CN111739243B - 一种基于d-s证据理论的火灾状态检测方法 - Google Patents

一种基于d-s证据理论的火灾状态检测方法 Download PDF

Info

Publication number
CN111739243B
CN111739243B CN202010404793.9A CN202010404793A CN111739243B CN 111739243 B CN111739243 B CN 111739243B CN 202010404793 A CN202010404793 A CN 202010404793A CN 111739243 B CN111739243 B CN 111739243B
Authority
CN
China
Prior art keywords
fire
probability
discrimination
concentration
smoldering
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
CN202010404793.9A
Other languages
English (en)
Other versions
CN111739243A (zh
Inventor
卫伯言
林水生
朱磊基
熊勇
于良
杨海芬
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.)
University of Electronic Science and Technology of China
Shanghai Institute of Microsystem and Information Technology of CAS
Original Assignee
University of Electronic Science and Technology of China
Shanghai Institute of Microsystem and Information Technology of CAS
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 University of Electronic Science and Technology of China, Shanghai Institute of Microsystem and Information Technology of CAS filed Critical University of Electronic Science and Technology of China
Priority to CN202010404793.9A priority Critical patent/CN111739243B/zh
Publication of CN111739243A publication Critical patent/CN111739243A/zh
Application granted granted Critical
Publication of CN111739243B publication Critical patent/CN111739243B/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
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—Specially adapted to detect a particular component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—Specially adapted to detect a particular component
    • G01N33/004—Specially adapted to detect a particular component for CO, CO2
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
    • G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a threshold to release an alarm or displaying means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种基于D‑S证据理论的火灾状态检测方法，涉及数字信号处理领域。本发明采用温度、烟雾浓度、CO浓度、O2浓度与环境初始浓度差值、热释放速率环境特征数据来分别计算出无火概率，阴燃火概率，明火概率，然后根据计算出的阴燃火概率和明火概率进行融合，从而得到火灾发生的概率；通过本发明所述方法，可以有效监测火灾发生状态，及时探测火灾的发生，便于采取补救措施，减少财产的损失；本发明所述方法，在降低虚报率的基础上，提升了火灾探测准确率，比目前常用数据源温度、CO浓度、烟雾浓度探测火灾发生时间提前至少2S。

Description

一种基于D-S证据理论的火灾状态检测方法
技术领域
本发明涉及数字信号处理领域，特别是涉及一种基于D-S证据理论的火灾状态检测方法及装置。
背景技术
在众多灾害中，火灾正在成为当前社会主要灾害之一，火灾的发生将造成巨大的财产损失和人员伤亡，带给社会不可估量的伤害。特别是随着社会的发展，城市人口愈发密集，电器自动化的普及，带来了很高的安全隐患，火灾发生数量和造成的损失正在逐年上涨。因此，如何准确的探测火灾成为当前急需解决的问题。
对于目前的火灾探测系统，人们不仅希望及早探测火灾的发生，更希望提高探测的准确率、降低虚警率，避免额外的人力资源消耗。但是目前使用的方法大多是单一数据源的固定阈值探测和多数据源的融合探测。单一数据源的固定阈值探测，虽然可以探测火灾，但是极易受其他因素影响，造成虚警，浪费人力资源。目前已存在的多数据融合探测火灾，大都采用CO浓度、烟雾浓度、温度、温湿度作为数据源。这些方法相对于单一数据源的固定阈值探测方法有一定提高。但是仍存在一定问题：数据源之间存在联系，相互干扰，会造成探测不准确，虚警率过高，不能满足人们的需求。
鉴于此，有必要引入新的数据源，设计一种新的火灾探测方法。
发明内容
鉴于以上所有技术的缺点，本发明的目的在于提供一种火灾探测方法，引入新的数据源，在降低火灾虚警率的基础上，提高火灾探测准确率。
为实现上述目的及其他相关目的，本发明提供一种基于D-S证据理论的火灾状态检测方法，该方法包括：
步骤1：确定火灾判决门限Pmax、预警门限值Pmin、火灾判别概率函数，判别概率函数分别：包括无火、阴燃火、明火的判别概率函数，本发明判别概率如图2所示；
步骤2：确定数据为：温度、烟雾浓度、CO浓度、O2浓度与环境初始浓度差值、热释放速率，根据步骤1确定的火灾判别概率函数分别计算各数据的火灾判别概率；
步骤3：对各个数据的火灾判别概率进行融合处理，得到火灾判别概率P；
步骤3.1：构建距离矩阵：
Figure BDA0002490895230000021
矩阵DM中元素：
Figure BDA0002490895230000022
其中dij为温度、烟雾浓度、CO浓度、O2浓度与环境初始浓度差值、热释放速率对应火灾判别概率向量中任意两向量之间的Jousselme距离，
Figure BDA0002490895230000023
和
Figure BDA0002490895230000024
代表某个数据源当前时刻的火灾判别概率向量(无火概率，阴燃火概率，明火概率)，D是一个2N×2N的矩阵，矩阵元素为
Figure BDA0002490895230000025
dij计算公式可化简为：
Figure BDA0002490895230000026
其中
Figure BDA0002490895230000027
为向量
Figure BDA0002490895230000028
的内积。
步骤3.2：计算各个判别概率向量所占权重，进行判别概率的预处理，公式如下：
Figure BDA0002490895230000029
Figure BDA00024908952300000210
Figure BDA00024908952300000211
其中，αi是某个数据对应的判别概率向量所占的权重，αi的计算通过指数计算uij，解决了目前通过倒数计算uij产生的Nan问题，
Figure BDA00024908952300000212
是某个数据源对应的判别概率向量：无火概率，阴燃火概率，明火概率，
Figure BDA00024908952300000213
是各个证据源判别概率向量通过权重修正后的判别概率向量(无火概率，阴燃火概率，明火概率)；
步骤3.3：将
Figure BDA00024908952300000214
进行4次D-S证据理论融合，公式如下：
Figure BDA00024908952300000215
其中K是归一化因子，其公式如下：
Figure BDA0002490895230000031
其中,
Figure BDA0002490895230000032
A1对应无火，A2对应阴燃火，A3对应明火，
Figure BDA0002490895230000033
对应的是修正后判别概率向量
Figure BDA0002490895230000034
中某个判别情况Ai的概率；
步骤3.4：将融合后得到的阴燃火概率和明火概率加起来，作为火灾发生概率Pfire，其公式如下：
Pfire＝P(A3)+P(A2)
步骤4：将火灾判别概率Pfire与火灾判别门限Pmax进行比较，若火灾判别概率Pfire大于火灾判决门限Pmax，判定此时状态为火灾发生，发生报警；否则跳至步骤5；
步骤5：若火灾判别概率P大于火灾预警门限Pmin，则发出预警，可能发生火灾。
进一步的，步骤1中确定火灾判别门限Pmax和火灾预警门限Pmin的方法包括：根据模糊逻辑中隶属度函数的概念，以不同场景下火灾发生时的检测概率为训练序列，统计火光出现时的判别概率并进行累加得到所述火灾判决门限值Pmax和预警门限值Pmin；确定火灾判别概率函数的方法包括：结合相关文献资料与生活场景，进行多次仿真，根据仿真结果训练确定；
如上所述，本发明的一种基于D-S证据理论的火灾状态检测方法，具有以下有益效果:
1.通过本发明所述方法，可以有效监测火灾发生状态，及时探测火灾的发生，便于采取补救措施，减少财产的损失；
2.本发明所述方法，在降低虚报率的基础上，提升了火灾探测准确率，比目前常用数据源温度、CO浓度、烟雾浓度探测火灾发生时间提前至少2S。
附图说明
图1为本发明提供的基于D-S证据理论的火灾状态检测方法的总体框架图。
图2为各个数据源的火灾判别概率函数。
图3为实施例一的火灾判别概率函数。
图4为使用Pyrosim仿真实施例一的火灾模拟环境。
图5为实施例一的火灾模拟环境采样频率为2HZ的结果对比图。
图6为实施例一的火灾模拟环境采样频率为5HZ的结果对比图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
如图1所示，本实施例提供一种基于D-S证据理论的火灾状态检测方法，所述火灾状态检测方法包括：
1)确定火灾判决门限Pmax，及预警门限值Pmin以及火灾判别概率函数；
2)确定数据源为温度、烟雾浓度、CO浓度、浓度与环境初始浓度差值O2浓度与环境初始浓度差值、热释放速率，将数据源通过火灾判决概率函数，分别得到温度、烟雾浓度、CO浓度、浓度与环境初始浓度差值O2浓度与环境初始浓度差值、热释放速率对应的火灾判别概率；
优选地，1)中确定火灾判别门限Pmax和火灾预警门限Pmin的方法包括：以不同场景下火灾发生时的检测概率为训练序列，统计火光出现时的判别概率并进行累加得到所述火灾判决门限值Pmax和预警门限值Pmin；
优选地，所述火灾判决门限值Pmax为0.8，火灾预警门限值Pmin为0.5；
优选地，所述火灾判别概率函数如图3；
3)对各个数据的火灾判别概率进行融合处理，得到火灾判别概率P；
优选地，构建距离矩阵：
Figure BDA0002490895230000041
矩阵DM中元素：
Figure BDA0002490895230000042
其中dij为温度、烟雾浓度、CO浓度、O2浓度与环境初始浓度差值、热释放速率对应火灾判别概率向量中任意两向量之间的Jousselme距离，
Figure BDA0002490895230000043
和
Figure BDA0002490895230000044
代表某个数据源当前时刻的火灾判别概率向量(无火概率，阴燃火概率，明火概率)，D是一个2N×2N的矩阵，矩阵元素为
Figure BDA0002490895230000045
dij计算公式可化简为：
Figure BDA0002490895230000051
其中
Figure BDA0002490895230000052
为向量
Figure BDA0002490895230000053
的内积。
优选地，计算某个数据源对应的判别概率向量(无火概率，阴燃火概率，明火概率)所占的权重，公示如下：
Figure BDA0002490895230000054
Figure BDA0002490895230000055
其中αi是某个数据源对应的判别概率向量所占的权重。
优选地，根据每个证据源的权重，修改证据源，公示如下：
Figure BDA0002490895230000056
其中
Figure BDA0002490895230000057
是每个数据源对应的判别概率向量，
Figure BDA0002490895230000058
是各个证据源判别概率向量融合后的判别概率。
将
Figure BDA0002490895230000059
进行n-1次D-S证据理论融合，公式如下：
Figure BDA00024908952300000510
其中K是归一化因子，其公式如下：
Figure BDA00024908952300000511
其中A1对应无火，A2对应阴燃火，A3对应明火，
Figure BDA00024908952300000512
对应的是修正后判别概率向量
Figure BDA00024908952300000513
中某个判别情况Ai的概率；
优选地，将得到的融合概率P中的阴燃火概率和明火概率加起来，作为火灾发生概率Pfire，其公式如下：
Pfire＝P(明火)+P(阴燃火)
4)将火灾判别概率P与火灾判别门限Pmax进行比较，若火灾判别概率P大于火灾判决门限Pmax，判定此时状态为火灾发生，发生报警；否则跳至5)。
5)若火灾判别概率P大于火灾预警门限Pmin，则发出预警，可能发生火灾。
6)对于图4的模拟环境，选用不同的采样频率2HZ(图5)和5HZ(图6)，结果表明我们的方法可以相较于目前存在的使用温度、烟雾浓度、CO浓度作为数据源的火灾检测方法提前5S检测出火灾。

Claims (2)

1.一种基于D-S证据理论的火灾状态检测方法，该方法包括：
步骤1：确定火灾判决门限Pmax、预警门限值Pmin、火灾判别概率函数，判别概率函数分别：包括无火、阴燃火、明火的判别概率函数；
步骤2：确定数据为：温度、烟雾浓度、CO浓度、O2浓度与环境初始浓度差值、热释放速率，根据步骤1确定的火灾判别概率函数分别计算各数据的火灾判别概率；
步骤3：对各个数据的火灾判别概率进行融合处理，得到火灾判别概率P；
步骤3.1：构建距离矩阵：
Figure FDA0003579781060000011
矩阵DM中元素：
Figure FDA0003579781060000012
其中dij为温度、烟雾浓度、CO浓度、O2浓度与环境初始浓度差值、热释放速率对应火灾判别概率向量中任意两向量之间的Jousselme距离，
Figure FDA0003579781060000013
和
Figure FDA0003579781060000014
代表某个数据源当前时刻的火灾判别概率向量：无火概率，阴燃火概率，明火概率，D是一个2N×2N的矩阵，矩阵元素为
Figure FDA0003579781060000015
dij计算公式可化简为：
Figure FDA0003579781060000016
其中
Figure FDA0003579781060000017
为向量
Figure FDA0003579781060000018
的内积；
步骤3.2：计算各个判别概率向量所占权重，进行判别概率的预处理，公式如下：
Figure FDA0003579781060000019
Figure FDA00035797810600000110
Figure FDA00035797810600000111
其中，αi是某个数据对应的判别概率向量所占的权重，αi的计算通过指数计算uij，解决了目前通过倒数计算uij产生的Nan问题，
Figure FDA0003579781060000021
是某个数据源对应的判别概率向量：无火概率，阴燃火概率，明火概率，
Figure FDA0003579781060000022
是各个证据源判别概率向量通过权重修正后的判别概率向量：无火概率，阴燃火概率，明火概率；
步骤3.3：将
Figure FDA0003579781060000023
进行4次D-S证据理论融合，公式如下：
Figure FDA0003579781060000024
其中K是归一化因子，其公式如下：
Figure FDA0003579781060000025
其中,
Figure FDA0003579781060000026
A1对应无火，A2对应阴燃火，A3对应明火，
Figure FDA0003579781060000027
对应的是修正后判别概率向量
Figure FDA0003579781060000028
中某个判别情况Ai的概率；
步骤3.4：将融合后得到的阴燃火概率和明火概率加起来，作为火灾发生概率Pfire，其公式如下：
Pfire＝P(A3)+P(A2)
步骤4：将火灾判别概率Pfire与火灾判别门限Pmax进行比较，若火灾判别概率Pfire大于火灾判决门限Pmax，判定此时状态为火灾发生，发生报警；否则跳至步骤5；
步骤5：若火灾判别概率P大于火灾预警门限Pmin，则发出预警，可能发生火灾。
2.如权利要求1所述的一种基于D-S证据理论的火灾状态检测方法，其特征在于所述步骤1中确定火灾判别门限Pmax和火灾预警门限Pmin的方法包括：根据模糊逻辑中隶属度函数的概念，以不同场景下火灾发生时的检测概率为训练序列，统计火光出现时的判别概率并进行累加得到所述火灾判决门限值Pmax和预警门限值Pmin。
CN202010404793.9A 2020-05-14 2020-05-14 一种基于d-s证据理论的火灾状态检测方法 Active CN111739243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010404793.9A CN111739243B (zh) 2020-05-14 2020-05-14 一种基于d-s证据理论的火灾状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010404793.9A CN111739243B (zh) 2020-05-14 2020-05-14 一种基于d-s证据理论的火灾状态检测方法

Publications (2)

Publication Number Publication Date
CN111739243A CN111739243A (zh) 2020-10-02
CN111739243B true CN111739243B (zh) 2022-06-03

Family

ID=72647216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010404793.9A Active CN111739243B (zh) 2020-05-14 2020-05-14 一种基于d-s证据理论的火灾状态检测方法

Country Status (1)

Country Link
CN (1) CN111739243B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907885B (zh) * 2021-01-12 2022-08-16 中国计量大学 基于scnn的分散集中式家居图像火灾报警系统及方法
CN113936413B (zh) * 2021-12-03 2023-06-06 西南石油大学 一种早期火灾监测预警方法和装置
CN114267150A (zh) * 2021-12-28 2022-04-01 中国科学技术大学 一种锂电池热失控早期火灾检测预警方法
CN115171318B (zh) * 2022-05-13 2024-03-12 国网浙江省电力有限公司金华供电公司 一种储能电站移动储能仓内锂电池火灾探测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101539241B (zh) * 2009-05-07 2012-07-04 北京航空航天大学 一种管道泄漏监测网络的层级式多源数据融合方法
CN101996157B (zh) * 2010-10-23 2013-08-21 山东科技大学 证据高冲突环境下多源信息融合方法
CN103279033B (zh) * 2013-05-03 2015-06-03 河海大学 一种原油管道调合过程状态辨识方法
CN104765970A (zh) * 2015-04-22 2015-07-08 国网青海省电力公司检修公司 一种高海拔电力设备状态评价方法
CN105550714A (zh) * 2015-12-30 2016-05-04 国家电网公司 一种异构网络环境中告警信息的聚类融合方法
CN110766901A (zh) * 2018-07-25 2020-02-07 西北农林科技大学 一种汽车火灾报警仪
CN109978005A (zh) * 2019-02-25 2019-07-05 深圳市中电数通智慧安全科技股份有限公司 一种火灾报警方法、装置、存储介质及终端设备
CN109871899A (zh) * 2019-03-05 2019-06-11 中国人民解放军海军航空大学 一种基于加权修正的冲突证据组合方法
CN110097727A (zh) * 2019-04-30 2019-08-06 暨南大学 基于模糊贝叶斯网络的森林火灾预警方法及系统

Also Published As

Publication number Publication date
CN111739243A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN111739243B (zh) 一种基于d-s证据理论的火灾状态检测方法
CN206058455U (zh) 一种具备三种等级烟雾识别的火灾图像识别系统
CN110801593B (zh) 一种融合多模态数据的极早期火灾预警系统及方法
CN112287816A (zh) 一种基于深度学习的危险工作区事故自动检测报警方法
EP3361459B1 (en) Method, apparatus and system for passive infrared sensor framework
CN111919242B (zh) 用于处理多个信号的系统和方法
CN115865649A (zh) 一种智能运维管理控制方法、系统和存储介质
CN111047816A (zh) 一种电池充电柜火灾监控方法及系统
CN111383128A (zh) 一种用于监测电网嵌入式终端设备运行状态的方法及系统
CN106652393B (zh) 假警报确定方法及装置
CN110852441B (zh) 一种基于改进朴素贝叶斯算法的火灾预警方法
CN107920224B (zh) 一种异常告警方法、设备及视频监控系统
CN105676077A (zh) 高压电缆局部放电在线监测的报警方法、装置及系统
CN111986436A (zh) 一种基于紫外、深度神经网络的综合火焰检测方法
Zhang et al. Anomaly detection approach for urban sensing based on credibility and time-series analysis optimization model
Wang et al. Forest fire detection system based on Fuzzy Kalman filter
US11449567B2 (en) Method and apparatus for detecting regional event based on search engine, and storage medium
CN112723075B (zh) 一种数据不平衡的电梯振动影响因素分析方法
CN104168152A (zh) 一种基于多层免疫的网络入侵检测方法
CN116167748B (zh) 一种城市地下综合管廊运维方法、系统、装置及电子设备
CN103810809B (zh) 基于ds证据理论判断火灾的方法
CN115862296A (zh) 铁路施工工地的火灾风险预警方法、系统、设备及介质
CN115150206A (zh) 一种信息安全用的入侵检测安全预警系统及其方法
CN113299034B (zh) 一种适应多场景的火焰识别预警方法
CN108880881A (zh) 一种云环境下资源监控的方法和装置

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