入E4的警情事件状态S5以及事件动作数组D5,可以确定下一阶段的警情事件状态为E5。
具体实施时,可以通过警情模拟后台服务器向参与人员发送更换角色的指令,终端携带者可以根据指令多次输入不同的身份角色,达到一个人就可以根据演练需要变换多个角色的效果;同时,该人员在不同时间段扮演的不同角色信息及相关的位移信息都能留存在警情模拟后台服务器,以便完善警情预演分析的完整性。这样,就能大大减少群体性突发事件演练的参与人员,降低演练的成本。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (10)
1.一种基于BP神经网络的警情预演系统,包括警情模拟后台服务器和多台便携式预演终端,其特性在于:
所述便携式预演终端包括第一微处理器、显示器、GPS模块和第二无线收发模块,所述警情模拟后台服务器包括第二微处理器、脚本生成模块、第一无线收发模块、警情事件模拟模块、环境状态模拟模块和指令生成模块;
所述显示器和第一微处理器输出端电连接,所述GPS模块和第一微处理器第一输入端电连接,所述第二无线收发模块和第一微处理器通信端电连接,所述第一无线收发模块和第二无线收发模块通信连接;所述第一无线收发模块、脚本生成模块、警情事件模拟模块、环境状态模拟模块和指令生成模块分别与第二微处理器通信端电连接;
所述显示器用于显示便携式预演终端接收到的警情通报信息和预演指令信息,所述GPS模块用于记录终端携带者的位移信息,所述警情事件模拟模块用于模拟实时变化的警情事件状态信息,所述环境状态模拟模块用于模拟实时变化的环境状态信息,所述脚本生成模块用于存储警情预演脚本并实时更新,所述指令生成模块用于根据实时的警情事件状态和环境状态生成对应的警情通报信息和预演指令信息。
2.根据权利要求1所述的警情预演系统,其特征在于,还包括信息录入模块,所述信息录入模块和第一微处理器第二输入端电连接,用于录入终端携带者的身份ID、身份类型信息和设施配置信息。
3.根据权利要求2所述的警情预演系统,其特征在于,还包括信息封装模块,所述信息封装模块和第二微处理器通信端电连接,用于将每个便携式预演终端上传的录入信息和位移信息封装为一个事件动作量d,并将全部或部分事件动作量d组合封装形成事件动作数组D=<d1,d2,d3......dn>。
4.根据权利要求1所述的警情预演系统,其特征在于,还包括判断子模块,所述判断子模块和第二微处理器通信端电连接,用于根据警情预演的裁判规则调整警情事件状态。
5.一种用于权利要求1~4任一所述警情预演系统的警情预演方法,其特征在于,包括以下步骤:
S101:警情模拟后台服务器通过第一无线收发模块将警情通报信息和预演指令信息发送给每个便携式预演终端;每个便携式预演终端通过第二无线收发模块接收警情通报信息和预演指令信息,并通过显示器进行显示;
S102:所述GPS模块实时记录终端携带者的位移信息并存储到第一微处理器,第一微处理器通过第二无线收发模块将位移信息实时传送到警情模拟后台服务器;
S103:通过警情事件模拟模块来模拟实时变化的警情事件状态信息,通过环境状态模拟模块来模拟实时变化的环境状态信息,所述脚本生成模块存储并实时更新警情预演脚本;
S104:所述指令生成模块根据实时的警情事件状态和环境状态生成对应的警情通报信息和预演指令信息。
6.根据权利要求5所述的警情预演方法,其特征在于,还包括信息录入步骤:终端携带者通过信息录入模块录入自身的身份ID、身份类型信息和设施配置信息。
7.根据权利要求6所述的警情预演方法,其特征在于,还包括信息封装步骤:通过信息封装模块将每个便携式预演终端上传的录入信息和位移信息封装为一个事件动作量d,并将全部或部分事件动作量d组合封装形成事件动作数组D=<d1,d2,d3......dn>。
8.根据权利要求5所述的警情预演方法,其特征在于,还包括信息判断步骤:用判断子模块根据警情预演的裁判规则调整警情事件状态。
9.根据权利要求5所述的警情预演方法,其特征在于,所述警情事件模拟模块的训练过程,设警情事件模拟模块的初始状态为S*,训练时,输入为环境模拟状态Ei和事件动作数组Dj,其中,i=1,2...i,i+1...i+n,Ei表示警情预演空间范围内的环境参数信息,包括天气信息、光照信息、风向信息、生化环境信息、交通信息和人流量信息中的一种或者多种;j=1,2...j,j+1...j+n,Dj表示公安人员数量、救护人员数量、每个人员的位置、配置的交通工具、配置的防护工具和配置的警械;采用排列组合的方式,每次训练的输入参量均不相同,训练完成后输出为S0。
10.根据权利要求5所述的警情预演方法,其特征在于,所述环境状态模拟模块的训练过程,设环境状态模拟模块的初始状态为E*,训练时,输入为警情事件状态Si和事件动作数组Dj,其中,i=1,2...i,i+1...i+n,Si表示目标犯罪状态信息、受害人状态信息、群众状态信息、公安人员状态信息、医护人员状态信息、事件造成的伤亡状态信息和财物损失状态信息中的一种或者多种;j=1,2...j,j+1...j+n,Dj表示公安人员数量、救护人员数量、每个人员的位置、配置的交通工具、配置的防护工具和配置的警械;采用排列组合的方式,每次训练的输入参量均不相同,训练完成后输出为E0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911185786.8A CN111062683A (zh) | 2019-11-27 | 2019-11-27 | 一种基于bp神经网络的警情预演系统及预演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911185786.8A CN111062683A (zh) | 2019-11-27 | 2019-11-27 | 一种基于bp神经网络的警情预演系统及预演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062683A true CN111062683A (zh) | 2020-04-24 |
Family
ID=70299105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911185786.8A Pending CN111062683A (zh) | 2019-11-27 | 2019-11-27 | 一种基于bp神经网络的警情预演系统及预演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062683A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143130A (zh) * | 2014-07-28 | 2014-11-12 | 中国安全生产科学研究院 | 突发事件应急演练系统及演练方法 |
CN106096911A (zh) * | 2016-06-03 | 2016-11-09 | 北京理工大学 | 一种基于角色的有人/无人协同指挥控制系统及其方法 |
CN107527153A (zh) * | 2017-08-31 | 2017-12-29 | 东莞中国科学院云计算产业技术创新与育成中心 | 公共安全突发事件应急处理预案生成方法和装置 |
CN108268128A (zh) * | 2017-01-03 | 2018-07-10 | 天津港焦炭码头有限公司 | 一种安全生产应急预案3dvr虚拟现实演练系统 |
CN108616732A (zh) * | 2017-01-26 | 2018-10-02 | 北京东方核芯力信息科技有限公司 | 一种基于移动终端的增强现实应急演练系统 |
-
2019
- 2019-11-27 CN CN201911185786.8A patent/CN111062683A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143130A (zh) * | 2014-07-28 | 2014-11-12 | 中国安全生产科学研究院 | 突发事件应急演练系统及演练方法 |
CN106096911A (zh) * | 2016-06-03 | 2016-11-09 | 北京理工大学 | 一种基于角色的有人/无人协同指挥控制系统及其方法 |
CN108268128A (zh) * | 2017-01-03 | 2018-07-10 | 天津港焦炭码头有限公司 | 一种安全生产应急预案3dvr虚拟现实演练系统 |
CN108616732A (zh) * | 2017-01-26 | 2018-10-02 | 北京东方核芯力信息科技有限公司 | 一种基于移动终端的增强现实应急演练系统 |
CN107527153A (zh) * | 2017-08-31 | 2017-12-29 | 东莞中国科学院云计算产业技术创新与育成中心 | 公共安全突发事件应急处理预案生成方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108259625B (zh) | 一种基于建筑建模和人员移动定位的逃生救援方法 | |
CN103607467B (zh) | 空地一体化应急指挥平台 | |
CN106991633A (zh) | 一种公共安全应急管理的计算机仿真系统及仿真方法 | |
CN116368355A (zh) | 物联网系统 | |
CN103679611B (zh) | 基于案例推理的城市综合应急智能仿真系统的运行方法 | |
CN109255286B (zh) | 基于深度学习网络框架的无人机光学快速检测识别方法 | |
CN110147904A (zh) | 一种城市聚集事件预测与定位方法及装置 | |
CN114004051B (zh) | 一种应用于民用机场应急救援的虚拟仿真系统构建方法 | |
CN116051319A (zh) | 一种战术协同作战仿真模拟训练系统和方法 | |
US20210343177A1 (en) | Methods and systems for a multi-user simulator implemented via a scenario exercise platform | |
CN111062683A (zh) | 一种基于bp神经网络的警情预演系统及预演方法 | |
CN112597802A (zh) | 一种基于视觉感知网络深度学习的行人运动模拟方法 | |
Gao et al. | Multi-User Collaborative Virtual Emergency Drill System for Urban Road Emergencies | |
CN107180402A (zh) | 基于遗传算法的交互式应急突发事件现场预案生成方法 | |
Holand et al. | A structured and dynamic model for emergency management exercises | |
CN106971549A (zh) | 车辆用大数据处理方法及车辆用大数据系统 | |
CN111078872A (zh) | 警务事件模拟数据生成方法 | |
Palestini | Communication and Decision Support Systems | |
Zhan et al. | Agent-based modeling and evacuation planning | |
Malachová et al. | SIMEX simulation tool—“accident” crisis scenario and crisis management entities' exercise | |
CN116913147A (zh) | 一种消防模拟训练方案设计方法及系统 | |
Zhang et al. | Big Data Cognition for City Emergency Rescue | |
Scerri et al. | Bushfire BLOCKS: a modular agent-based simulation | |
Wantoch-Rekowski et al. | Designing advanced vehicle trainers using virtual simulation technology | |
JP2003271049A (ja) | 危機管理演習システム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200424 |