CN112580749B - 基于机器嗅觉技术的智能火灾探测方法 - Google Patents
基于机器嗅觉技术的智能火灾探测方法 Download PDFInfo
- Publication number
- CN112580749B CN112580749B CN202011610842.0A CN202011610842A CN112580749B CN 112580749 B CN112580749 B CN 112580749B CN 202011610842 A CN202011610842 A CN 202011610842A CN 112580749 B CN112580749 B CN 112580749B
- Authority
- CN
- China
- Prior art keywords
- odor
- information data
- method based
- detection method
- technology
- 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
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000008786 sensory perception of smell Effects 0.000 title claims abstract description 25
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 22
- 239000000796 flavoring agent Substances 0.000 claims abstract description 19
- 235000019634 flavors Nutrition 0.000 claims abstract description 19
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 4
- 229910052751 metal Inorganic materials 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 101100054292 Arabidopsis thaliana ABCG36 gene Proteins 0.000 claims description 3
- 101100351526 Arabidopsis thaliana PEN3 gene Proteins 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012567 pattern recognition method Methods 0.000 abstract description 3
- 235000019645 odor Nutrition 0.000 description 27
- 239000007789 gas Substances 0.000 description 16
- 206010034018 Parosmia Diseases 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- 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
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
-
- 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 or the display, e.g. intermittent measurement or digital display
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Fire Alarms (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供了一种基于机器嗅觉技术的智能火灾探测方法,本发明利用机器嗅觉系统对火灾发生时的气味信息进行无损检测,获取到多维的特征数据,通过随机森林算法进行分析探讨电子鼻用于火灾气味检测分类的可行性,并建立了效果最佳的检测及模式识别方法,利用整理获得的风味数据库分类分子元素类别,以此判断采用的灭火剂种类。解决了在火灾发生时不能及时选择何种灭火剂和选择错误的灭火剂的难题。
Description
技术领域
本发明涉及一种基于机器嗅觉技术的智能火灾探测方法。
背景技术
机器嗅觉是一种模拟生物嗅觉工作原理的新颖仿生检测技术,机器嗅觉系统通常由交叉敏感的化学传感器阵列和适当的计算机模式识别算法组成,可用于检测、分析和鉴别各种气味。气味分子被机器嗅觉系统中的传感器阵列吸附,产生电信号;生成的信号经各种方法加工处理与传输;将处理后的信号经计算机模式识别系统做出判断。仿生嗅觉技术属于新兴的多学科交叉技术,涉及到计算机技术、应用数学、传感器技术、阵列传感器技术的数据融合和各个具体领域的技术的融合,具有很重要的意义。
近年来,我国消防队伍装备的灭火剂种类很多,常用的有五大类十多个品种,因此根据火灾发生时燃烧的物质种类判断使用哪种类型的灭火剂非常重要,避免因盲目使用灭火剂而造成适得其反的结果和更大的损失,如可燃金属等引起的D类火灾严禁使用水来灭火。
发明内容
本发明的目的在于提供一种基于机器嗅觉技术的智能火灾探测方法。
为解决上述问题,本发明提供一种基于机器嗅觉技术的智能火灾探测方法,包括:
步骤1:通过机器嗅觉系统采集各类火灾发生时的气体信息数据;
步骤2:基于所述气味信息数据,构建标准气味数据库;
步骤3:对所述标准气味数据库中的气味信息数据进行清洗,以滤除干扰,得到滤除干扰后的气味信息数据;
步骤4:对滤除干扰后的气味信息数据进行特征值选择和特征提取,以获取特征数据;
步骤5:对所述步骤4中的获得的特征数据采用BP神经网络建立各类火灾的气味分类预测模型,将所述步骤3获得的滤除干扰后的气味信息数据和步骤4获得的特征数据作为综合特征作为预测模型的输入,对预测模型进行训练,将训练好的预测模型作为预测未知样本的气味分类类别;
步骤6:收集并整理分子风味数据库Flavor DB,采用KNN分类算法将所述的步骤5中得到的气味分类类别在分子风味数据库Flavor DB中对分子风味数据库中所含的元素分子进行分类预测;
步骤7:基于所述步骤6中分类预测到的元素分子类别,确定采用何种灭火剂。
进一步的,在上述方法中,步骤4包括:
从瞬时信息和稳态信息两方面来选择最有效表征气味信息数据的特征,另外,采用SVD对PCA进行求解,对多维数据进行降维处理,提取出最能反映目标要求的特征数据。
进一步的,在上述方法中,所述步骤1中,所述机器嗅觉系统是由10个金属半导体气体传感器的PEN3电子鼻。
进一步的,在上述方法中,所述步骤3,包括:
对采集到的气体信息数据进行预处理,采用高维映射方法,将气体信息数据的属性映射到高维空间,采用独热编码技术,将包含K个离散取值范围的属性值扩展为K+1个属性值,若该属性值缺失,则扩展后的第K+1个属性值设置为1。
进一步的,在上述方法中,所述步骤4,包括:
采用随机森林,对滤除干扰后的气味信息数据进行特征值选择。
进一步的,在上述方法中,所述步骤5中,BP神经网络采用的传递函数是非线性变换函数。
进一步的,在上述方法中,所述步骤6,包括:
为了判断未知样本的类别,以所有已知类别的样本作为参照,计算未知样本与所有已知样本的距离,从中选取与未知样本距离最近的K个已知样本,根据少数服从多数的投票法则,将未知样本与K个最邻近样本中所属类别占比较多的归为一类。
与现有技术相比,本发明首先利用人工嗅觉系统收集火灾发生时的气体信息;其次,通过基于特征选择的线性判别方法对收集到的混合气体进行分析处理,利用子集搜索、子集评价并结合嵌入式选择法,最终提取出样本数据中最具代表性的特征。采用随机森林算法实现维数的约减,具有线性识别算法的快速处理及分类功能,在机器嗅觉领域有较好的应用,尤其在基于机器嗅觉实时检测及识别有害气体,该发明算法具有复杂度低、识别效率高等优点;再次,通过BP神经网络分类气体气味,在风味数据库里训练预测模型,采用KNN分类算法判断该火灾属于A、B、C、D何种类型;最后,即可根据火灾类型选择恰当的灭火剂种类。
本发明通过对火灾发生时的气味信息进行收集整理,利用电子鼻对气味进行检测及识别,通过随机森林算法进行分析探讨电子鼻用于火灾气味检测分类的可行性,并建立了效果最佳的检测及模式识别方法,利用整理获得的风味数据库分类分子元素类别,以此判断采用的灭火剂种类。
本发明利用机器嗅觉系统对火灾发生时的气味信息进行无损检测,获取到多维的特征数据,通过随机森林算法进行分析探讨电子鼻用于火灾气味检测分类的可行性,并建立了效果最佳的检测及模式识别方法,利用整理获得的风味数据库分类分子元素类别,以此判断采用的灭火剂种类。解决了在火灾发生时不能及时选择何种灭火剂和选择错误的灭火剂的难题。
本发明通过特征选择和分类结果结合起来的方式选择特征参数;通过随机森林算法敏感的辨识出微弱的气味变化,提取气味信息中线性特征和非线性特征的多维特征进行降维处理;用BP神经网络建立火灾发生时的气味预测模型,用随机森林所提取的多维传感器的特征数据作为BP神经网络输入层的节点,将样本数据所对应的分类类别作为输出层节点,具有检测速度快、识别效果好等优点;本发明通过以上几个步骤能够快速精确地检测火灾发生的类型,并有效选择灭火剂类型,应用范围广。
附图说明
图1是本发明一实施例的基于机器嗅觉技术的智能火灾探测方法的流程图;
图2是本发明一实施例的BP算法流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种基于机器嗅觉技术的智能火灾探测方法,包括:
步骤1:通过机器嗅觉系统采集各类火灾发生时的气体信息数据;
步骤2:基于所述气味信息数据,构建标准气味数据库;
步骤3:对所述标准气味数据库中的气味信息数据进行清洗,以滤除干扰,得到滤除干扰后的气味信息数据;
步骤4:对滤除干扰后的气味信息数据进行特征值选择和特征提取,以获取特征数据;
步骤5:对所述步骤4中的获得的特征数据采用BP神经网络建立各类火灾的气味分类预测模型,将所述步骤3获得的滤除干扰后的气味信息数据和步骤4获得的特征数据作为综合特征作为预测模型的输入,对预测模型进行训练,将训练好的预测模型作为预测未知样本的气味分类类别;
步骤6:收集并整理分子风味数据库Flavor DB,采用KNN分类算法将所述的步骤5中得到的气味分类类别在分子风味数据库Flavor DB中对分子风味数据库中所含的元素分子进行分类预测;
步骤7:基于所述步骤6中分类预测到的元素分子类别,确定采用何种灭火剂。
本发明的基于机器嗅觉技术的智能火灾探测方法一实施例中,步骤4包括:
从瞬时信息和稳态信息两方面来选择最有效表征气味信息数据的特征,另外,采用SVD对PCA进行求解,对多维数据进行降维处理,提取出最能反映目标要求的特征数据。
本发明的基于机器嗅觉技术的智能火灾探测方法一实施例中,所述步骤1中,所述机器嗅觉系统是由10个金属半导体气体传感器的PEN3电子鼻。
本发明的基于机器嗅觉技术的智能火灾探测方法一实施例中,所述步骤3,包括:
对采集到的气体信息数据进行预处理,采用高维映射方法,将气体信息数据的属性映射到高维空间,采用独热编码技术,将包含K个离散取值范围的属性值扩展为K+1个属性值,若该属性值缺失,则扩展后的第K+1个属性值设置为1。
本发明的基于机器嗅觉技术的智能火灾探测方法一实施例中,所述步骤4,包括:
采用随机森林,对滤除干扰后的气味信息数据进行特征值选择。
在此,随机森林在进行特征选择与构建有效的分类器时非常有用。一种常用的降维方法是对目标属性产生许多巨大的树,然后根据对每个属性的统计结果找到信息量最大的特征子集。例如,我们能够对一个非常巨大的数据集生成层次非常浅的树,每棵树只训练一小部分属性。如果一个属性经常成为最佳分裂属性,那么它很有可能是需要保留的信息特征。对随机森林数据属性的统计评分会向我们揭示与其它属性相比,哪个属性才是预测能力最好的属性。随机森林算法的另一个高质量是,很容易测量每个特征对预测的相对重要性。Sklearn为此提供了一个很好的工具,它可以通过查看使用该功能的树节点减少森林中所有树木的杂质来测量特征的重要性。它会在训练后自动为每个要素计算此分数并对结果进行缩放,以使所有重要性的总和等于1。
如图2所示,本发明的基于机器嗅觉技术的智能火灾探测方法一实施例中,所述步骤5中,BP神经网络采用的传递函数是非线性变换函数。
在此,采用BP神经网络建立火灾气味分类的预测模型:BP神经网络采用的传递函数是非线性变换函数——Sigmoid函数(又称S函数),其特点是函数本身及其导数都是连续的,因而在处理上十分方便。
Sigmoid函数:
本发明的基于机器嗅觉技术的智能火灾探测方法一实施例中,所述步骤6,包括:
为了判断未知样本的类别,以所有已知类别的样本作为参照,计算未知样本与所有已知样本的距离,从中选取与未知样本距离最近的K个已知样本,根据少数服从多数的投票法则,将未知样本与K个最邻近样本中所属类别占比较多的归为一类。
在此,所述步骤6中对所含元素分子进行分类,采用KNN分类算法,KNN最邻近分类算法的实现原理:为了判断未知样本的类别,以所有已知类别的样本作为参照,计算未知样本与所有已知样本的距离,从中选取与未知样本距离最近的K个已知样本,根据少数服从多数的投票法则(majority-voting),将未知样本与K个最邻近样本中所属类别占比较多的归为一类
综上所述,本发明首先利用人工嗅觉系统收集火灾发生时的气体信息;其次,通过基于特征选择的线性判别方法对收集到的混合气体进行分析处理,利用子集搜索、子集评价并结合嵌入式选择法,最终提取出样本数据中最具代表性的特征。采用随机森林算法实现维数的约减,具有线性识别算法的快速处理及分类功能,在机器嗅觉领域有较好的应用,尤其在基于机器嗅觉实时检测及识别有害气体,该发明算法具有复杂度低、识别效率高等优点;再次,通过BP神经网络分类气体气味,在风味数据库里训练预测模型,采用KNN分类算法判断该火灾属于A、B、C、D何种类型;最后,即可根据火灾类型选择恰当的灭火剂种类。
本发明通过对火灾发生时的气味信息进行收集整理,利用电子鼻对气味进行检测及识别,通过随机森林算法进行分析探讨电子鼻用于火灾气味检测分类的可行性,并建立了效果最佳的检测及模式识别方法,利用整理获得的风味数据库分类分子元素类别,以此判断采用的灭火剂种类。
本发明利用机器嗅觉系统对火灾发生时的气味信息进行无损检测,获取到多维的特征数据,通过随机森林算法进行分析探讨电子鼻用于火灾气味检测分类的可行性,并建立了效果最佳的检测及模式识别方法,利用整理获得的风味数据库分类分子元素类别,以此判断采用的灭火剂种类。解决了在火灾发生时不能及时选择何种灭火剂和选择错误的灭火剂的难题。
本发明通过特征选择和分类结果结合起来的方式选择特征参数;通过随机森林算法敏感的辨识出微弱的气味变化,提取气味信息中线性特征和非线性特征的多维特征进行降维处理;用BP神经网络建立火灾发生时的气味预测模型,用随机森林所提取的多维传感器的特征数据作为BP神经网络输入层的节点,将样本数据所对应的分类类别作为输出层节点,具有检测速度快、识别效果好等优点;本发明通过以上几个步骤能够快速精确地检测火灾发生的类型,并有效选择灭火剂类型,应用范围广。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (5)
1.一种基于机器嗅觉技术的智能火灾探测方法,其特征在于,包括:
步骤1:通过机器嗅觉系统采集各类火灾发生时的气体信息数据;
步骤2:基于所述气味信息数据,构建标准气味数据库;
步骤3:对所述标准气味数据库中的气味信息数据进行清洗,以滤除干扰,得到滤除干扰后的气味信息数据;
步骤4:对滤除干扰后的气味信息数据进行特征值选择和特征提取,以获取特征数据;
步骤5:对所述步骤4中的获得的特征数据采用BP神经网络建立各类火灾的气味分类预测模型,将所述步骤3获得的滤除干扰后的气味信息数据和步骤4获得的特征数据作为综合特征作为预测模型的输入,对预测模型进行训练,将训练好的预测模型作为预测未知样本的气味分类类别;
步骤6:收集并整理分子风味数据库Flavor DB,采用KNN分类算法将所述的步骤5中得到的气味分类类别在分子风味数据库Flavor DB中对分子风味数据库中所含的元素分子进行分类预测;
步骤7:基于所述步骤6中分类预测到的元素分子类别,确定采用何种灭火剂;
步骤4包括:
从瞬时信息和稳态信息两方面来选择最有效表征气味信息数据的特征,另外,采用SVD对PCA进行求解,对多维数据进行降维处理,提取出最能反映目标要求的特征数据;
所述步骤3,包括:
对采集到的气体信息数据进行预处理,采用高维映射方法,将气体信息数据的属性映射到高维空间,采用独热编码技术,将包含K个离散取值范围的属性值扩展为K+1个属性值,若该属性值缺失,则扩展后的第K+1个属性值设置为1。
2.如权利要求1所述的基于机器嗅觉技术的智能火灾探测方法,其特征在于,所述步骤1中,所述机器嗅觉系统是由10个金属半导体气体传感器的PEN3电子鼻。
3.如权利要求1所述的基于机器嗅觉技术的智能火灾探测方法,其特征在于,所述步骤4,包括:
采用随机森林,对滤除干扰后的气味信息数据进行特征值选择。
4.如权利要求1所述的基于机器嗅觉技术的智能火灾探测方法,其特征在于,所述步骤5中,BP神经网络采用的传递函数是非线性变换函数。
5.如权利要求1所述的基于机器嗅觉技术的智能火灾探测方法,其特征在于,所述步骤6,包括:
为了判断未知样本的类别,以所有已知类别的样本作为参照,计算未知样本与所有已知样本的距离,从中选取与未知样本距离最近的K个已知样本,根据少数服从多数的投票法则,将未知样本与K个最邻近样本中所属类别占比较多的归为一类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011610842.0A CN112580749B (zh) | 2020-12-29 | 2020-12-29 | 基于机器嗅觉技术的智能火灾探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011610842.0A CN112580749B (zh) | 2020-12-29 | 2020-12-29 | 基于机器嗅觉技术的智能火灾探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580749A CN112580749A (zh) | 2021-03-30 |
CN112580749B true CN112580749B (zh) | 2024-01-30 |
Family
ID=75144406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011610842.0A Active CN112580749B (zh) | 2020-12-29 | 2020-12-29 | 基于机器嗅觉技术的智能火灾探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580749B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113113089A (zh) * | 2021-04-16 | 2021-07-13 | 上海应用技术大学 | 基于大数据分析的气味识别方法 |
CN113313906A (zh) * | 2021-05-25 | 2021-08-27 | 上海应用技术大学 | 一种基于机器嗅觉技术的烟雾报警器的应用方法 |
CN114452564B (zh) * | 2021-12-21 | 2023-11-07 | 康威通信技术股份有限公司 | 一种前端智能灭火机器人及其工作方法 |
CN114047303B (zh) * | 2022-01-04 | 2022-04-12 | 南京天创电子技术有限公司 | 一种基于巡检机器人的电缆烧焦气味连续检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105044298A (zh) * | 2015-07-13 | 2015-11-11 | 常熟理工学院 | 一种基于机器嗅觉的蟹类新鲜度等级检测方法 |
CN110677618A (zh) * | 2018-07-03 | 2020-01-10 | 纬创资通股份有限公司 | 利用多维度感测器数据的监控方法及监控系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10682087B2 (en) * | 2015-04-03 | 2020-06-16 | Olfaxis, Llc | Apparatus, method, and system for testing human olfactory systems |
US11250310B2 (en) * | 2017-03-09 | 2022-02-15 | Tata Consultancy Services Limited | Electronic sensing systems and methods thereof |
-
2020
- 2020-12-29 CN CN202011610842.0A patent/CN112580749B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105044298A (zh) * | 2015-07-13 | 2015-11-11 | 常熟理工学院 | 一种基于机器嗅觉的蟹类新鲜度等级检测方法 |
CN110677618A (zh) * | 2018-07-03 | 2020-01-10 | 纬创资通股份有限公司 | 利用多维度感测器数据的监控方法及监控系统 |
Non-Patent Citations (2)
Title |
---|
嗅觉模拟技术在火灾探测中的应用;潘科;关守安;石剑云;;中国公共安全(学术版)(03);全文 * |
机器人仿生嗅觉研究现状;路光达;张明路;张小俊;陈枭;;天津工业大学学报(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112580749A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580749B (zh) | 基于机器嗅觉技术的智能火灾探测方法 | |
CN110796284B (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN111666169B (zh) | 一种基于改进的孤立森林算法和高斯分布的联合数据异常检测方法 | |
CN111833172A (zh) | 一种基于孤立森林的消费信贷欺诈行为检测方法及其系统 | |
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN105809035B (zh) | 基于安卓应用实时行为的恶意软件检测方法和系统 | |
US10133962B2 (en) | Method of digital information classification | |
Gauri et al. | A study on the various features for effective control chart pattern recognition | |
CN114399719B (zh) | 一种变电站火灾视频监测方法 | |
US11331024B2 (en) | Calibration method for critical point of mental fatigue based on self-organized criticality | |
CN114124482A (zh) | 基于lof和孤立森林的访问流量异常检测方法及设备 | |
CN113313150A (zh) | 一种基于pca及随机森林的电子舌检测方法及系统 | |
CN115563546A (zh) | 一种气体嗅觉智能识别方法、系统、介质、设备及终端 | |
CN109660656A (zh) | 一种智能终端应用程序识别方法 | |
CN113205134A (zh) | 一种网络安全态势预测方法及系统 | |
CN116756688A (zh) | 一种基于多模态融合算法的舆情风险发现方法 | |
CN116633601A (zh) | 一种基于网络流量态势感知的检测方法 | |
CN116662817A (zh) | 物联网设备的资产识别方法及系统 | |
CN117411703A (zh) | 一种面向Modbus协议的工业控制网络异常流量检测方法 | |
CN115964649A (zh) | 一种室内燃气监测故障分析模型 | |
CN101884045A (zh) | 用于传感器阵列检测及分类的混合式统计与数值模型 | |
CN113378935B (zh) | 一种用于气体的嗅觉智能识别方法 | |
CN112422505A (zh) | 基于高维扩展关键特征向量的网络恶意流量识别方法 | |
CN111667920A (zh) | 一种基于定位数据的人群密切接触排查方法 | |
CN117538492B (zh) | 建筑空间中污染物的在线检测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |