CN111476965A - 火灾检测模型的构建方法、火灾检测方法及相关设备 - Google Patents

Abstract

本申请适用于人工智能技术领域，提供了火灾检测模型的构建方法、火灾检测方法及相关设备，火灾检测模型的构建方法包括：获取待优化参数及测试样本，测试样本包括环境信息以及与环境信息对应的火灾信息；执行迭代步骤，迭代步骤包括：根据待优化参数生成待优化模型，将环境信息输入待优化模型，根据待优化模型的输出结果、环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数；将迭代参数作为新的待优化参数，循环执行迭代步骤，直到满足预设迭代条件，将满足迭代条件的迭代参数作为最优参数，根据最优参数生成火灾检测模型。采用构建的火灾检测模型，可以提高火灾检测的效率和准确度。

Description

火灾检测模型的构建方法、火灾检测方法及相关设备

技术领域

本申请属于人工智能技术领域，尤其涉及火灾检测模型的构建方法、火灾检测方法及相关设备。

背景技术

在我国经济快速发展和城市化进程加快的今天，建筑格局表现出密集化、高层化的特点，人口密度逐渐增大，从而加大了火灾发生的隐患。

现有的火灾检测方法大多采用传感器进行检测，采用较少的传感器可以提高算法的计算效率，但是在实际检测过程中，由于环境的干扰，传感器的检测信号不稳定，导致检测准确率下降，容易出现漏报或误报的情况，从而不能准确预测火灾。增加传感器的种类可以提高检测的准确度，但是却导致检测效率下降。

发明内容

有鉴于此，本申请实施例提供了火灾检测模型的构建方法、火灾检测方法及相关设备，以构建火灾检测模型，实现对火灾的准确检测。

本申请实施例的第一方面提供了一种火灾检测模型的构建方法，所述火灾检测模型用于根据预设区域的环境信息，检测所述预设区域的火灾信息，所述火灾检测模型的构建方法包括：

获取待优化参数及测试样本，所述测试样本包括环境信息以及与所述环境信息对应的火灾信息；

执行迭代步骤，所述迭代步骤包括：

根据所述待优化参数生成待优化模型，将所述环境信息输入所述待优化模型，根据所述待优化模型的输出结果、所述环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数；

将所述迭代参数作为新的待优化参数，循环执行所述迭代步骤，直到满足预设迭代条件，将满足所述迭代条件的迭代参数作为最优参数；

根据所述最优参数生成火灾检测模型。

在第一方面的一种可能的实现方式中，所述根据所述待优化模型的输出结果、所述环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数包括：

根据公式

计算更新记忆值，将计算出的更新记忆值作为迭代参数；其中，M^i,t+1表示更新记忆值，x^i,t+1表示位置更新值，M^i,t表示当前记忆值，f(x^i,t+1)表示位置更新值对应的适应度，f(M^i,t)表示当前记忆值对应的适应度，所述当前记忆值对应的适应度由所述待优化模型的输出结果以及所述环境信息对应的火灾信息计算出，所述位置更新值对应的适应度由所述位置更新值计算出。

在第一方面的一种可能的实现方式中，所述位置更新值由公式

计算出，其中，x^i,t表示待优化参数，rand表示随机生成数，AP^j,t表示感知概率，x_max表示迭代参数的最大值，x_min表示迭代参数的最小值，L(β)表示随机分布数。

在第一方面的一种可能的实现方式中，所述待优化参数包括初始参数，所述初始参数通过公式

x^i'＝a_i+b_i-xⁱ计算出，其中，x^i'表示初始参数，xⁱ＝c₁·(x_max-x_min)+x_min， c₁表示混沌变量，x_max表示初始参数的最大值，xmin表示初始参数的最小值，a_i表示种群的最大值，b_i表示种群的最小值。

在第一方面的一种可能的实现方式中，构建的所述火灾检测模型为：

其中，y_i表示火灾检测模型的输出量，x_m表示火灾检测模型的输入量，w_ji表示权重值，μ_mj和n均为设定值，d表示输入向量的维度，φ_i由所述最优参数计算出。

在第一方面的一种可能的实现方式中，所述环境信息包括烟雾浓度、一氧化碳浓度、二氧化碳浓度、甲烷浓度、温度和湿度。

本申请实施例的第二方面提供了一种火灾检测方法，包括：

获取预设区域的环境信息；

根据所述预设区域的环境信息和火灾检测模型确定火灾信息，其中，所述火灾检测模型是执行上述第一方面所述的火灾检测模型的构建方法构建得到的。

本申请实施例的第三方面提供了一种火灾检测模型的构建装置，所述火灾检测模型用于根据预设区域的环境信息，检测所述预设区域的火灾信息，所述火灾检测模型的构建装置包括：

获取模块，用于获取待优化参数及测试样本，所述测试样本包括环境信息以及与所述环境信息对应的火灾信息；

计算模块，用于执行迭代步骤，所述迭代步骤包括：

根据所述待优化参数生成待优化模型，将所述环境信息输入所述待优化模型，根据所述待优化模型的输出结果、所述环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数；

循环模块，用于将所述迭代参数作为新的待优化参数，循环执行所述迭代步骤，直到满足预设迭代条件，将满足所述迭代条件的迭代参数作为最优参数；

优化模块，用于根据所述最优参数生成火灾检测模型。

在第三方面的一种可能的实现方式中，所述计算模块具体用于：

根据公式

计算更新记忆值，将计算出的更新记忆值作为迭代参数；其中，M^i,t+1表示更新记忆值，x^i,t+1表示位置更新值，M^i,t表示当前记忆值，f(x^i,t+1)表示位置更新值对应的适应度，f(M^i,t)表示当前记忆值对应的适应度，所述当前记忆值对应的适应度由所述待优化模型的输出结果以及所述环境信息对应的火灾信息计算出，所述位置更新值对应的适应度由所述位置更新值计算出。

在第三方面的一种可能的实现方式中，所述位置更新值由公式

计算出，其中，x^i,t表示待优化参数，rand表示随机生成数，AP^j,t表示感知概率，x_max表示迭代参数的最大值，x_min表示迭代参数的最小值，L(β)表示随机分布数。

在第三方面的一种可能的实现方式中，所述待优化参数包括初始参数，所述初始参数通过公式

x^i'＝a_i+b_i-xⁱ计算出，其中，x^i'表示初始参数，xⁱ＝c₁·(x_max-x_min)+x_min， c₁表示混沌变量，x_max表示初始参数的最大值，x_min表示初始参数的最小值，a_i表示种群的最大值，b_i表示种群的最小值。

在第三方面的一种可能的实现方式中，构建的所述火灾检测模型为：

其中，y_i表示火灾检测模型的输出量，x_m表示火灾检测模型的输入量，w_ji表示权重值，μ_mj和n均为设定值，d表示输入向量的维度，φ_i由所述最优参数计算出。

在第三方面的一种可能的实现方式中，所述环境信息包括烟雾浓度、一氧化碳浓度、二氧化碳浓度、甲烷浓度、温度和湿度。

本申请实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的火灾检测模型的构建方法或者第二方面所述的火灾检测方法。

本申请实施例的第五方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的火灾检测模型的构建方法或者第二方面所述的火灾检测方法。

本申请实施例的第六方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的火灾检测模型的构建方法或者第二方面所述的火灾检测方法。

本申请实施例与现有技术相比存在的有益效果是：通过获取待优化参数及测试样本，测试样本包括环境信息以及与环境信息对应的火灾信息；根据待优化参数生成待优化模型，将环境信息输入待优化模型，根据待优化模型的输出结果、环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数，将迭代参数作为新的待优化参数，循环计算新的迭代参数，直到满足预设迭代条件，将满足迭代条件的迭代参数作为最优参数；根据最优参数生成火灾检测模型。由于乌鸦搜索算法是通过不断迭代寻优以获取最优解的算法，具有较强的搜索能力，从而可以搜索出准确的迭代参数，提高火灾检测模型的准确度；并且，由于火灾检测模型是根据环境信息及环境信息对应的火灾信息对待优化参数进行迭代所构建的，其可以反映环境信息与火灾信息的对应关系，因此，通过火灾检测模型可以提高火灾检测的准确率；此外，由于将环境信息输入构建好的火灾检测模型即可输出对应的火灾信息，因此也能够提高火灾检测的效率

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1是本申请实施例提供的火灾检测模型的构建方法的应用场景图；

图2是本申请实施例提供的火灾检测模型的构建方法的流程示意图；

图3是本申请实施例提供的火灾检测方法的流程示意图；

图4是本申请实施例提供的火灾检测模型的构建装置示意图；

图5是本申请实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

参见图1，图1是本申请实施例提供的火灾检测模型的构建方法的应用场景图，本申请实施例提供的火灾检测模型的构建方法应用于火灾检测系统，火灾检测系统包括终端设备100和传感器模块200。其中，传感器模块200包括烟雾传感器，甲烷传感器，可燃气体传感器，一氧化碳传感器，二氧化碳传感器，温度传感器，湿度传感器等，各个传感器分别用于采集预设区域采集烟雾浓度、一氧化碳浓度、二氧化碳浓度、甲烷浓度、温度和湿度等数据，各个传感器采集的数据组成环境信息，终端设备100获取环境信息，根据各个区域的环境信息和对应的火灾信息生成测试样本。终端设备100根据火灾检测模型的待优化参数和测试样本执行迭代步骤，迭代步骤为：根据待优化参数生成待优化模型，将环境信息输入待优化模型，根据待优化模型的输出结果、环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数；循环执行迭代步骤直到满足预设迭代条件，将满足迭代条件的迭代参数作为最优参数，根据最优参数生成火灾检测模型。由于乌鸦搜索算法是不断寻优迭代的算法，具有较强的鲁棒性和搜索能力，能够找出最优的迭代参数，从而可以构建准确的火灾检测模型。将预设区域的环境信息输入构建好的火灾检测模型，即可检测出该区域的火灾信息，从而提高火灾检测的效率。

如图2所示，本申请实施例提供的火灾检测模型的构建方法包括：

S101：获取待优化参数及测试样本，所述测试样本包括环境信息以及与所述环境信息对应的火灾信息。

其中，环境信息包括烟雾浓度、一氧化碳浓度、二氧化碳浓度、甲烷浓度、温度和湿度，分别由烟雾传感器，甲烷传感器，可燃气体传感器，一氧化碳传感器，二氧化碳传感器，温度传感器和湿度传感器所采集。火灾信息与环境信息对应，为明火或者阴燃或者无火。

在一种可能的实现方式中，终端设备获取到传感器模块发送的烟雾浓度、一氧化碳浓度、二氧化碳浓度、甲烷浓度、温度和湿度的数据后，首先对获取的数据进行预处理。

预处理包括加权滤波处理，其中，对于同一个传感器采集的数据，加权滤波的公式为

其中，x_t为t时刻的数据进行加权滤波后的值，a表示移动窗大小，采用加权滤波公式，对不同时期的数据予以不同的权重值：比如，对较近期的数据予以较大的权重值，而对与当前时刻间隔较久的时期的数据赋予较小的权重，得到去噪后的数据。对每个传感器采集的数据均进行加权滤波处理，从而保留准确的测试样本数据。

在一种可能的实现方式中，预处理还包括归一化处理，对于同一个区域的环境信息，设定环境信息包括x个类型的数据，即X个属性特征，归一化的公式为

其中，x(i)’为第i个属性特征归一化后的特征值， x(i)为第i个属性特征的特征值，x(i)max为第i个属性特征的最大值，x(i)min 为第i个属性特征的最小值。

对于加权滤波后的数据，进行归一化处理后，能够将所有特征值都映射到 [0,1]区间内，进而避免较大特征值对较小特征值造成的扰动。

S102：根据所述待优化参数生成待优化模型，将所述环境信息输入所述待优化模型，根据所述待优化模型的输出结果、所述环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数。

具体地，乌鸦搜索算法是迭代寻优的搜索算法，解最优解的过程相当于乌鸦搜索食物的过程，乌鸦搜索食物的过程中，乌鸦能记住它们藏匿食物的最佳位置，即记忆值。乌鸦能跟踪其他乌鸦以窃取对方的食物，乌鸦能以一定的概率保护自己的食物以防被窃取。即当乌鸦j知道乌鸦i跟踪它时，会把乌鸦i 带到任意位置；当乌鸦j不知道乌鸦i跟踪它时，则乌鸦i向乌鸦j的最佳位置移动，同时当乌鸦i的位置发生改变，则其对应的更新记忆值。当运用乌鸦搜索算法进行迭代计算时，待优化的参数相当于当前的记忆值，改变待优化的参数相当于进行位置更新，位置更新后，记忆值也会进行更新，迭代参数即相当于更新记忆值。

模型构建过程中，最先获取的待优化参数为初始参数，初始参数可以是随机生成的，也可以是根据预设公式生成的。在一种可能的实现方式中，初始参数通过反向学习产生，即通过公式x^i'＝a_i+b_i-xⁱ计算出，其中，x^i'表示初始参数，xⁱ＝c₁·(x_max-x_min)+x_min，“.”表示相乘运算，x_max表示初始参数的最大值，x_min表示初始参数的最小值，a_i表示种群的最大值，b_i表示种群的最小值， c₁表示混沌变量，基于混沌序列生成，例如通过公式 c_i+1＝μ·c_i·(1-c_i),i＝1,...,n-1计算出，其中，μ为设定值。采用反向学习和混沌序列生成初始参数，可以使算法更快速收敛。

在进行迭代计算之前，还需要设置乌鸦搜索算法中的种群数量、感知概率、最大迭代次数。在计算出初始参数后，将初始参数作为第一组待优化参数，开始进行迭代计算。迭代过程中，将待优化参数作为当前记忆值，根据待优化参数生成待优化模型，将预处理后的环境信息输入待优化模型，待优化模型输出火灾信息，根据待优化模型输出的火灾信息和环境信息对应的实际的火灾信息，计算待优化参数的适应度，即当前记忆值对应的适应度，根据当前记忆值对应的适应度计算更新记忆值，即迭代参数。

在一种可能的实现方式中，根据公式

计算更新记忆值，其中，M^i,t+1表示更新记忆值，x^i,t+1表示位置更新值，M^i,t表示当前记忆值，f(x^i,t+1)表示位置更新值对应的适应度，f(M^i,t)表示当前记忆值所对应的适应度。得到更新记忆值后，将更新记忆值作为迭代参数。

在一种可能的实现方式中，位置更新值由公式

计算出，其中，x^i,t表示待优化参数，rand表示随机生成数，AP^j,t表示感知概率，x_max表示迭代参数的最大值，x_min表示迭代参数的最小值。L(β)表示随机分布数，是从Lévy分布得到的随机分布数，Lévy分布的表达式为：Levy(β)～u＝t^-1-β,0<β≤2，其中， Lévy随机数量是根据公式

得到的，其中，

μ和v均为标准正态分布。由于Lévy分布是一个重尾分布，很容易产生不同的种群后代，提供更强的搜索能力帮助群体朝更优解的位置移动，因此能帮助个体跳出局部最优，防止搜索算法陷入局部最优值。

在一种可能的实现方式中，适应度由火灾检测的漏报率、误报率以及准确率计算出，适应度可以是漏报率、误报率以及准确率中的任意一个值或者三者的组合加权。其中，

漏报率的计算公式为

误报率的计算公式为

准确率的计算公式为

其中，N_FN表示将火灾样本识别为非火灾样本的数量，N_FF表示将非火灾样本识别为火灾样本的数量。N_TF表示火灾样本识别正确的数量，N_TN表示非火灾样本识别正确的数量。FDR表示火灾检测的漏报率，FAR表示火灾检测的误报率， ACC表示火灾检测的准确率。

对应地，通过对比待优化模型输出的火灾信息和环境信息对应的实际的火灾信息得出火灾检测的漏报率、误报率以及准确率，从而得出当前记忆值对应的适应度。

由位置更新值生成更新后的模型，将环境信息输入更新后的模型，对比更新后的模型输出的火灾信息和环境信息对应的实际的火灾信息得出的火灾检测的漏报率、误报率以及准确率，从而得出位置更新值对应的适应度。

S103：将所述迭代参数作为新的待优化参数，循环执行S102，直到满足预设迭代条件，将满足所述迭代条件的迭代参数作为最优参数。

具体地，将迭代参数作为新的待优化参数，循环执行S102，得到新的迭代参数，当乌鸦搜索算法达到最大迭代次数时，循环终止，将得到的最终的迭代参数作为最优参数。

S104：根据所述最优参数生成火灾检测模型。

在一种可能的实现方式中，火灾检测模型为高斯径向基泛函网络,火灾检测模型的公式为：

其中，将d维向量输入火灾检测模型，火灾检测模型的输出为m维向量，火灾检测模型的公式中，x_m表示火灾检测模型的输入量，即输入向量中的一个值，y_i表示火灾检测模型的输出量，即输出向量中的一个值，w_ji表示权重值，μ_mj和n均为设定值，d表示输入向量的维度，φ_i由所述最优参数计算出。

q-高斯函数利用参数q改变高斯径向基泛函网络的结构，设定乌鸦搜索算法计算出的最优参数为q-高斯函数的参数q，则

其中，

φ_i为

时，

的取值。σ_q为设定值，μ_q为m＝q时μ_mj的取值。

将预设区域的环境信息作为输入向量，输入火灾检测模型，即可得到输出向量，根据输出向量计算出发生明火或者阴燃或者无火的概率，根据概率即可预测火灾信息。例如，若明火的概率最高，则预测的火灾信息为将可能发生明火，若阴燃的概率最高，则预测的火灾信息为将可能发生阴燃，若无火的概率最高，则预测的火灾信息为无火。

上述实施例中，通过获取待优化参数及测试样本后，循环执行迭代步骤，迭代步骤包括：根据待优化参数生成待优化模型，将测试样本中的环境信息输入待优化模型，根据待优化模型的输出结果、环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数；直到满足预设迭代条件，将满足迭代条件的迭代参数作为最优参数，根据最优参数生成火灾检测模型。乌鸦搜索算法是迭代寻优的算法，具有较强的鲁棒性和搜索能力，可以搜索出最优参数，从而生成准确的火灾检测模型，提高火灾检测的准确度；将环境信息输入火灾检测模型即可输出火灾信息，提高火灾检测的效率。

如图3所示，本申请实施例提供的火灾检测方法包括：

S201：获取预设区域的环境信息。

其中，环境信息由传感器模块采集，传感器模块包括烟雾传感器，甲烷传感器，可燃气体传感器，一氧化碳传感器，二氧化碳传感器，温度传感器，湿度传感器，环境信息包括各传感器分别采集的烟雾浓度、一氧化碳浓度、二氧化碳浓度、甲烷浓度、温度和湿度等。

在一种可能的实现方式中，终端设备对获取的环境信息进行加权滤波处理和归一化处理。

S202：根据所述预设区域的环境信息和火灾检测模型确定火灾信息，其中，所述火灾检测模型是执行上述实施例所述的火灾检测模型的构建方法构建得到的。

具体地，将经过加权滤波处理和归一化处理的环境信息输入火灾检测模型，火灾检测模型输出对应的火灾信息，火灾信息为明火、阴燃或者无火。

上述实施例中，通过预设区域的环境信息和火灾检测模型确定火灾信息，相对于单一的传感器预测，采用火灾检测模型的预测效率更高，且由于火灾检测模型是通过乌鸦搜索算法优化后得到的，准确度较高，因此可以准确预测火灾信息。

对于上述实施例提供的火灾检测模型的构建方法，图4出了本申请实施例提供的火灾检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

如图4所示，所述火灾检测模型用于根据预设区域的环境信息，检测所述预设区域的火灾信息，所述火灾检测模型的构建装置包括：

获取模块10，用于获取待优化参数及测试样本，所述测试样本包括环境信息以及与所述环境信息对应的火灾信息；

计算模块20，用于执行迭代步骤，所述迭代步骤包括：

根据所述待优化参数生成待优化模型，将所述环境信息输入所述待优化模型，根据所述待优化模型的输出结果、所述环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数；

循环模块30，用于将所述迭代参数作为新的待优化参数，循环执行所述迭代步骤，直到满足预设迭代条件，将满足所述迭代条件的迭代参数作为最优参数；

优化模块40，用于根据所述最优参数生成火灾检测模型。

在一种可能的实现方式中，所述计算模块20具体用于：

根据公式

计算更新记忆值，将计算出的更新记忆值作为迭代参数；其中，M^i,t+1表示更新记忆值，x^i,t+1表示位置更新值，M^i,t表示当前记忆值，f(x^i,t+1)表示位置更新值对应的适应度，f(M^i,t)表示当前记忆值对应的适应度，所述当前记忆值对应的适应度由所述待优化模型的输出结果以及所述环境信息对应的火灾信息计算出，所述位置更新值对应的适应度由所述位置更新值计算出。

在一种可能的实现方式中，所述位置更新值由公式

计算出，其中，x^i,t表示待优化参数，rand表示随机生成数，AP^j,t表示感知概率，x_max表示迭代参数的最大值，x_min表示迭代参数的最小值，L(β)表示随机分布数。

在一种可能的实现方式中，所述待优化参数包括初始参数，所述初始参数通过公式

x^i'＝a_i+b_i-xⁱ计算出，其中，x^i'表示初始参数，xⁱ＝c₁·(x_max-x_min)+x_min， c₁表示混沌变量，x_max表示初始参数的最大值，x_min表示初始参数的最小值，a_i表示种群的最大值，b_i表示种群的最小值。

在一种可能的实现方式中，构建的所述火灾检测模型为：

其中，y_i表示火灾检测模型的输出量，x_m表示火灾检测模型的输入量，w_ji表示权重值，μ_mj和n均为设定值，d表示输入向量的维度，φ_i由所述最优参数计算出。

在一种可能的实现方式中，所述环境信息包括烟雾浓度、一氧化碳浓度、二氧化碳浓度、甲烷浓度、温度和湿度。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

图5是本申请实施例提供的终端设备100的示意图。如图5所示，该实施例的终端设备100包括：处理器11、存储器12以及存储在所述存储器12中并可在所述处理器11上运行的计算机程序13。所述处理器11执行所述计算机程序13时实现上述垃圾分类方法实施例中的步骤，例如图2所示的步骤S101至 S104。或者，所述处理器11执行所述计算机程序13时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块10至40的功能。

示例性的，所述计算机程序13可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器11执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序13在所述终端设备中的执行过程。

所述处理器11可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器12可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器12也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字 (Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器12还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器12用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器12还可以用于暂时地存储已经输出或者将要输出的数据。

本领域技术人员可以理解，图5仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种火灾检测模型的构建方法，其特征在于，所述火灾检测模型用于根据预设区域的环境信息，检测所述预设区域的火灾信息，所述火灾检测模型的构建方法包括：

获取待优化参数及测试样本，所述测试样本包括环境信息以及与所述环境信息对应的火灾信息；

执行迭代步骤，所述迭代步骤包括：

根据所述待优化参数生成待优化模型，将所述环境信息输入所述待优化模型，根据所述待优化模型的输出结果、所述环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数；

将所述迭代参数作为新的待优化参数，循环执行所述迭代步骤，直到满足预设迭代条件，将满足所述迭代条件的迭代参数作为最优参数；

根据所述最优参数生成火灾检测模型。

2.如权利要求1所述的火灾检测模型的构建方法，其特征在于，所述根据所述待优化模型的输出结果、所述环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数包括：

根据公式

计算更新记忆值，将计算出的更新记忆值作为迭代参数；其中，M^i,t+1表示更新记忆值，x^i,t+1表示位置更新值，M^i,t表示当前记忆值，f(x^i,t+1)表示位置更新值对应的适应度，f(M^i,t)表示当前记忆值对应的适应度，所述当前记忆值对应的适应度由所述待优化模型的输出结果以及所述环境信息对应的火灾信息计算出，所述位置更新值对应的适应度由所述位置更新值计算出。

3.如权利要求2所述的火灾检测模型的构建方法，其特征在于，所述位置更新值由公式

计算出，其中，x^i,t表示待优化参数，rand表示随机生成数，AP^j,t表示感知概率，x_max表示迭代参数的最大值，x_min表示迭代参数的最小值，L(β)表示随机分布数。

4.如权利要求1所述的火灾检测模型的构建方法，其特征在于，所述待优化参数包括初始参数，所述初始参数通过公式

x^i'＝a_i+b_i-xⁱ计算出，其中，x^i'表示初始参数，xⁱ＝c₁·(x_max-x_min)+x_min，c₁表示混沌变量，x_max表示初始参数的最大值，x_min表示初始参数的最小值，a_i表示种群的最大值，b_i表示种群的最小值。

5.如权利要求1所述的火灾检测模型的构建方法，其特征在于，构建的所述火灾检测模型为：

其中，y_i表示火灾检测模型的输出量，x_m表示火灾检测模型的输入量，w_ji表示权重值，μ_mj和n均为设定值，d表示输入向量的维度，φ_i由所述最优参数计算出。

6.如权利要求1所述的火灾检测模型的构建方法，其特征在于，所述环境信息包括烟雾浓度、一氧化碳浓度、二氧化碳浓度、甲烷浓度、温度和湿度。

7.一种火灾检测方法，其特征在于，包括：

获取预设区域的环境信息；

根据所述预设区域的环境信息和火灾检测模型确定火灾信息，其中，所述火灾检测模型是执行权利要求1-6任一项所述的火灾检测模型的构建方法构建得到的。

8.一种火灾检测模型的构建装置，其特征在于，所述火灾检测模型用于根据预设区域的环境信息，检测所述预设区域的火灾信息，所述火灾检测模型的构建装置包括：

获取模块，用于获取待优化参数及测试样本，所述测试样本包括环境信息以及与所述环境信息对应的火灾信息；

计算模块，用于执行迭代步骤，所述迭代步骤包括：

根据所述待优化参数生成待优化模型，将所述环境信息输入所述待优化模型，根据所述待优化模型的输出结果、所述环境信息对应的火灾信息以及乌鸦搜索算法计算迭代参数；

循环模块，用于将所述迭代参数作为新的待优化参数，循环执行所述迭代步骤，直到满足预设迭代条件，将满足所述迭代条件的迭代参数作为最优参数；

优化模块，用于根据所述最优参数生成火灾检测模型。

9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

Images