CN111625994B - 一种基于动态集成神经网络的多源信息融合火灾预测方法 - Google Patents

一种基于动态集成神经网络的多源信息融合火灾预测方法 Download PDF

Info

Publication number
CN111625994B
CN111625994B CN202010448952.5A CN202010448952A CN111625994B CN 111625994 B CN111625994 B CN 111625994B CN 202010448952 A CN202010448952 A CN 202010448952A CN 111625994 B CN111625994 B CN 111625994B
Authority
CN
China
Prior art keywords
fire
neural network
data
prediction
characteristic
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
CN202010448952.5A
Other languages
English (en)
Other versions
CN111625994A (zh
Inventor
李军
高通
李敬芳
王宝栓
朱平
乔元健
李茂阁
李文鑫
辛同亮
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.)
Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd
Qilu University of Technology
Original Assignee
Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd
Qilu University of Technology
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 Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd, Qilu University of Technology filed Critical Assa Abloy Guoqiang Shandong Hardware Technology Co Ltd
Priority to CN202010448952.5A priority Critical patent/CN111625994B/zh
Publication of CN111625994A publication Critical patent/CN111625994A/zh
Application granted granted Critical
Publication of CN111625994B publication Critical patent/CN111625994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于动态集成神经网络的多源信息融合火灾预测方法，采用创新性的逻辑设计，基于多源信息融合方法建立火灾预测模型，将多种火灾特征信号依次经过信息层、特征层、决策层，在特征层利用深度学习中的LSTM和RBF‑BP神经网络作为子网络对多源火灾特征信号进行自适应学习，并将输出结果进行集成分析，再经决策层完成火灾预测，解决了火灾信号的时变性和非线性特点以及单特征信号火灾预测方法的高漏报率和误报率问题，有效提高了火灾预测系统的识别准确度。此方法具有较强的可扩展性，当检测环境改变后，只需要重新提供数据集即可建立一个较为完备的预测模型，具有较强的自适应性。

Description

一种基于动态集成神经网络的多源信息融合火灾预测方法
技术领域
本发明涉及人工智能技术领域，特别涉及一种基于动态集成神经网络的多源信息融合火灾预测方法。
背景技术
随着科学技术的不断进步，人们生活水平的不断提高，智能家居已经成为一种趋势。舒适性不再是家居生活的唯一的标准，安全性、智能型越来越受到人们的重视。而现代家居火灾发生的频率和规模越来越大，造成生命财产的极大损失，所以对现代家居火灾预测智能系统的研究有着非常重要的意义。
传统的火灾预警方法大都是通过多种传感器(烟雾传感器、一氧化碳传感器以及温度传感器)获取空气中的烟雾浓度、一氧化碳浓度以及温度信息，通过对单一变量设定阈值经决策判定得到最后的结果。但是由于火灾发生的原因以及环境的不同可能使火灾特征信息有不同的表现，采用单一的特征信息作为检测对象会导致传统的火灾预警系统出现漏报或误报的现象，造成了大量的人身财产损失以及给社会带来资源损耗的问题。
发明内容
本发明为了弥补现有技术中传统火灾预警方法采用单一的特征信息作为检测对象会导致火灾预警系统出现漏报或误报的不足，提供了一种以LSTM和RBF-BP混合神经网络作为子网络的动态集成神经网络模型火灾预测方法。
本发明是通过如下技术方案实现的：
一种基于动态集成神经网络的多源信息融合火灾预测方法，其特征在于，包括以下步骤：
步骤1：提取中国标准明火SH4、标准阴燃火SH1以及厨房环境下典型干扰信号(德国Duidsurg市立医院厨房)以及国内外核心期刊上所发表文章的关键数据，选取14种火焰燃烧时产生的特征信息作为火灾预测的特征参数，通过速率检测算法对所提取的数据进行阈值检测判断作为样本数据；
步骤2：将步骤1的样本数据随机打乱并重新划分为2500组训练集和500组测试集，并对数据进行归一化处理，归一化公式为
Figure GDA0003855800990000021
步骤3：利用LSTM神经网络具有对时序信息良好的预测性能的特性，对步骤2中的训练数据进行预测，通过上一时间段的特征信息预测下一时间段的特征信息，实现对数据的预知功能；
步骤4：将步骤3的LSTM神经网络所预测的数据作为RBF-BP神经网络特征输入，网络输出为有火概率、无火概率和阴燃火概率；
步骤5：将步骤4的多个LSTM和RBF-BP子网络的输出通过加权平均法集成；
步骤6：利用MATLAB的模糊工具箱建立模糊规则，将步骤5的集成后神经网络输出作为模糊控制模型的输入，最终得到有无火灾的预测；
步骤7：将500组测试数据输入到由步骤3、步骤4和步骤5所建立的模型中测试。
优选地，所述步骤1中，将14种特征信息分为三类：能量辐射特征信息(红外线、紫外线和可见光)、气体浓度特征信息(一氧化碳浓度、二氧化碳浓度、氢气浓度和烟雾浓度)、检测信号持续时间特征信息(检测到的红外线、紫外线、可见光、一氧化碳浓度、二氧化碳浓度、氢气浓度和烟雾浓度特征信息的持续时间)。
优选地，所述步骤2中，数据归一化的范围为(0，1)。
优选地，所述步骤3中，LSTM神经网络采用3层隐含层，每一层神经元个数分别为100，50，50，时间步长设置为1，并通过改进的蚁群优化算法进行优化。
优选地，改进的蚁群优化算法通过自适应因子P自适应的调节信息启发因子α，根据待预测数据与模型训练数据的对比情况确定信息素的强度来改变搜索随机性的大小。
优选地，所述步骤4中，RBF-BP采用了RBF网络和BP网络的融合形式，实现两种神经网络的优势互补，网络的隐含层有3层，第一层隐含层激活函数采用高斯函数，第二层和第三层隐含层激活函数采用sigmoid函数，网络输出神经元的个数为3。
优选地，所述步骤4中，RBF-BP神经网络训练包括以下步骤：
步骤4.1：在建立初步预测模型后，切换到在线预测方式，神经网络的输出即为预测输出，预测完成后，神经网络立即对当前时刻的输入数据进行在线学习，调整神经网络的学习参数和结构参数，以使神经网络预测模型随着特征信号时变系统的动态变化及时做出更新；
步骤4.2：采用Adam算法优化神经网络，神经网络的学习率随着迭代次数的增加而减少。
步骤4.3：性能指标均方根误差
Figure GDA0003855800990000031
优选地，所述步骤7中，测试数据为随机选取的十组性能指标数据的平均值
Figure GDA0003855800990000032
本发明的有益效果是：
本发明所设计的一种基于动态集成神经网络的多源信息融合火灾预测方法，采用创新性的逻辑设计，基于多源信息融合方法建立火灾预测模型，将多种火灾特征信号依次经过信息层、特征层、决策层，在特征层利用深度学习中的LSTM和RBF-BP神经网络作为子网络对多源火灾特征信号进行自适应学习，并将每个子网络的输出结果集成分析，再经决策层完成火灾预测，解决了火灾信号的时变性和非线性特点以及单特征信号火灾预测方法的高漏报率和误报率问题，有效提高了火灾预测系统的识别准确度，更符合当今火灾预测的需求。
附图说明
图1为本发明基于动态集成神经网络的多源信息融合火灾预测方法的火灾预测模型整体结构图；
图2为本发明基于动态集成神经网络的多源信息融合火灾预测方法的LSTM神经网络模型结构图；
图3为本发明基于动态集成神经网络的多源信息融合火灾预测方法的RBF-BP神经网络模型结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1-图3为本发明的一种具体实施例，该实施例为一种基于动态集成神经网络的多源信息融合火灾预测方法，网络模型如图1所示，所述方法包括以下步骤。
步骤1：提取中国标准明火SH4、标准阴燃火SH1以及厨房环境下典型干扰信号(德国Duidsurg市立医院厨房)以及国内外核心期刊上所发表文章的关键数据，选取14种火焰燃烧时产生的特征信息作为火灾预测的特征参数，通过速率检测算法对所提取的数据进行阈值检测判断作为样本数据。
所述步骤1中，速率检测算法的具体实现过程包括以下步骤：
步骤1.1：在一段时间t(t＝1,2,...,n)内，14种传感器分别采用N组信号。
步骤1.2：在此时间段内，每种传感器采集的N组烟雾浓度信号中每两个相邻信号差的总和为：
Figure GDA0003855800990000041
步骤1.3：Yτ为每种传感器的报警门限，对每种传感器在此时间段的局部决策为：B＝f(Y-Yτ)。
步骤1.4：当14种传感器在此时间段的局部决策有一个值为1时，说明此时间段内有一个信号为异常状态，当前检测环境发生火灾，将14种传感器采集到的信号提交给神经网络模型，判断没有火灾时，取消上传采集到的信号，继续进行信号采集和局部决策。
步骤2：将步骤1所述的样本数据随机打乱并重新划分为2500组训练集和500组测试集，并对数据进行归一化处理，使得数据范围为(0，1)，归一化公式为
Figure GDA0003855800990000051
步骤3：基于步骤2所述的训练数据，利用LSTM神经网络具有对时序信息良好的预测性能对训练数据进行预测，通过上一时间段的特征信息预测下一时间段的特征信息，以实现对数据的预知功能，LSTM神经网络结构如图2所示，LSTM神经网络算法通过网络中的“门”来实现。
遗忘门主要通过一个Sigmoid函数来完成，它以上一个单元的输出数据信号H(t-1)和该时刻的输入的火灾信号X(t)作为输入，通过产生(0,1)值来确定C(t-1)单元状态信息被遗忘的程度，遗忘门模型如下：
ft＝σ(Wf·[H(t-1)，Xt]+bf)
其中，Wf为遗忘门的权重矩阵，bf为遗忘门的偏置项，σ为Sigmoid函数。
输入门是通过与一个Tanh函数的配合来确定哪些新的火灾信号输入信息可以被输入到网络。Tanh函数经运算得到新的变量C(t)*，输入门会产生一个(0,1)的值并将其赋给C(t)*，从而控制新输入信息的输入网络的多少，结合遗忘门所得到的输出ft以及输入门所得到的输出it，就得到了新的记忆单元的单元状态信息C(t)，输入门模型如下：C(t)＝ft*C(t-1)+it*C(t)*。
输出门控制当前单元的状态信息丢失量的多少，输出门通过产生一个(0,1)的值并将其赋予单元状态的每一项，从而控制单元状态的过滤程度，输出门模型如下：
Ot＝σ(Wo·[H(t-1)，Xt]+bo)
H(t)＝Ot*tanh(C(t))
其中，Wo为单元状态的权重矩阵，bo为单元状态的偏置项，σ为Sigmoid函数。
本实施例中，LSTM网络采用3层隐含层，每一层神经元个数分别为100，50，50，时间步长设置为1，LSTM神经网络通过改进的蚁群优化算法进行优化，蚁群优化算法通过自适应因子P自适应的调节信息启发因子α，根据待预测数据与模型训练数据的对比情况确定信息素的强度来改变搜索随机性的大小。
步骤4：将步骤3所述LSTM网络所预测的数据作为RBF-BP神经网络特征输入，网络输出为有火概率、无火概率和阴燃火概率。RBF-BP神经网络结构如图3所示。RBF-BP神经网络的算法实现主要包括前向传播和误差反向传播两部分。
前向传播是将每一个神经元的输入值与权值矩阵相乘后再加上偏置项，经激活函数后的到该神经元的输出，其公式如下：outi＝σ(wi*xi+bi)
其中，wi为输入门的权重矩阵，bi为输入门的偏置项,σ为Sigmoid函数。
误差反向传播是一个不断更新权值和偏置值的过程，首先需要设定一个损失函数，然后选择一个优化器不断降低损失函数值，这里优化器选用梯度下降法，损失函数选用均方根误差函数，其公式如下：
Figure GDA0003855800990000071
所述步骤4中，RBF-BP神经网络训练包括以下步骤：
步骤4.1：在建立初步预测模型后，切换到在线预测方式，神经网络的输出即为预测输出，预测完成后，神经网络立即对当前时刻的输入数据进行在线学习，调整神经网络的学习参数和结构参数，以使神经网络预测模型随着特征信号时变系统的动态变化及时做出更新；
步骤4.2：采用Adam算法优化神经网络，神经网络的学习率随着迭代次数的增加而减少。
步骤4.3：性能指标选择均方根误差μmse，
Figure GDA0003855800990000072
本实施例中，RBF-BP网络采用了RBF网络和BP网络的融合形式，实现两种神经网络的优势互补，RBF-BP网络结构如图3所示，网络的隐含层有3层，第一层隐含层激活函数采用高斯函数，第二层和第三层隐含层激活函数采用sigmoid函数，网络输出神经元的个数为3。
步骤5：将步骤4所述的多个LSTM和RBF-BP子网络的输出通过加权平均法集成，加权平均计算公式为
Figure GDA0003855800990000073
步骤6：利用MATLAB的模糊工具箱建立模糊规则，将步骤5所述的神经网络输出集成后作为模糊控制模型的输入，最终得到有无火灾的预测。
步骤7：将500组测试数据输入到由步骤3、步骤4和步骤5所建立的模型中测试，测试性能对比数据为随机选取的十组性能指标数据的平均值
Figure GDA0003855800990000074
以上技术方案的设计基于一种动态集成神经网络的多源信息融合火灾预测方法，采用创新性的逻辑设计，基于多源信息融合方法建立火灾预测模型，将多种火灾特征信号依次经过信息层、特征层、决策层，在特征层利用深度学习中的LSTM和RBF-BP神经网络作为子网络对多源火灾特征信号进行自适应学习，并将每个子网络的输出结果集成分析，再经决策层完成火灾预测，解决了火灾信号的时变性和非线性特点以及单特征信号火灾预测方法的高漏报率和误报率问题，有效提高了火灾预测系统的识别准确度，更符合当今火灾预测的需求。
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，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于动态集成神经网络的多源信息融合火灾预测方法，其特征在于，包括以下步骤：
步骤1：提取中国标准明火SH4、标准阴燃火SH1以及厨房环境下典型干扰信号以及国内外核心期刊上所发表文章的关键数据，所述厨房环境下典型干扰信号为在德国Duidsurg市立医院厨房环境下采集的干扰信号，选取14种火焰燃烧时产生的特征信息作为火灾预测的特征参数，通过速率检测算法对所提取的数据进行阈值检测判断作为样本数据；将所述14种火焰燃烧时产生的特征信息分为三类：能量辐射特征信息，所述能量辐射特征信息为红外线、紫外线和可见光；气体浓度特征信息，所述气体浓度特征信息为一氧化碳浓度、二氧化碳浓度、氢气浓度和烟雾浓度；检测信号持续时间特征信息，所述检测信号持续时间特征信息为检测到的红外线、紫外线、可见光、一氧化碳浓度、二氧化碳浓度、氢气浓度和烟雾浓度特征信息的持续时间；
所述速率检测算法的具体实现过程包括以下步骤：
步骤1.1：在一段时间t(t＝1,2,...,n)内，14种传感器分别采用N组信号；
步骤1.2：在此时间段内，每种传感器采集的N组烟雾浓度信号中每两个相邻信号差的总和为：
Figure FDA0003800700760000011
步骤1.3：Yτ为每种传感器的报警门限，对每种传感器在此时间段的局部决策为：B＝f(Y-Yτ)；
步骤1.4：当14种传感器在此时间段的局部决策有一个值为1时，说明此时间段内有一个信号为异常状态，当前检测环境发生火灾，将14种传感器采集到的信号提交给神经网络模型，判断没有发生火灾时，取消上传采集到的信号，继续进行信号采集和局部决策；
步骤2：将步骤1的样本数据随机打乱并重新划分为2500组训练集和500组测试集，并对数据进行归一化处理，归一化公式为
Figure FDA0003800700760000021
步骤3：利用LSTM神经网络具有对时序信息良好的预测性能的特性，对步骤2中的训练数据进行预测，通过上一时间段的特征信息预测下一时间段的特征信息，实现对数据的预知功能；LSTM神经网络采用3层隐含层，每一层神经元个数分别为100，50，50，时间步长设置为1，并通过改进的蚁群优化算法进行优化；所述改进的蚁群优化算法通过自适应因子P自适应的调节信息启发因子α，根据待预测数据与模型训练数据的对比情况确定信息素的强度来改变搜索随机性的大小；
步骤4：将步骤3的LSTM神经网络所预测的数据作为RBF-BP神经网络特征输入，网络输出为有火概率、无火概率和阴燃火概率；
其中步骤4中的RBF-BP神经网络训练包括以下步骤：
步骤4.1：在建立初步预测模型后，切换到在线预测方式，神经网络的输出即为预测输出，预测完成后，神经网络立即对当前时刻的输入数据进行在线学习，调整神经网络的学习参数和结构参数，以使神经网络预测模型随着特征信号时变系统的动态变化及时做出更新；
步骤4.2：采用Adam算法优化神经网络，神经网络的学习率随着迭代次数的增加而减少；
步骤4.3：训练性能指标均方根误差
Figure FDA0003800700760000022
步骤5：将步骤4的LSTM和RBF-BP子网络的输出，有火概率、无火概率和阴燃火概率通过加权平均法集成，加权平均计算公式为
Figure FDA0003800700760000023
步骤6：利用MATLAB的模糊工具箱建立模糊规则，将步骤5的集成后神经网络输出作为模糊控制模型的输入，最终得到有无火灾的预测；
步骤7：将500组测试数据输入到由步骤3、步骤4和步骤5所建立的模型中测试。
2.根据权利要求1所述的基于动态集成神经网络的多源信息融合火灾预测方法，其特征在于：
所述步骤2中，数据归一化的范围为(0，1)。
3.根据权利要求1所述的基于动态集成神经网络的多源信息融合火灾预测方法，其特征在于：
所述步骤4中，RBF-BP采用了RBF网络和BP网络的融合形式，实现两种神经网络的优势互补，网络的隐含层有3层，第一层隐含层激活函数采用高斯函数，第二层和第三层隐含层激活函数采用sigmoid函数，网络输出神经元的个数为3。
4.根据权利要求1所述的基于动态集成神经网络的多源信息融合火灾预测方法，其特征在于：
所述步骤7中，测试数据为随机选取的十组性能指标数据的平均值
Figure FDA0003800700760000031
CN202010448952.5A 2020-05-25 2020-05-25 一种基于动态集成神经网络的多源信息融合火灾预测方法 Active CN111625994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010448952.5A CN111625994B (zh) 2020-05-25 2020-05-25 一种基于动态集成神经网络的多源信息融合火灾预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010448952.5A CN111625994B (zh) 2020-05-25 2020-05-25 一种基于动态集成神经网络的多源信息融合火灾预测方法

Publications (2)

Publication Number Publication Date
CN111625994A CN111625994A (zh) 2020-09-04
CN111625994B true CN111625994B (zh) 2022-10-25

Family

ID=72259942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010448952.5A Active CN111625994B (zh) 2020-05-25 2020-05-25 一种基于动态集成神经网络的多源信息融合火灾预测方法

Country Status (1)

Country Link
CN (1) CN111625994B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270122B (zh) * 2020-10-10 2022-04-29 清华大学 一种建筑火灾火源参数反演评估方法
CN112287990B (zh) * 2020-10-23 2023-06-30 杭州卷积云科技有限公司 一种基于在线学习的边云协同支持向量机的模型优化方法
CN112419650A (zh) * 2020-11-11 2021-02-26 国网福建省电力有限公司电力科学研究院 基于神经网络与图像识别技术的火灾探测方法及系统
CN112434971A (zh) * 2020-12-10 2021-03-02 天津大学 基于神经网络的区域消防风险计算方法
CN112561200A (zh) * 2020-12-22 2021-03-26 国网甘肃省电力公司电力科学研究院 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术
CN112885021B (zh) * 2021-01-27 2022-12-23 上海大学 一种基于复合算法的多传感器火灾预测方法及系统
CN113223264B (zh) * 2021-05-08 2023-07-25 南通理工学院 基于qpso-bp神经网络的火灾智能预警系统及方法
CN113420803A (zh) * 2021-06-16 2021-09-21 杭州申弘智能科技有限公司 一种适用于变电站的多探测器联合火警判定方法
CN113516837B (zh) * 2021-07-21 2022-09-23 重庆大学 一种基于多源信息融合的城市火灾判断方法、系统及其存储介质
CN113743328A (zh) * 2021-09-08 2021-12-03 无锡格林通安全装备有限公司 一种基于长短期记忆模型的火焰探测方法及装置
CN114046179B (zh) * 2021-09-15 2023-09-22 山东省计算中心（国家超级计算济南中心） 一种基于co监测数据智能识别和预测井下安全事故的方法
CN113985913B (zh) * 2021-09-24 2024-04-12 大连海事大学 一种基于城市火势蔓延预测的集分式多无人机救援系统
CN113807031A (zh) * 2021-11-18 2021-12-17 广东智云工程科技有限公司 基于lstm与深度残差神经网络的基坑灾害预测预警方法
CN114390376B (zh) * 2021-12-20 2023-04-07 淮阴工学院 火灾大数据远程探测与预警系统
CN115754008A (zh) * 2022-09-28 2023-03-07 哈尔滨工业大学（威海） 结构损伤联合监测方法、系统、计算机设备和存储介质
CN116362139B (zh) * 2023-04-14 2024-01-30 应急管理部沈阳消防研究所 基于层次化长短时记忆网络的多参量火灾检测方法
CN116977909B (zh) * 2023-09-22 2023-12-19 中南民族大学 一种基于多模态数据的深度学习火灾强度识别方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956807A (zh) * 2019-12-05 2020-04-03 中通服咨询设计研究院有限公司 基于多源数据与滑动窗口组合的高速公路流量预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI676940B (zh) * 2018-08-29 2019-11-11 國立交通大學 以機械學習為基礎之最佳化預測模型的建立與預測結果的取得系統及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956807A (zh) * 2019-12-05 2020-04-03 中通服咨询设计研究院有限公司 基于多源数据与滑动窗口组合的高速公路流量预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于LSTM-BP组合模型的短时交通流预测;李明明;《计算机系统应用》;20191031;第152-156页 *
基于遗传优化的RBF-BP网络的实时故障检测;李仿华;《微型机与应用》;20120831;第90-92页 *
多传感器信息融合火灾探测器的研究;史增芳;《自动化技术与应用》;20160930;第8-10、39页 *

Also Published As

Publication number Publication date
CN111625994A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN111625994B (zh) 一种基于动态集成神经网络的多源信息融合火灾预测方法
KR101927910B1 (ko) 심층 신경망 기반 질병 정보 예측 시스템 및 방법
CN106453293B (zh) 一种基于改进bpnn的网络安全态势预测方法
CN110070141A (zh) 一种网络入侵检测方法
CN105160249B (zh) 一种基于改进的神经网络集成的病毒检测方法
Yu et al. Short-term solar flare prediction using a sequential supervised learning method
CN107465664B (zh) 基于并行多人工蜂群算法和支持向量机的入侵检测方法
CN111834010B (zh) 一种基于属性约简和XGBoost的病毒检测假阴性识别方法
CN109272037B (zh) 一种应用于红外火焰识别的自组织ts型模糊网络建模方法
CN113288163A (zh) 基于注意力机制的多特征融合心电信号分类模型建模方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN105975991B (zh) 一种改进的极限学习机火灾种类识别方法
CN112087442A (zh) 基于注意力机制的时序相关网络入侵检测方法
CN107121926A (zh) 一种基于深度学习的工业机器人可靠性建模方法
CN110852441A (zh) 一种基于改进朴素贝叶斯算法的火灾预警方法
CN115422995A (zh) 一种改进社交网络和神经网络的入侵检测方法
CN114374541A (zh) 一种基于强化学习的异常网络流量检测器生成方法
CN115964503B (zh) 基于社区设备设施的安全风险预测方法及系统
Geng et al. On decision making in human-machine networks
CN111131279B (zh) 基于免疫理论的安全感知模型构建方法
Baynath et al. Machine learning algorithm on keystroke dynamics pattern
Hu et al. An electromagnetic environment situation assessment and abnormal detection technology
CN114970745A (zh) 物联网智能安防与环境大数据系统
CN112260870B (zh) 基于动态模糊聚类和灰色神经网络的网络安全预测方法
Sun et al. A novel genetic Algorithm-XGBoost based intrusion detection method

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