CN111613037B - 一种基于智能算法的降低复合烟感误报的方法 - Google Patents

一种基于智能算法的降低复合烟感误报的方法 Download PDF

Info

Publication number
CN111613037B
CN111613037B CN202010359973.XA CN202010359973A CN111613037B CN 111613037 B CN111613037 B CN 111613037B CN 202010359973 A CN202010359973 A CN 202010359973A CN 111613037 B CN111613037 B CN 111613037B
Authority
CN
China
Prior art keywords
sample set
smoke
composite smoke
composite
training
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
Application number
CN202010359973.XA
Other languages
English (en)
Other versions
CN111613037A (zh
Inventor
梁昆
傅一波
张轩铭
王利强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Tpson Technology Co ltd
Original Assignee
Hangzhou Tpson Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Tpson Technology Co ltd filed Critical Hangzhou Tpson Technology Co ltd
Priority to CN202010359973.XA priority Critical patent/CN111613037B/zh
Publication of CN111613037A publication Critical patent/CN111613037A/zh
Application granted granted Critical
Publication of CN111613037B publication Critical patent/CN111613037B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08B29/186—Fuzzy logic; neural networks
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Emergency Management (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Fire-Detection Mechanisms (AREA)
  • Fire Alarms (AREA)

Abstract

本发明涉及一种基于智能算法的降低复合烟感误报的方法，构建模拟空间，在模拟空间中基于预设条件设置复合烟感，选择训练样本和测试样本，对任一训练样本构建正样本集和负样本集，将正样本集和负样本集输入分类器进行训练，训练完毕后，对任一测试样本以同等条件构建正样本集和负样本集，输入训练好的分类器进行检测，检测准确度达到预设标准，则以训练好的分类器应用于复合烟感。本发明通过对复合烟感进行重复演练，在一般的环境下，烟感的老化速度、积灰速度是基本一致的，进而对于采样数据进行分析，即可以直接基于使用时长对烟感的情况进行智能识别，提高烟感的报警阈值，减少误报的干扰。

Description

一种基于智能算法的降低复合烟感误报的方法
技术领域
本发明涉及火灾报警器；响应爆炸的报警器的技术领域，特别涉及一种基于智能算法的降低复合烟感误报的方法。
背景技术
烟感报警器是烟感或烟雾报警器的别称，其通过监测烟雾的浓度来实现火灾防范，被广泛运用在时下的各种消防报警系统中。
就烟感报警器的使用原理来说，其在正常情况下，遇到火灾或其他燃烧的情况，产生烟雾，烟雾进入到烟感内部，由传感器进行感测、或是由光电迷宫采集到电流，满足报警条件后进行报警。
然而，现有技术中，人们极少会有换装烟感的举动，烟感往往在固定的一个地方安装较长时间，而有时候烟感安装的时间较久，里面则会积有灰尘，当气流通过烟感时，灰尘很容易被吹起，由此烟感会误认为此是烟气，而正是因为对于安全性的考量，烟感中的传感器对极微小的烟雾粒子都很敏感，故而误触报警的情况时有发生；更有甚者，如水蒸气之类的气也有可能引起烟感报警。
为了解决上述问题，复合式感烟感温火灾探测器采用烟雾传感器件和半导体温度传感器件构成的多元复合探测器作为烟感进行探测，这一定程度上增强了误报的识别率，但是依旧需要人工进行判别。
发明内容
本发明解决了现有技术中，烟感在长时间安装后，当气流通过烟感时，灰尘很容易被吹起，由此烟感会误认为此是烟气，误报率较高的问题，提供了一种优化的基于智能算法的降低复合烟感误报的方法。
本发明所采用的技术方案是，一种基于智能算法的降低复合烟感误报的方法，所述方法包括以下步骤：
步骤1：构建模拟空间，在模拟空间中基于预设条件设置复合烟感；
步骤2：选择训练样本和测试样本；
步骤3：对任一训练样本构建正样本集和负样本集，将正样本集和负样本集输入分类器进行训练；
步骤4：训练完毕后，对任一测试样本以步骤3的同等条件构建正样本集和负样本集，输入训练好的分类器进行检测；
步骤5：若检测准确度达到预设标准，则以训练好的分类器应用于复合烟感，否则，调整训练参数，重复步骤3。
优选地，所述步骤1中，模拟空间的构建指标包括空间面积及空间高度。
优选地，所述复合烟感包括光电感烟探测器和温度传感器。
优选地，所述训练样本和测试样本包括两组复合烟感，用于对应训练样本及测试样本中构建的正样本集和负样本集。
优选地，构建所述负样本集包括以下步骤：
步骤3.1.1：取训练样本中的任一复合烟感，获得其使用时间t1；
步骤3.1.2：取所述复合烟感，测试其中的颗粒物总面积s1；
步骤3.1.3：获取复合烟感的初始感测电流I10；
步骤3.1.4：获得室内温度T1；
步骤3.1.5：对复合烟感的感测电流进行预设频率的采样，获得20分钟内的采样电流组[I11,I12…I1n]，n为正整数；
步骤3.1.6：构建负样本集A=[t1,s1,I10,T1,I11,I12…I1n]；
步骤3.1.7：若对训练样本中的所有复合烟感的负样本集构建完成，则记录所有负样本集，否则，返回步骤3.1.1。
优选地，构建所述正样本集包括以下步骤：
步骤3.2.1：取训练样本中的任一复合烟感，获得其使用时间t2；
步骤3.2.2：取所述复合烟感，测试其中的颗粒物总面积s2；
步骤3.2.3：获取复合烟感的初始感测电流I20；
步骤3.2.4：向模拟空间注入模拟烟雾，配合向模拟空间中设置模拟的燃烧效果，获得室内温度T2；
步骤3.2.5：对复合烟感的感测电流进行预设频率的采样，获得复合烟感报警时刻为止的采样电流组[I21,I22…I2n]，n为正整数；
步骤3.2.6：构建正样本集A=[t2,s2,I20,T2,I21,I22…I2n]；
步骤3.2.7：若对训练样本中的所有复合烟感的正样本集构建完成，则记录所有正样本集，否则，返回步骤3.2.1。
优选地，构建所述正样本集和/或负样本集还包括记录当前模拟空间内的风速V。
优选地，构建所述正样本集还包括模拟烟雾注入点与复合烟感间距离L。
本发明涉及一种优化的基于智能算法的降低复合烟感误报的方法，通过构建模拟空间用于训练，在模拟空间中基于预设条件设置复合烟感，选择训练样本和测试样本后，对训练样本构建正样本集和负样本集，将训练样本的正样本集和负样本集输入分类器进行训练，训练完成后，以同等条件构建训练样本的正样本集和负样本集，并输入训练好的分类器进行检测，当检测准确度达到预设标准，则以训练好的分类器应用于复合烟感，否则，调整训练参数，重复训练。
本发明通过对复合烟感进行重复演练，在一般的环境下，烟感的老化速度、积灰速度是基本一致的，进而对于采样数据进行分析，即可以直接基于使用时长对烟感的情况进行智能识别，提高烟感的报警阈值，减少误报的干扰。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。
本发明涉及一种基于智能算法的降低复合烟感误报的方法，所述方法包括以下步骤。
步骤1：构建模拟空间，在模拟空间中基于预设条件设置复合烟感。
所述步骤1中，模拟空间的构建指标包括空间面积及空间高度。
所述复合烟感包括光电感烟探测器和温度传感器。
本发明中，事实上，在不同的空间环境下，灰尘在不同的时间下积累的情况不同，在小空间或空间高度较小的空间中，灰尘更容易附着和积累在烟感中，而灰尘较多的烟感又更容易误报，故以此作为基础指标构建模拟空间。
本发明中，复合烟感获得的数据包括光电感烟探测器通过光电迷宫而得到的电流数据和温度传感器得到的温度数据。
步骤2：选择训练样本和测试样本。
所述训练样本和测试样本包括两组复合烟感，用于对应训练样本及测试样本中构建的正样本集和负样本集。
步骤3：对任一训练样本构建正样本集和负样本集，将正样本集和负样本集输入分类器进行训练。
构建所述负样本集包括以下步骤：
步骤3.1.1：取训练样本中的任一复合烟感，获得其使用时间t1；
步骤3.1.2：取所述复合烟感，测试其中的颗粒物总面积s1；
步骤3.1.3：获取复合烟感的初始感测电流I10；
步骤3.1.4：获得室内温度T1；
步骤3.1.5：对复合烟感的感测电流进行预设频率的采样，获得20分钟内的采样电流组[I11,I12…I1n]，n为正整数；
步骤3.1.6：构建负样本集A=[t1,s1,I10,T1,I11,I12…I1n]；
步骤3.1.7：若对训练样本中的所有复合烟感的负样本集构建完成，则记录所有负样本集，否则，返回步骤3.1.1。
构建所述正样本集包括以下步骤：
步骤3.2.1：取训练样本中的任一复合烟感，获得其使用时间t2；
步骤3.2.2：取所述复合烟感，测试其中的颗粒物总面积s2；
步骤3.2.3：获取复合烟感的初始感测电流I20；
步骤3.2.4：向模拟空间注入模拟烟雾，配合向模拟空间中设置模拟的燃烧效果，获得室内温度T2；
步骤3.2.5：对复合烟感的感测电流进行预设频率的采样，获得复合烟感报警时刻为止的采样电流组[I21,I22…I2n]，n为正整数；
步骤3.2.6：构建正样本集A=[t2,s2,I20,T2,I21,I22…I2n]；
步骤3.2.7：若对训练样本中的所有复合烟感的正样本集构建完成，则记录所有正样本集，否则，返回步骤3.2.1。
构建所述正样本集和/或负样本集还包括记录当前模拟空间内的风速V。
构建所述正样本集还包括模拟烟雾注入点与复合烟感间距离L。
本发明中，颗粒物总面积是指颗粒物的表面积的总面积，在实际应用中，颗粒物总面积可以默认为是附着灰尘的区域的总面积。
本发明中，由于复合烟感已经被使用一段时间，其内具有灰尘，故其本身就可以被光电感烟探测器探测到，具有初始感测电流I10及I20。
本发明中，负样本是指无起火（误报）状态下的样本数据，而正样本是指起火（报警准确）状态下的样本数据，在这个前提下，室内温度存在差异，此作为区别项，被构建在对应的正样本集或负样本集中。
本发明中，获得在正样本和负样本状态下、截至报警时刻的电流采样数据，在正样本和负样本构建的过程中，采样频率一致。
本发明中，在实际的起火状态下，采样电流组[I21,I22…I2n]应存在明显的电流增加，同时温度T也应该达到标准起火温度。
本发明中，由于在实际的情况中，室内风或室外来风也对烟感的报警存在较大的影响，当风速较大时，更有可能读到烟雾颗粒数据进行报警，故还可以在样本集中记录当前模拟空间内的风速，作为辅助判定的标准。
本发明中，模拟烟雾注入点即是实际情况下的起火点，其与复合烟感间的距离也对烟感的报警存在较大的影响，事实上，当起火点与复合烟感较近的情况下，烟感的采样电流组中电流的增加将大幅加剧，故可以将模拟烟雾注入点与复合烟感间距离进行记录，作为辅助判定的标准。
本发明中，训练的过程采用一般的分类器即可，如SVM分类器，此为本领域技术人员容易理解的内容，本领域技术人员可以依据需求自行设置。
步骤4：训练完毕后，对任一测试样本以步骤3的同等条件构建正样本集和负样本集，输入训练好的分类器进行检测。
本发明中，以训练样本进行训练，以测试样本进行测试，此为本领域技术人员容易理解的内容，本领域技术人员可以依据需求自行设置。
步骤5：若检测准确度达到预设标准，则以训练好的分类器应用于复合烟感，否则，调整训练参数，重复步骤3。
本发明中，一般来说，当测试样本的检测准确度达到90%以上时，即可以应用到实际的烟感产品中。
本发明通过构建模拟空间用于训练，在模拟空间中基于预设条件设置复合烟感，选择训练样本和测试样本后，对训练样本构建正样本集和负样本集，将训练样本的正样本集和负样本集输入分类器进行训练，训练完成后，以同等条件构建训练样本的正样本集和负样本集，并输入训练好的分类器进行检测，当检测准确度达到预设标准，则以训练好的分类器应用于复合烟感，否则，调整训练参数，重复训练。
本发明通过对复合烟感进行重复演练，在一般的环境下，烟感的老化速度、积灰速度是基本一致的，进而对于采样数据进行分析，即可以直接基于使用时长对烟感的情况进行智能识别，提高烟感的报警阈值，减少误报的干扰。

Claims (5)

1.一种基于智能算法的降低复合烟感误报的方法，其特征在于：所述方法包括以下步骤：
步骤1：构建模拟空间，在模拟空间中基于预设条件设置复合烟感；模拟空间的构建指标包括空间面积及空间高度；
步骤2：选择训练样本和测试样本；
步骤3：对任一训练样本构建正样本集和负样本集，将正样本集和负样本集输入分类器进行训练；所述正样本集和负样本集分别包括复合烟感的使用时间、颗粒物总面积、初始感测电流、室内温度和采样电流组，所述正样本集和/或负样本集还包括记录当前模拟空间内的风速V，所述正样本集还包括模拟烟雾注入点与复合烟感间距离L；
步骤4：训练完毕后，对任一测试样本以步骤3的同等条件构建正样本集和负样本集，输入训练好的分类器进行检测；
步骤5：若检测准确度达到预设标准，则以训练好的分类器应用于复合烟感，否则，调整训练参数，重复步骤3。
2.根据权利要求1所述的一种基于智能算法的降低复合烟感误报的方法，其特征在于：所述复合烟感包括光电感烟探测器和温度传感器。
3.根据权利要求1所述的一种基于智能算法的降低复合烟感误报的方法，其特征在于：所述训练样本和测试样本包括两组复合烟感，用于对应训练样本及测试样本中构建的正样本集和负样本集。
4.根据权利要求3所述的一种基于智能算法的降低复合烟感误报的方法，其特征在于：构建所述负样本集包括以下步骤：
步骤3.1.1：取训练样本中的任一复合烟感，获得其使用时间t1；
步骤3.1.2：取所述复合烟感，测试其中的颗粒物总面积s1；
步骤3.1.3：获取复合烟感的初始感测电流I10；
步骤3.1.4：获得室内温度T1；
步骤3.1.5：对复合烟感的感测电流进行预设频率的采样，获得20分钟内的采样电流组[I11,I12…I1n]，n为正整数；
步骤3.1.6：构建负样本集A=[t1,s1,I10,T1,I11,I12…I1n]；
步骤3.1.7：若对训练样本中的所有复合烟感的负样本集构建完成，则记录所有负样本集，否则，返回步骤3.1.1。
5.根据权利要求3所述的一种基于智能算法的降低复合烟感误报的方法，其特征在于：构建所述正样本集包括以下步骤：
步骤3.2.1：取训练样本中的任一复合烟感，获得其使用时间t2；
步骤3.2.2：取所述复合烟感，测试其中的颗粒物总面积s2；
步骤3.2.3：获取复合烟感的初始感测电流I20；
步骤3.2.4：向模拟空间注入模拟烟雾，配合向模拟空间中设置模拟的燃烧效果，获得室内温度T2；
步骤3.2.5：对复合烟感的感测电流进行预设频率的采样，获得复合烟感报警时刻为止的采样电流组[I21,I22…I2n]，n为正整数；
步骤3.2.6：构建正样本集A=[t2,s2,I20,T2,I21,I22…I2n]；
步骤3.2.7：若对训练样本中的所有复合烟感的正样本集构建完成，则记录所有正样本集，否则，返回步骤3.2.1。
CN202010359973.XA 2020-04-30 2020-04-30 一种基于智能算法的降低复合烟感误报的方法 Active CN111613037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010359973.XA CN111613037B (zh) 2020-04-30 2020-04-30 一种基于智能算法的降低复合烟感误报的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010359973.XA CN111613037B (zh) 2020-04-30 2020-04-30 一种基于智能算法的降低复合烟感误报的方法

Publications (2)

Publication Number Publication Date
CN111613037A CN111613037A (zh) 2020-09-01
CN111613037B true CN111613037B (zh) 2022-09-13

Family

ID=72198064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010359973.XA Active CN111613037B (zh) 2020-04-30 2020-04-30 一种基于智能算法的降低复合烟感误报的方法

Country Status (1)

Country Link
CN (1) CN111613037B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184635A (zh) * 2020-09-10 2021-01-05 上海商汤智能科技有限公司 目标检测方法、装置、存储介质及设备
CN112614298A (zh) * 2020-12-09 2021-04-06 杭州拓深科技有限公司 一种基于类内交互约束分层单分类的复合烟感监测方法
CN113436404A (zh) * 2021-06-23 2021-09-24 桂林电子科技大学 一种基于智能算法的高灵敏度复合烟感低误报方法
EP4156136A1 (en) 2021-09-24 2023-03-29 Carrier Corporation Customizing algorithms based on device mounting orientation

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047815A (zh) * 2019-12-27 2020-04-21 深圳知路科技有限公司 基于自学习模型识别消防探测器误报的方法及系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201117044Y (zh) * 2007-11-20 2008-09-17 华南理工大学 基于光温复合智能监测的高层建筑火灾预报装置
CN103389719B (zh) * 2013-08-02 2015-07-22 临沂市拓普网络股份有限公司 基于云计算的智能家居监控系统及方法
US9171453B2 (en) * 2014-01-23 2015-10-27 Ut-Battelle, Llc Smoke detection
CN104766433A (zh) * 2015-04-23 2015-07-08 河南理工大学 基于数据融合的电气火灾报警系统
CN106326924A (zh) * 2016-08-23 2017-01-11 武汉大学 一种基于局部分类的目标跟踪方法及系统
CN207123923U (zh) * 2017-08-30 2018-03-20 国网安徽省电力公司电力科学研究院 智能型集中吸入式电缆火灾极早期预警装置
CN107564231B (zh) * 2017-09-15 2020-09-04 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
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
CN108447219A (zh) * 2018-05-21 2018-08-24 中国计量大学 基于视频图像的火灾检测系统及方法
US20200074143A1 (en) * 2018-08-28 2020-03-05 Vipin Vangara Unmanned aerial device for smoke and fire detection and method to monitor occupants
CN109118704A (zh) * 2018-08-30 2019-01-01 九江中船消防设备有限公司 一种船舶联网防火防盗智能灭火报警系统
CN109522819B (zh) * 2018-10-29 2020-08-18 西安交通大学 一种基于深度学习的火灾图像识别方法
CN109712367A (zh) * 2019-02-20 2019-05-03 北大青鸟环宇消防设备股份有限公司 烟雾探测器及烟雾探测方法
CN110135269B (zh) * 2019-04-18 2020-12-08 杭州电子科技大学 一种基于混合颜色模型与神经网络的火灾图像检测方法
CN110263622B (zh) * 2019-05-07 2024-09-06 平安科技（深圳）有限公司 列车火情监测方法、装置、终端及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047815A (zh) * 2019-12-27 2020-04-21 深圳知路科技有限公司 基于自学习模型识别消防探测器误报的方法及系统

Also Published As

Publication number Publication date
CN111613037A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN111613037B (zh) 一种基于智能算法的降低复合烟感误报的方法
US7969296B1 (en) Method and system for fire detection
US6166647A (en) Fire detector
CN104318688B (zh) 一种基于数据融合的多传感器火灾预警方法
CN111986436B (zh) 一种基于紫外、深度神经网络的综合火焰检测方法
US20060009920A1 (en) Particle sizing refinement system
CN111739243B (zh) 一种基于d-s证据理论的火灾状态检测方法
CN110675591B (zh) 一种抗干扰光电烟雾检测方法及检测模块
CN103389323B (zh) 一种快速无损评定名贵药材年限的方法
CN106382981A (zh) 一种单站次声波信号识别提取方法
CN115479219B (zh) 智能管道状态监测方法、监测装置及智能管道系统
CN201408467Y (zh) 一种智能火灾报警系统
CN111505064A (zh) 一种催化燃烧式甲烷传感器服役状态评价方法
Fujinaka et al. Intelligent electronic nose systems for fire detection systems based on neural networks
JPH0510904A (ja) ニオイ識別装置
CN116718648A (zh) 一种电池热失控气体的检测与识别方法及其报警装置
CN111242278A (zh) 一种基于智能算法的复合烟感低误报方法
Weng et al. Lightning forecasting using ann-BP and radiosonde
Charumporn et al. Early stage fire detection using reliable metal oxide gas sensors and artificial neural networks
CN211699151U (zh) 基于多传感器的高灵敏度吸气式感烟探测器
CN114518510B (zh) 一种绝缘子外部绝缘状态检测方法、系统及介质
CN210005470U (zh) 一种智能空气检测系统
CN115359641B (zh) 一种面向光电传感设备的规律型误报判断方法
Enescu Seismic data processing using nonlinear prediction and neural networks
CN1194421A (zh) 气敏传感器探测火灾报警方法及其装置

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