CN113033096A - 基于深度学习的建筑风险预警的分析方法 - Google Patents
基于深度学习的建筑风险预警的分析方法 Download PDFInfo
- Publication number
- CN113033096A CN113033096A CN202110314566.1A CN202110314566A CN113033096A CN 113033096 A CN113033096 A CN 113033096A CN 202110314566 A CN202110314566 A CN 202110314566A CN 113033096 A CN113033096 A CN 113033096A
- Authority
- CN
- China
- Prior art keywords
- hidden
- visible
- fire
- risk
- units
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000012546 transfer Methods 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 239000000779 smoke Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000000844 transformation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 12
- 238000002474 experimental method Methods 0.000 description 15
- 239000000470 constituent Substances 0.000 description 14
- 241000208125 Nicotiana Species 0.000 description 8
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 239000002023 wood Substances 0.000 description 7
- 238000002485 combustion reaction Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
-
- 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
- G06Q50/08—Construction
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/80—Homes; Buildings
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Toxicology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Emergency Management (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了基于深度学习的建筑风险预警的分析方法，涉及物联网领域，解决了火灾信号的随机性和不确定性造成火灾预警的误报、漏报以及迟报的问题。本发明包括基于可见单元和隐藏单元搭建火灾风险模型，其中包括隐藏单元对应的隐藏变量的二元风险变量，搭建包括可见单元对应的可见变量组成的可视层以及隐藏层的能量函数，能量函数为风险概率，在RBM模型中代入待分析的基于火场的超参数数据和火场的可见单元和隐藏单元对应的传感器数据，RBM模型输出分析结果，即火灾风险概率。本发明弥补了单传感器的随机性与不确定性，极大程度地降低火灾的漏报率和误报率。
Description
技术领域
本发明涉及物联网领域，具体涉及基于深度学习的建筑风险预警的分析方法。
背景技术
随着电子信息化技术的发展，智慧化成为消防领域发展重点，在火灾领域的应用也越来越成熟。多数据融合火灾预警系统的研究，能够很大程度地改善火灾预警的准确率，对于未来火灾预警技术的发展具有很大意义。
由于高层建筑结构紧凑，功能复杂，一旦发生火灾，人员难以迅速及时到达火灾现场。目前工程上广泛采用的都是传统单一传感器的火灾探测器。传统单一式传感器的火灾探测是通过采集探测现场单一的火灾参数信息，采取简单的阈值算法判断火灾的发生。
但是，由于火灾信号的随机性和不确定性，单一参数的探测容易造成火灾预警的误报、漏报以及迟报，从而威胁人们的生命与财产安全。
发明内容
本发明所要解决的技术问题是：火灾信号的随机性和不确定性造成火灾预警的误报、漏报以及迟报，本发明提供了解决上述问题的基于深度学习的建筑风险预警的分析方法。
本发明通过下述技术方案实现：
基于深度学习的建筑风险预警的分析方法，包括如下步骤：
S1、设置多个可见单元和隐藏单元，所述可见单元和隐藏单元对应传感器采集的数据类型；
S2、基于可见单元和隐藏单元搭建火灾风险模型，其中包括隐藏单元对应的隐藏变量的二元风险变量；
S3、通过可见单元形成的可视层和隐藏单元形成的隐藏层配置进行权重参数与超参数设置，同时生成用于开启或关闭隐藏单元的概率函数，并搭建包括可见单元对应的可见变量组成的可视层以及隐藏层的能量函数，所述能量函数为风险概率；
S4、依据S1-S3搭建输入量为物联网传感器数据的RBM风险理论模型，物联网传感器数据为可见单元和隐藏单元对应传感器采集的数据；
S5、对RBM风险理论模型进行基于传感器数据样本的神经网络学习，然后生成训练好的RBM模型；
S6、在RBM模型中代入待分析的基于火场的超参数数据和火场的可见单元和隐藏单元对应的传感器数据，RBM模型输出分析结果，即火灾风险概率。
进一步地，所述可视层和隐藏层进行隐藏变量和可见变量的两次传递变换，并生成两个隐含层，所述隐含层的具体节点数依据两次传递变换过程中的传递函数和训练误差确定。
进一步地，所述可见单元对应的可见变量为数据样本，包括火灾温度、CO和CO2气体参数；
所述隐藏单元对应的隐藏变量为湿度和烟雾数据。
进一步地，RBM模型包括可视层v、隐藏层h、权重W、偏置c，所述权重W、偏置c用于采样出隐藏层hi，随机概率σ，隐藏单元开启或关闭相应概率可表示为：
p(hi/v0)＝σ(VTW+c)i (1)
RBM模型基于给定的状态，给定的状态为可见向量v和隐藏向量h，构造的能量函数为：
E(v，h)＝-bTV-cTh-VTWh (2)
式中，偏置b和c是概率的学习表达式，当确定了可视层与隐藏层整个框架的能量函E(v,h)就可以定义风险概率。
进一步地，还包括在RBM风险理论模型的高维数据中，数据训练还包括对归一化因子进行重复计算。
本发明提出了基于受限玻尔兹曼机(RBM)的高层建筑火灾风险研究方法，该方法弥补了单传感器的随机性与不确定性，将来自高层火灾环境中的多源信息进行综合分析与智能化处理，可以极大程度地降低火灾的漏报率和误报率。同时，本发明提出的多源数据融合的高层建筑火灾大数据分析，可以将建筑目前单点监测改变为立体式防控，是未来火灾探测预警的必然发展趋势。
本发明具有如下的优点和有益效果：
本发明弥补了单传感器的随机性与不确定性，将来自高层火灾环境中的多源信息进行综合分析与智能化处理，可以极大程度地降低火灾的漏报率和误报率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的墙角的木垛燃烧实验曲线和火灾风险概率图。
图2为本发明的墙角的烟饼燃烧实验曲线和火灾风险概率图。
图3为本发明的床的木垛燃烧实验曲线和火灾风险概率图。
图4为本发明的床的烟饼燃烧实验曲线和火灾风险概率图。
具体实施方式
在下文中，可在本发明的各种实施例中使用的术语“包括”或“可包括”指示所发明的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本发明的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本发明的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本发明的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本发明的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。
应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本发明的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：
基于深度学习的建筑风险预警的分析方法，包括如下步骤：
S1、设置多个可见单元和隐藏单元，所述可见单元和隐藏单元对应传感器采集的数据类型；
S2、基于可见单元和隐藏单元搭建火灾风险模型，其中包括隐藏单元对应的隐藏变量的二元风险变量；
S3、通过可见单元形成的可视层和隐藏单元形成的隐藏层配置进行权重参数与超参数设置，同时生成用于开启或关闭隐藏单元的概率函数，并搭建包括可见单元对应的可见变量组成的可视层以及隐藏层的能量函数，所述能量函数为风险概率；
S4、依据S1-S3搭建输入量为物联网传感器数据的RBM风险理论模型，物联网传感器数据为可见单元和隐藏单元对应传感器采集的数据；
S5、对RBM风险理论模型进行基于传感器数据样本的神经网络学习，然后生成训练好的RBM模型；
S6、在RBM模型中代入待分析的基于火场的超参数数据和火场的可见单元和隐藏单元对应的传感器数据，RBM模型输出分析结果，即火灾风险概率。
进一步地，所述可视层和隐藏层进行隐藏变量和可见变量的两次传递变换，并生成两个隐含层，所述隐含层的具体节点数依据两次传递变换过程中的传递函数和训练误差确定。
进一步地，所述可见单元对应的可见变量为数据样本，包括火灾温度、CO和CO2气体参数；
所述隐藏单元对应的隐藏变量为湿度和烟雾数据。
进一步地，RBM模型包括可视层v、隐藏层h、权重W、偏置c，所述权重W、偏置c用于采样出隐藏层hi，随机概率σ，隐藏单元开启或关闭相应概率可表示为：
p(hi/v0)＝σ(VTW+c)i (1)
RBM模型基于给定的状态，给定的状态为可见向量v和隐藏向量h，构造的能量函数为：
E(v，h)＝-bTV-cTh-VTWh (2)
式中，偏置b和c是概率的学习表达式，当确定了可视层与隐藏层整个框架的能量函E(v,h)就可以定义风险概率。
进一步地，还包括在RBM风险理论模型的高维数据中，数据训练还包括对归一化因子进行重复计算。
实施例2：
在实施例1的基础上进行墙角的真实火灾源实验：
将每个尺寸约1m*0.1m*0.1m的10个木垛平铺置于燃烧盘中，浇注柴油进行引燃，利用火灾传感系统采集得到CO、CO2浓度曲线如图1(虚线为CO2浓度曲线，实线为CO浓度曲线)所示。从第20分钟(第70个采样点)开始，CO浓度显著上升，CO2浓度上升趋势缓慢。由于木垛加热20分钟左右出现明火燃烧现象，此时释放的CO、CO2浓度急剧增大，曲线上升趋势明显，并迅速攀升至峰值。待燃烧过程结束，CO、CO2浓度逐渐减小。由图1可以看出，CO和CO2浓度比值在材料进入热解阶段开始便有缓慢上升的趋势，直到发生明火，浓度比值急剧攀升。风险预判的概率也在同时显著提高，其上升速率随着气体浓度比值的增减上下波动，在木垛发生明火燃烧时，由于浓度比值显著上升，模型风险概率也急剧上升，并达到峰值。
基于多源火场数据的风险模型系统在加热第19分钟给出报警信号，而离子、光电感烟探测器均在第24分钟才给出报警信号，感温探测器不报警。因此，火灾气体复合探测系统比传统火灾探测器的报警时间大大提前。
实施例3：
在实施例1的基础上进行，墙角的虚拟火灾源实验：
将5个直径约为10cm长的烟饼点燃后熄灭，使其保持连续冒烟的状态，并放置于真火实验相同位置的燃烧盘中，通过火灾传感系统实时采集得到CO、CO2浓度曲线以及浓度比值曲线如图2(虚线为CO2浓度曲线，实线为CO浓度曲线)所示。
从图中可以看出，烟饼在燃烧过程中，产生极其少量的CO，只有10ppm左右，CO、CO2浓度曲线变化杂乱无章，无规律可循，与真实火灾CO、CO2浓度的变化曲线具有明显的区别。其浓度比值曲线变化幅度极小，最大值不超过0.02。实验证明，基于多源火场数据融合的探测系统对早期阴燃火具有较强的响应能力，能够对火灾实现早期报警，且可以克服外界干扰因素的影响，系统的环境适应性很强。
实施例4：
在实施例1的基础上进行，床的真实火灾源实验：
同样的，参照墙角实验进行了床实验，也分别进行了真实火和虛拟火两种情况。可以从图3(虚线为CO2浓度曲线，实线为CO浓度曲线)看出，床实验真实木垛火发生时，CO和CO2增加的过程相对稳定，在采样从43次到75次时候，伴随火灾的发生，CO和CO2快速增加，在80次采样达到峰值后，随后开始了长时间的浓度下降过程，最终逐渐下降到了较低的浓度。从CO/CO2浓度比值(图1)来看，也符合与墙角实验的规律，也是发展初期变化较快，中间达到峰值后逐渐下降，最终达到相对稳定。
实施例5：
在实施例1的基础上进行，床的虚拟火灾源实验：
从图4(虚线为CO2浓度曲线，实线为CO浓度曲线)中看出，由烟饼演示的虚拟火源实验发生时，CO和CO2浓度在快速上升后，中间浓度不断变化，和墙角实验的过程机理--样，由于烟饼释放的CO和CO2浓度与木垛释放的浓度机理不同，其完全由烟饼的材料分布相关，因此中间的浓度呈现的是不断变化的现象。因此实测结果也客观显示了真实情况。从CO/CO2浓度比值(图4)和浓度比值上升速率曲线(图4)来看，也符合与墙角实验的规律，也是发展和后期相对稳定，中间存在整个过程的峰值。通过定标实验，验证了基于多源火场数据融合的探测系统的比离子光电感烟、感温火灾探测器的四种类型传感器报警时间均有所提前。实验结果显示，该方法对火灾早期木垛和烟饼发出的火灾信号火具有较好的响应能力，并能够利用深度学习模型分析排除干扰，准确实现火灾的早期探测和报警。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.基于深度学习的建筑风险预警的分析方法，其特征在于，包括如下步骤：
S1、设置多个可见单元和隐藏单元，所述可见单元和隐藏单元对应传感器采集的数据类型；
S2、基于可见单元和隐藏单元搭建火灾风险模型，其中包括隐藏单元对应的隐藏变量的二元风险变量；
S3、通过可见单元形成的可视层和隐藏单元形成的隐藏层配置进行权重参数与超参数设置，同时生成用于开启或关闭隐藏单元的概率函数，并搭建包括可见单元对应的可见变量组成的可视层以及隐藏层的能量函数，所述能量函数为风险概率；
S4、依据S1-S3搭建输入量为物联网传感器数据的RBM风险理论模型，物联网传感器数据为可见单元和隐藏单元对应传感器采集的数据；
S5、对RBM风险理论模型进行基于传感器数据样本的神经网络学习，然后生成训练好的RBM模型；
S6、在RBM模型中代入待分析的基于火场的超参数数据和火场的可见单元和隐藏单元对应的传感器数据，RBM模型输出分析结果，即火灾风险概率。
2.根据权利要求1所述的基于深度学习的建筑风险预警的分析方法，其特征在于，所述可视层和隐藏层进行隐藏变量和可见变量的两次传递变换，并生成两个隐含层，所述隐含层的具体节点数依据两次传递变换过程中的传递函数和训练误差确定。
3.根据权利要求2所述的基于深度学习的建筑风险预警的分析方法，其特征在于，所述可见单元对应的可见变量为数据样本，包括火灾温度、CO和CO2气体参数；
所述隐藏单元对应的隐藏变量为湿度和烟雾数据。
4.根据权利要求3所述的基于深度学习的建筑风险预警的分析方法，其特征在于，RBM模型包括可视层v、隐藏层h、权重W、偏置c，所述权重W、偏置c用于采样出隐藏层hi，随机概率σ，隐藏单元开启或关闭相应概率可表示为：
p(hi/v0)＝σ(VTW+c)i (1)
RBM模型基于给定的状态，给定的状态为可见向量v和隐藏向量h，构造的能量函数为：
E(v，h)＝-bTV-cTh-VTWh (2)
式中，偏置b和c是概率的学习表达式，当确定了可视层与隐藏层整个框架的能量函E(v,h)就可以定义风险概率。
5.根据权利要求4所述的基于深度学习的建筑风险预警的分析方法，其特征在于，还包括在RBM风险理论模型的高维数据中，数据训练还包括对归一化因子进行重复计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110314566.1A CN113033096B (zh) | 2021-03-24 | 2021-03-24 | 基于深度学习的建筑风险预警的分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110314566.1A CN113033096B (zh) | 2021-03-24 | 2021-03-24 | 基于深度学习的建筑风险预警的分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113033096A true CN113033096A (zh) | 2021-06-25 |
| CN113033096B CN113033096B (zh) | 2023-04-18 |
Family
ID=76474079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110314566.1A Active CN113033096B (zh) | 2021-03-24 | 2021-03-24 | 基于深度学习的建筑风险预警的分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033096B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778418A (zh) * | 2014-01-28 | 2014-05-07 | 华南理工大学 | 一种输电线路杆塔图像监测系统的山火图像识别方法 |
| CN108053594A (zh) * | 2017-12-20 | 2018-05-18 | 江苏金鸽网络科技有限公司 | 一种定点区域单元的火灾预警方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN111272216A (zh) * | 2020-01-16 | 2020-06-12 | 杭州麦乐克科技股份有限公司 | 一种基于bp神经网络的温湿度补偿方法及装置 |
| CN111476965A (zh) * | 2020-03-13 | 2020-07-31 | 深圳信息职业技术学院 | 火灾检测模型的构建方法、火灾检测方法及相关设备 |
| CN111508182A (zh) * | 2020-04-29 | 2020-08-07 | 湖南天睿小微科技有限公司 | 一种新型物联网用于小区消防的监测警报系统 |
| CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
| CN112270122A (zh) * | 2020-10-10 | 2021-01-26 | 清华大学 | 一种建筑火灾火源参数反演评估方法 |
| KR102227877B1 (ko) * | 2020-09-17 | 2021-03-16 | 주식회사 정우엔지니어링 | 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템 |
-
2021
- 2021-03-24 CN CN202110314566.1A patent/CN113033096B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778418A (zh) * | 2014-01-28 | 2014-05-07 | 华南理工大学 | 一种输电线路杆塔图像监测系统的山火图像识别方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN108053594A (zh) * | 2017-12-20 | 2018-05-18 | 江苏金鸽网络科技有限公司 | 一种定点区域单元的火灾预警方法 |
| CN111272216A (zh) * | 2020-01-16 | 2020-06-12 | 杭州麦乐克科技股份有限公司 | 一种基于bp神经网络的温湿度补偿方法及装置 |
| CN111476965A (zh) * | 2020-03-13 | 2020-07-31 | 深圳信息职业技术学院 | 火灾检测模型的构建方法、火灾检测方法及相关设备 |
| CN111508182A (zh) * | 2020-04-29 | 2020-08-07 | 湖南天睿小微科技有限公司 | 一种新型物联网用于小区消防的监测警报系统 |
| CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
| KR102227877B1 (ko) * | 2020-09-17 | 2021-03-16 | 주식회사 정우엔지니어링 | 멀티태스킹 센서 방식을 이용한 태양광 발전의 화재예방 시스템 |
| CN112270122A (zh) * | 2020-10-10 | 2021-01-26 | 清华大学 | 一种建筑火灾火源参数反演评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| RABEB KAABI ET AL.: "Early smoke detection of forest wildfire video using deep belief network", 《2018 4TH INTERNATIONAL CONFERENCE ON ADVANCED TECHNOLOGIES FOR SIGNAL AND IMAGE PROCESSING (ATSIP)》 * |
| 孙立研: "基于深度学习的气象与森林火险预测方法研究", 《中国优秀硕士学位论文全文数据库 (农业科技辑)》 * |
| 尹航等: "高层建筑火灾试验环境风速设计值", 《消防科学与技术》 * |
| 谭龙飞等: "基于多源数据融合的建筑火灾风险模型研究" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113033096B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104766433A (zh) | 基于数据融合的电气火灾报警系统 | |
| Wu et al. | An intelligent tunnel firefighting system and small-scale demonstration | |
| Wang et al. | Predicting real-time fire heat release rate by flame images and deep learning | |
| CN102945585A (zh) | 通过多传感器数据融合进行火灾预警的方法 | |
| Zhang et al. | Building artificial-intelligence digital fire (AID-Fire) system: a real-scale demonstration | |
| CN102013148B (zh) | 多信息融合火灾探测方法 | |
| CN111007035B (zh) | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 | |
| Chen et al. | Multi-sourced sensing and support vector machine classification for effective detection of fire hazard in early stage | |
| Fang et al. | Development of a machine-learning approach for identifying the stages of fire development in residential room fires | |
| CN103325204A (zh) | 一种环境参量感知的火灾判定方法 | |
| Qu et al. | Multi-parameter fire detection method based on feature depth extraction and stacking ensemble learning model | |
| CN113516837B (zh) | 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 | |
| Chen et al. | A fire detecting method based on multi-sensor data fusion | |
| CN111986436A (zh) | 一种基于紫外、深度神经网络的综合火焰检测方法 | |
| Tam et al. | Prevention of cooktop ignition using detection and multi-step machine learning algorithms | |
| Xavier et al. | Development of an early fire detection technique using a passive infrared sensor and deep neural networks | |
| CN113033096B (zh) | 基于深度学习的建筑风险预警的分析方法 | |
| Ryder et al. | Hierarchical temporal memory continuous learning algorithms for fire state determination | |
| Fonollosa et al. | Gas sensor array for reliable fire detection | |
| Kou et al. | A variational inference based learning approach for decentralized building fire estimation | |
| Kamal et al. | Intelligent human counting through environmental sensing in closed indoor settings | |
| Cao et al. | Field detection of indoor fire threat situation based on LSTM-Kriging network | |
| WO2009135524A1 (de) | Gefahrmelder | |
| Kim et al. | Uncertainty assessment-based active learning for reliable fire detection systems | |
| Yusuf et al. | An autoregressive exogenous neural network to model fire behavior via a naïve bayes filter |
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 |