CN112465119A - 一种基于深度学习的消防险情预警方法及装置 - Google Patents

一种基于深度学习的消防险情预警方法及装置 Download PDF

Info

Publication number
CN112465119A
CN112465119A CN202011421022.7A CN202011421022A CN112465119A CN 112465119 A CN112465119 A CN 112465119A CN 202011421022 A CN202011421022 A CN 202011421022A CN 112465119 A CN112465119 A CN 112465119A
Authority
CN
China
Prior art keywords
fire
dangerous case
fighting
deep learning
dangerous
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
Application number
CN202011421022.7A
Other languages
English (en)
Inventor
张浩霖
董志勇
马燕娟
严文康
刘之海
谢筱依
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.)
Wuhan Ligong Guangke Co Ltd
Original Assignee
Wuhan Ligong Guangke 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 Wuhan Ligong Guangke Co Ltd filed Critical Wuhan Ligong Guangke Co Ltd
Priority to CN202011421022.7A priority Critical patent/CN112465119A/zh
Publication of CN112465119A publication Critical patent/CN112465119A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Tourism & Hospitality (AREA)
  • Genetics & Genomics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Fire Alarms (AREA)

Abstract

本发明公开一种基于深度学习的消防险情预警方法及装置，所述方法包括：获取一定数量的火灾历史数据，分别提取历史数据中的险情特征和对应的险情结果，构建训练集；构建基于深度学习自注意力机制的消防险情判别模型，并基于所述训练集训练所述消防险情判别模型；采用改进的麻雀搜索算法优化所述消防险情判别模型的初始网络权值和偏移值；通过传感装置按周期采集消防险情数据，基于所述消防险情判别模型识别险情。本发明基于深度学习模型学习历史数据中的险情特征，采集实时险情数据并进行实时险情预警和险情类别识别，可提高消防险情预警的效率。

Description

一种基于深度学习的消防险情预警方法及装置
技术领域
本发明涉及消防安全技术领域，具体涉及一种基于深度学习的消防险情预警方法及装置。
背景技术
在各种灾害中，火灾是最经常、最普遍地威胁公众安全和社会发展的主要灾害之一。各类传感器的普及为消防预警提供了便利，可以在一定程度上实现消防预警，但是传统的消防预警方法中，大多只是将采集的传感器数据回传，通过将险情特征一一比对或者设置简单的判断条件来判断是否进行消防预警。实际情况中，火灾现场环境数据复杂，很难根据单一特征或者简单的而判断条件实现准确的火灾预警，也无法实现险情类别预判。
发明内容
有鉴于此，本发明提出了一种基于深度学习的消防险情预警方法及装置，用于解决现有技术无法在火灾初期有效实现火灾预警和险情类别预判的问题。
本发明第一方面，公开一种基于深度学习的消防险情预警方法，所述方法包括：
获取一定数量的火灾历史数据，分别提取历史数据中的险情特征和对应的险情结果，构建训练集；
构建基于深度学习自注意力机制的消防险情判别模型，并基于所述训练集训练所述消防险情判别模型；
通过传感装置按周期采集消防险情数据，基于所述消防险情判别模型识别险情。
优选的，所述分别提取历史数据中的险情特征和对应的险情类别、发生位置，构建训练集具体包括：
分别提取历史数据中每一场火灾的险情特征，所述险情特征包括各个传感装置的位置信息及采集到的环境数据；
分别提取与所述险情特征对应的险情结果，所述险情结果包括险情类别、发生位置；
对提取出的险情特征进行统一标准化处理，组成险情特征序列，对险情结果进行量化表示，作为标签；
每一场火灾的险情特征序列和对应的标签组成一个训练样本，将所有火灾的训练样本组成一个训练集。
优选的，所述基于深度学习自注意力机制的消防险情判别模型包括自注意力模块、双向长短时记忆网络模块、全连接层和输出层；所述自注意力模块，用于计算自身输入特征序列中不同位置的环境数据之间关系的深层特征并输出；所述消防险情判别模型的损失函数采用交叉熵损失函数。
优选的，采用麻雀搜索算法优化所述消防险情判别模型的初始网络权值和偏移值，麻雀搜索算法的适应度函数为所述消防险情判别模型的均方误差函数。
优选的，所述通过传感装置按周期采集消防险情数据具体包括：获取不同传感装置的位置信息及采集到的对应的环境数据，采用于训练样本处理相同的方式对上述环境数据进行统一标准化处理，对所述位置信息进行量化表示。
优选的，所述险情类别包括引发火灾的燃烧物的类别。
优选的，所述传感装置包括一氧化碳传感器、二氧化碳传感器、温度传感器、烟雾传感器、电流传感器、声音传感器、光线传感器中的一种或多种。
本发明第二方面，公开一种基于深度学习的消防险情预警系统，所述系统包括：
数据获取模块：获取一定数量的火灾历史数据，分别提取历史数据中的险情特征和对应的险情结果，构建训练集；
模型构建模块：构建基于深度学习自注意力机制的消防险情判别模型，并基于所述训练集训练所述消防险情判别模型；
险情识别模块：通过传感装置按周期采集消防险情数据，基于所述消防险情判别模型识别险情。
本发明相对于现有技术具有以下有益效果：
1)在深度学习中引入注意力机制，构建消防险情判别模型，使模型充分学习不同位置的环境数据之间潜在的关联关系，并采用改进的麻雀搜索算法优化所述消防险情判别模型的初始参数值，进一步提高模型险情判断的准确性。
2)本发明基于历史消防大数据进行消防险情预警，并预测出险情类别及对应的位置，可为人员逃生和消防救援争取时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的消防险情预警方法流程示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
如图1所示，本发明提出一种基于深度学习的消防险情预警方法，所述方法包括：
S1、获取一定数量的火灾历史数据，分别提取历史数据中的险情特征和对应的险情结果，构建训练集；
所述火灾历史数据是现存的火灾历史记录，优选选择火灾记录中各种险情特征记载详细、结合消防经验或者专家经验有对火灾发生原因有准确分析的火灾历史数据。不同类型的燃烧物的起火特征不同，带来的环境因素变化也不同，对应的消防灭火措施也不同。比如木材类起火和油脂类起火必然有不同的起火特征(险情特征)，因此需要获取起火时的环境数据，从而确定起火特征、进行险情类别判断。
分别提取历史数据中每一场火灾的险情特征，所述险情特征包括各个传感装置的位置信息及采集到的环境数据；
分别提取与所述险情特征对应的险情结果，所述险情结果包括险情类别、发生位置；所述险情类别包括引发火灾的燃烧物的类别。
对提取出的险情特征进行统一标准化处理，组成险情特征序列，对险情结果进行量化表示，作为标签；
每一场火灾的险情特征序列和对应的标签组成一个训练样本，将所有火灾的训练样本组成一个训练集。
S2、构建基于深度学习自注意力机制的消防险情判别模型，并基于所述训练集训练所述消防险情判别模型；
所述基于深度学习自注意力机制的消防险情判别模型包括输入层、自注意力模块、双向长短时记忆网络模块、全连接模块和输出层；所述自注意力模块，用于计算自身输入特征序列中不同位置的环境数据之间关系的深层特征并输出；
所述自注意力模块设置在两个双向长短时记忆网络模块之间；
所述全连接模块包括两个全连接层，两个全连接层之间设置dropout层。
最后输出层通过softmax函数输出各个类别的概率，当某一类别概率超出预设阈值时，判断险情发生。
所述消防险情判别模型识别险情判别模型的损失函数采用交叉熵损失函数。
S3、采用麻雀搜索算法优化所述消防险情判别模型的初始网络权值和偏移值，麻雀搜索算法的适应度函数为所述消防险情判别模型的均方误差函数。具体包括如下步骤：
设置种群数量N、解空间维度D、最大迭代次数T，初始化捕食者和加入者比列，初始化种群位置；解空间维度D根据消防险情判别模型需要初始化的参数个数设定；
设定适应度函数，计算各个个体的适应度值，并将适应度值按照升序排列；所述适应度函数为所述消防险情判别模型的均方误差函数：
Figure BDA0002822364550000051
其中yp是预测输出，yk为期望输出，m为消防险情判别模型输出节点数，n为训练集样本数；
根据适应排序结果，选取前N1个个体作为发现者，进行发现者位置更新：
Figure BDA0002822364550000052
i＝1,2,…,N,j＝1,2,…,D,t＝1,2,…,T，
Figure BDA0002822364550000053
分别为第t次、第t+1次迭代时第i个个体在第j维的位置；α∈(0,1],R∈[0,1],ST∈[0.5,1]，R和ST分别表示预警值和安全值；Q是服从正态分布的随机数，L表示一个1×D的矩阵，矩阵内元素均为1。
将剩余的N-N1个个体作为跟随者，进行跟随着位置更新：
Figure BDA0002822364550000054
Figure BDA0002822364550000055
分别为当前最优位置和最差位置，A为1×D的矩阵，矩阵A内元素均从{-1,1}中随机选取。b为n维随机单位向量，
Figure BDA0002822364550000056
xi,l、xi,r分别为
Figure BDA0002822364550000057
左侧、右侧搜索区域的位置，；δt是搜索步长，用于调整收敛速度，是迭代次数t的递减函数；sign()表示符号函数，f为适应度函数，d为大于0的常数，可作为天牛须搜索算法中天牛两须之间的距离的一半。
从所有种群中随机选取N2个个体作为警戒者，进行警戒者位置更新：
Figure BDA0002822364550000061
β、ω为随机数，均服从正太分布N(0,1)，fi、fg分别为个体i的适应度和当前最好适应度，b对数螺旋形状常数，路径系数a为[-1,1]中的随机数；
重新计算适应度值并排序，更新发现者、跟随者、警戒者位置更新，迭代运算直到达到结束条件，输出适应度值最好的位置作为消防险情判别模型的初始参数。
本发明在麻雀搜索算法去掉了跟踪算法中低效操作，同时引入天牛须搜索算子，结合了麻雀搜索算法和天牛须搜索算法，在跟随着位置更新时，先判断左右区域哪边更接近最优位置，优先向更接近最优位置的一侧移动，加快搜索速度，减少绕圈，改进的麻雀搜索算法可以更快找到消防险情判别模型的最佳的的初始参数。
S4、通过传感装置按周期采集消防险情数据，基于所述消防险情判别模型识别险情。
具体的，所述传感装置包括一氧化碳传感器、二氧化碳传感器、温度传感器、烟雾传感器、可燃气体传感器、电流传感器、声音传感器、光线传感器中的一种或多种。获取不同传感装置的位置信息及采集到的对应的环境数据，采用于训练样本处理相同的方式对上述环境数据进行统一标准化处理，对所述位置信息进行量化表示。
与上述方法实施例相对应，本发明还公开一种基于深度学习的消防险情预警系统，所述系统包括：
数据获取模块：获取一定数量的火灾历史数据，分别提取历史数据中的险情特征和对应的险情结果，构建训练集；
模型构建模块：构建基于深度学习自注意力机制的消防险情判别模型，并基于所述训练集训练所述消防险情判别模型；
险情识别模块：通过传感装置按周期采集消防险情数据，基于所述消防险情判别模型识别险情。
以上方法实施例和系统实施例时相对应的，系统实施例简述之处请参阅方法实施例即可。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的消防险情预警方法，其特征在于，所述方法包括：
获取一定数量的火灾历史数据，分别提取历史数据中的险情特征和对应的险情结果，构建训练集；
构建基于深度学习自注意力机制的消防险情判别模型，并基于所述训练集训练所述消防险情判别模型；
采用改进的麻雀搜索算法优化所述消防险情判别模型的初始网络权值和偏移值；
通过传感装置按周期采集消防险情数据，基于所述消防险情判别模型识别险情。
2.根据权利要求1所述基于深度学习的消防险情预警方法，其特征在于，所述分别提取历史数据中的险情特征和对应的险情类别、发生位置，构建训练集具体包括：
分别提取历史数据中每一场火灾的险情特征，所述险情特征包括各个传感装置的位置信息及采集到的环境数据；
分别提取与所述险情特征对应的险情结果，所述险情结果包括险情类别、发生位置；
对提取出的险情特征进行统一标准化处理，组成险情特征序列，对险情结果进行量化表示，作为标签；
每一场火灾的险情特征序列和对应的标签组成一个训练样本，将所有火灾的训练样本组成一个训练集。
3.根据权利要求2所述基于深度学习的消防险情预警方法，其特征在于，所述基于深度学习自注意力机制的消防险情判别模型包括输入层、自注意力模块、双向长短时记忆网络模块、全连接层和输出层；所述自注意力模块，用于计算自身输入特征序列中不同位置的环境数据之间关系的深层特征并输出；所述消防险情判别模型的损失函数采用交叉熵损失函数。
4.根据权利要求3所述基于深度学习的消防险情预警方法，其特征在于，采用改进的麻雀搜索算法优化所述消防险情判别模型的初始网络权值和偏移值具体包括：
设置种群数量N、解空间维度D、最大迭代次数T，初始化捕食者和加入者比列，初始化种群位置；解空间维度D根据消防险情判别模型需要初始化的参数个数设定；
设定适应度函数，计算各个个体的适应度值，并将适应度值按照升序排列；
所述适应度适应度函数为所述消防险情判别模型的均方误差函数；
根据适应排序结果，选取前N1个个体作为发现者，进行发现者位置更新：
将剩余的N-N1个个体作为跟随者，进行跟随着位置更新：
Figure FDA0002822364540000021
Figure FDA0002822364540000022
分别为第t次、第t+1次迭代时第i个个体在第j维的位置；L表示一个1×D的矩阵，矩阵内元素均为1；
Figure FDA0002822364540000023
分别为当前最优位置和最差位置，A为1×D的矩阵，矩阵A内元素均从{-1,1}中随机选取。b为n维随机单位向量，
Figure FDA0002822364540000024
xi,l、xi,r分别为
Figure FDA0002822364540000025
左侧、右侧搜索区域的位置，；δt是搜索步长，用于调整收敛速度，是迭代次数t的递减函数；sign()表示符号函数，f为适应度函数，d为大于0的常数；
从所有种群中随机选取N2个个体作为警戒者，进行警戒者位置更新：
重新计算适应度值并排序，更新发现者、跟随者、警戒者位置更新，迭代运算直到达到结束条件，输出适应度值最好的位置作为消防险情判别模型的初始参数。
5.根据权利要求2所述基于深度学习的消防险情预警方法，其特征在于，所述通过传感装置按周期采集消防险情数据具体包括：获取不同传感装置的位置信息及采集到的对应的环境数据，采用于训练样本处理相同的方式对上述环境数据进行统一标准化处理，对所述位置信息进行量化表示。
6.根据权利要求2所述基于深度学习的消防险情预警方法，其特征在于，所述险情类别包括引发火灾的燃烧物的类别。
7.根据权利要求2所述基于深度学习的消防险情预警方法，其特征在于，所述传感装置包括一氧化碳传感器、二氧化碳传感器、温度传感器、烟雾传感器、可燃气体传感器、电流传感器、声音传感器、光线传感器中的一种或多种。
8.一种基于深度学习的消防险情预警系统，其特征在于，所述系统包括：
数据获取模块：获取一定数量的火灾历史数据，分别提取历史数据中的险情特征和对应的险情结果，构建训练集；
模型构建模块：构建基于深度学习自注意力机制的消防险情判别模型，并基于所述训练集训练所述消防险情判别模型；
险情识别模块：通过传感装置按周期采集消防险情数据，基于所述消防险情判别模型识别险情。
CN202011421022.7A 2020-12-08 2020-12-08 一种基于深度学习的消防险情预警方法及装置 Pending CN112465119A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011421022.7A CN112465119A (zh) 2020-12-08 2020-12-08 一种基于深度学习的消防险情预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011421022.7A CN112465119A (zh) 2020-12-08 2020-12-08 一种基于深度学习的消防险情预警方法及装置

Publications (1)

Publication Number Publication Date
CN112465119A true CN112465119A (zh) 2021-03-09

Family

ID=74800873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011421022.7A Pending CN112465119A (zh) 2020-12-08 2020-12-08 一种基于深度学习的消防险情预警方法及装置

Country Status (1)

Country Link
CN (1) CN112465119A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884238A (zh) * 2021-03-12 2021-06-01 国网冀北电力有限公司电力科学研究院 光伏发电功率预测方法及装置
CN113076544A (zh) * 2021-04-02 2021-07-06 湖南大学 基于深度学习模型压缩的漏洞检测方法、系统及移动设备
CN113209533A (zh) * 2021-04-27 2021-08-06 特斯联科技集团有限公司 一种应用于高层建筑的消防方法及系统
CN113516316A (zh) * 2021-07-29 2021-10-19 昆明理工大学 基于麻雀搜索优化的Attention-GRU短期负荷预测方法
CN117893385A (zh) * 2024-03-18 2024-04-16 四川银谷碳汇再生资源有限公司 一种保障仓储安全的消防预警方法及系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251567A (zh) * 2016-10-11 2016-12-21 广东工业大学 一种智能火灾预警系统
CN108416963A (zh) * 2018-05-04 2018-08-17 湖北民族学院 基于深度学习的森林火灾预警方法及系统
CN108648403A (zh) * 2018-05-25 2018-10-12 杭州拓深科技有限公司 一种自学习消防安全预警方法及系统
CN109269556A (zh) * 2018-09-06 2019-01-25 深圳市中电数通智慧安全科技股份有限公司 一种设备风险预警方法、装置、终端设备及存储介质
CN109903507A (zh) * 2019-03-04 2019-06-18 上海海事大学 一种基于深度学习的火灾智能监控系统及其方法
CN110188115A (zh) * 2019-04-19 2019-08-30 特斯联（北京）科技有限公司 一种基于模糊匹配的消防预警方法、装置及系统
CN110355608A (zh) * 2019-07-18 2019-10-22 浙江大学 基于自注意力机制与深度学习的刀具磨损量预测方法
CN110393519A (zh) * 2019-08-19 2019-11-01 广州视源电子科技股份有限公司 心电信号的分析方法、装置、存储介质和处理器
CN111275918A (zh) * 2020-03-05 2020-06-12 深圳市君利信达科技有限公司 一种火焰检测分析预警系统
CN111461173A (zh) * 2020-03-06 2020-07-28 华南理工大学 一种基于注意力机制的多说话人聚类系统及方法
US20200242202A1 (en) * 2019-01-29 2020-07-30 Shenzhen Fugui Precision Ind. Co., Ltd. Fire development situation prediction device and method
CN111950505A (zh) * 2020-08-24 2020-11-17 湖南科技大学 一种ssa-aann的风力发电机传感器状态评估方法
CN111950564A (zh) * 2020-07-23 2020-11-17 江苏大学 一种基于ssa-elm算法的猪肉新鲜度检测分类方法
CN111986436A (zh) * 2020-09-02 2020-11-24 成都指码科技有限公司 一种基于紫外、深度神经网络的综合火焰检测方法
CN112000096A (zh) * 2020-08-12 2020-11-27 中国计量大学 一种基于麻雀搜索算法的差速agv轨迹跟踪控制方法
CN112016624A (zh) * 2020-08-28 2020-12-01 西北农林科技大学 一种基于麻雀搜索算法优化核独立分量的光谱数据降维方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251567A (zh) * 2016-10-11 2016-12-21 广东工业大学 一种智能火灾预警系统
CN108416963A (zh) * 2018-05-04 2018-08-17 湖北民族学院 基于深度学习的森林火灾预警方法及系统
CN108648403A (zh) * 2018-05-25 2018-10-12 杭州拓深科技有限公司 一种自学习消防安全预警方法及系统
CN109269556A (zh) * 2018-09-06 2019-01-25 深圳市中电数通智慧安全科技股份有限公司 一种设备风险预警方法、装置、终端设备及存储介质
US20200242202A1 (en) * 2019-01-29 2020-07-30 Shenzhen Fugui Precision Ind. Co., Ltd. Fire development situation prediction device and method
CN109903507A (zh) * 2019-03-04 2019-06-18 上海海事大学 一种基于深度学习的火灾智能监控系统及其方法
CN110188115A (zh) * 2019-04-19 2019-08-30 特斯联（北京）科技有限公司 一种基于模糊匹配的消防预警方法、装置及系统
CN110355608A (zh) * 2019-07-18 2019-10-22 浙江大学 基于自注意力机制与深度学习的刀具磨损量预测方法
CN110393519A (zh) * 2019-08-19 2019-11-01 广州视源电子科技股份有限公司 心电信号的分析方法、装置、存储介质和处理器
CN111275918A (zh) * 2020-03-05 2020-06-12 深圳市君利信达科技有限公司 一种火焰检测分析预警系统
CN111461173A (zh) * 2020-03-06 2020-07-28 华南理工大学 一种基于注意力机制的多说话人聚类系统及方法
CN111950564A (zh) * 2020-07-23 2020-11-17 江苏大学 一种基于ssa-elm算法的猪肉新鲜度检测分类方法
CN112000096A (zh) * 2020-08-12 2020-11-27 中国计量大学 一种基于麻雀搜索算法的差速agv轨迹跟踪控制方法
CN111950505A (zh) * 2020-08-24 2020-11-17 湖南科技大学 一种ssa-aann的风力发电机传感器状态评估方法
CN112016624A (zh) * 2020-08-28 2020-12-01 西北农林科技大学 一种基于麻雀搜索算法优化核独立分量的光谱数据降维方法
CN111986436A (zh) * 2020-09-02 2020-11-24 成都指码科技有限公司 一种基于紫外、深度神经网络的综合火焰检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李广阳: "基于运动上下文信息学习的室内视频烟雾预警算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884238A (zh) * 2021-03-12 2021-06-01 国网冀北电力有限公司电力科学研究院 光伏发电功率预测方法及装置
CN113076544A (zh) * 2021-04-02 2021-07-06 湖南大学 基于深度学习模型压缩的漏洞检测方法、系统及移动设备
CN113209533A (zh) * 2021-04-27 2021-08-06 特斯联科技集团有限公司 一种应用于高层建筑的消防方法及系统
CN113516316A (zh) * 2021-07-29 2021-10-19 昆明理工大学 基于麻雀搜索优化的Attention-GRU短期负荷预测方法
CN117893385A (zh) * 2024-03-18 2024-04-16 四川银谷碳汇再生资源有限公司 一种保障仓储安全的消防预警方法及系统
CN117893385B (zh) * 2024-03-18 2024-06-04 四川银谷碳汇再生资源有限公司 一种保障仓储安全的消防预警方法及系统

Similar Documents

Publication Publication Date Title
CN112465119A (zh) 一种基于深度学习的消防险情预警方法及装置
CN107707657B (zh) 基于多传感器的安全监护系统
CN104933841B (zh) 一种基于自组织神经网络的火灾预测方法
CN109086540B (zh) 一种构建热带气旋路径预报模型的方法及装置
CN111311869B (zh) 一种基于区域报警模型的消防安全监控方法、系统、云平台
CN110532398B (zh) 基于多任务联合神经网络模型的家族图谱自动构建方法
CN112199882B (zh) 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统
CN111461413B (zh) 一种公路路面使用性能检测系统
CN113438114B (zh) 互联网系统的运行状态监控方法、装置、设备及存储介质
CN114662791A (zh) 一种基于时空注意力的长时序pm2.5预测方法及系统
CN113959477A (zh) 基于物联网的环境防治监测提醒方法及系统
CN116010780A (zh) 基于ssa优化bp神经网络的无人机通信干扰检测方法
CN113722140B (zh) 基于小样本学习的工业报警泛滥根源诊断方法及存储介质
CN116028803A (zh) 一种基于敏感属性再平衡的去偏方法
CN111430040A (zh) 基于病例、气象和病原监测数据的手足口病疫情预测方法
CN111079348A (zh) 一种缓变信号检测方法和装置
Zhang et al. An attention convolutional neural network for forest fire smoke recognition
CN117933531A (zh) 一种分布式光伏发电功率预测系统及方法
CN114943290B (zh) 一种基于多源数据融合分析的生物入侵识别方法
CN115759438A (zh) 一种基于机器学习的大气污染分析预测方法及系统
CN115048514A (zh) 基于人格的社交网络谣言检测与立场分类方法及系统
CN115962428A (zh) 一种燃气管网泄漏实时在线智能可解释性监测溯源方法
CN115452047A (zh) 一种智能结构检测方法和系统
CN114970745A (zh) 物联网智能安防与环境大数据系统
CN115052018A (zh) 物联网烟雾与环境参数大数据系统

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: 20210309