CN113516837A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113516837A
CN113516837A CN202110834421.4A CN202110834421A CN113516837A CN 113516837 A CN113516837 A CN 113516837A CN 202110834421 A CN202110834421 A CN 202110834421A CN 113516837 A CN113516837 A CN 113516837A
Authority
CN
China
Prior art keywords
fire
target
fusion
information
data
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
Application number
CN202110834421.4A
Other languages
English (en)
Other versions
CN113516837B (zh
Inventor
张可
柴毅
邱可玥
李希晨
安翼尧
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202110834421.4A priority Critical patent/CN113516837B/zh
Publication of CN113516837A publication Critical patent/CN113516837A/zh
Application granted granted Critical
Publication of CN113516837B publication Critical patent/CN113516837B/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
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G08B29/186—Fuzzy logic; neural networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/04—Hydraulic or pneumatic actuation of the alarm, e.g. by change of fluid pressure
    • 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
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • 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
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Fluid Mechanics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Fire Alarms (AREA)

Abstract

一种基于多源信息融合的城市火灾判断方法，包括有数据采集、局部决策、火灾信息融合预测和火灾概率预测四个步骤。本发明可以将多种火灾特征信号通过信息层、特征层、决策层，在特征层利用多头注意力和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，再经决策层火灾预测，解决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，有效提高火灾判断的准确度，帮助相关城市安全人员及时对突发事件进行一个初步评价，有利于对针对目标突发事件进行一个初步响应，给出响应的应急措施方案。并且，当监测环境改变后，可通过重新提供数据集来建立新的预测模型，具有较强的自适应性。

Description

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
技术领域
本发明涉及一种火灾智能判断技术领域，特别是一种基于多源信息融合的城市火灾判断方法。
背景技术
对城市市民而言，由危险源引发的突发事件是影响城市安全的重要，尤其是突发火灾事件，更是对城市安全一个不小的安全的威胁。基于多源信息融合的城市火判断方法，可以将多种火灾特征信号通过信息层、特征层、决策层，在特征层利用多头注意力和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，再经决策层火灾预测，解决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，有效提高火灾判断的准确度，帮助相关城市安全人员及时对突发事件进行一个初步评价，有利于对针对目标突发事件进行一个初步响应，给出响应的应急措施方案。并且，当监测环境改变后，可通过重新提供数据集来建立新的预测模型，具有较强的自适应性。
发明内容
本发明的目的就是提供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。
本发明的目的是通过这样的技术方案实现的，具体方法如下：
1)数据采集：通过传感器实时获取目标能量辐射特征值xen(t)、目标燃烧物浓度特征值xsmo(t)、目标温度特征值xtmp(t)和目标检测信号持续时间特征值；
2)局部决策：对步骤1)中所述目标特征值先分别进行可信度评估和局部决策判断，若有一个以上的特征值的局部决策判断为异常，则转入步骤3)，反之则转入步骤1)；
3)火灾信息融合预测：将预设时间段内的目标能量辐射、目标燃烧物浓度特征值、目标温度特征值和目标检测信号持续时间特征值输入火灾预测模型进行融合预测；
4)火灾概率预测：根据目标火灾的融合预测结果，结合RBP-BP混合神经网络输出火灾发生概率结果；
所述火灾预测模型为根据相似历史火灾数据，利用基于多头注意力机制建立的预测模型建立。
进一步，所述能量辐射特征值包括有红外线能量辐射值和紫外线能量辐射值，所述燃烧物浓度特征值包括有CO浓度、CO2浓度和烟雾浓度，所述检测信号持续时间特征值包括有检测到红外线能量辐射值、紫外线能量辐射值、CO浓度、CO2浓度、烟雾浓度和温度特征值的持续时间；所述目标检测信号持续时间特征值为局部决策中任意特征值异常的持续时间。
进一步，步骤2)中所述对目标特征值分别进行可信度评估的具体步骤如下：
2-1)获取监测周期时间内共N组传感器信号，计算监测周期时间内，能量辐射信号中每两个相邻的信号差的总和Den，
Figure BDA0003173445760000021
其中xen(t)为第t时刻下能量辐射特征值，xen(t-1)为第t-1时刻下能量辐射特征值；
计算监测周期时间内，燃烧产物浓度信号中每两个相邻的信号差的总和Dsmo，
Figure BDA0003173445760000022
其中xsmo(t)为第t时刻下燃烧物浓度特征值，xsmo(t-1)为第t-1时刻下燃烧物浓度特征值；
计算监测周期时间内，温度信号中每两个相邻的信号差的总和Dtmp，
Figure BDA0003173445760000023
其中xtmp(t)为第t时刻下温度特征值，xtmp(t-1)为第t-1时刻下温度特征值；
2-2)针对p个传感器，q个量测目标，i＝(1,2,...,p)，j＝(1,2,...,q)，获取各辐射传感器对各量测目标的可信度向量Wen_i j＝{wen_i_1 j,wen_i_2 j,...,wen_i_p j}，各燃烧产物浓度传感器的可信度向量Wsmo_i j＝{wsmo_i_1 j,wsmo_i_2 j,...,wsmo_i_p j}，各感温传感器的可信度向量Wtmp_i j＝{wtmp_i_1 j,wtmp_i_2 j,...,wtmp_i_p j}；
计算该监测周期时间内辐射传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA0003173445760000024
燃烧产物浓度传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA0003173445760000031
感温传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA0003173445760000032
2-3)判断步骤2-2)中所述各传感器的目标量测可信度的平均值是否大于预设阈值，若是，转入局部决策。
进一步，步骤2)中所述对目标特征值分别进行局部决策判断的具体方法如下：
2-4)能量辐射传感器在该监测周期内的局部决策为Aen，Aen＝f(Den-Ten)，其中Tco表示能量辐射的报警门限；
燃烧产物浓度传感器在该监测周期内的局部决策为Asmo，Asmo＝f(Dsmo-Tsmo)，其中Tsmo表示燃烧产物浓度的报警门限；
感温传感器在该监测周期内的局部决策为Atmp，Atmp＝f(Dtmp-Ttmp)，其中Ttmp表示温度的报警门限；
其中f(x)表示局部判断公式，x值大于等于0时f(x)值为1。
进一步，骤3)中所述利用基于多头注意力机制构建火灾预测模的构建方法如下：
3-1)提取与被监测环境相似的环境历史火灾数据，历史火灾数据包括有监测周期内历史能量辐射融合值Sample_xen(t)、监测周期内历史燃烧产物融合值Sample_xsmo(t)、监测周期内历史温度融合值Sample_xtmp(t)和历史检测信息持续时间信息，各N组，t＝{1,2,...,n}；
历史能量辐射融合值
Figure BDA0003173445760000033
xen_i为第i个辐射传感器采样的信号，wen_i为第i个辐射传感器所对应的权重；
历史燃烧产物融合值
Figure BDA0003173445760000034
历史温度融合值Sample_xtmp(t)，xsmo_i为第i个燃烧产物浓度传感器采样的信号，wsmo_i为第i个燃烧产物浓度传感器所对应的权重；
3-2)针对p个辐射传感器，q个量测目标，在k时刻，对量测目标j，设各传感器量测的平均值
Figure BDA0003173445760000041
其中mij为第i个传感器对量测目标j的量测值，wen_i为第i个辐射传感器所对应的权重；对量测目标j，传感器可信度的判断矩阵
Figure BDA0003173445760000042
其中矩阵元素dst为同辐射传感器中任两个传感器s、传感器t对量测目标j的可信度比值，
Figure BDA0003173445760000043
wen_s、wen_t分别为辐射传感器s、辐射传感器t所对应的权重；将Dj各列归一化处理，得到
Figure BDA0003173445760000044
将
Figure BDA0003173445760000045
按行相加后归一化得到可信度向量Wj＝{w1 j,w2 j,...,wi j,...,wp j}，wi j表示第i个辐射传感器对量测目标j的可信度；辐射传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA0003173445760000046
同理，可以得到燃烧产物浓度传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA0003173445760000047
感温传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA0003173445760000048
3-3)计算该监测周期时间内，历史能量辐射融合值中每两个相邻的信号差的总和Den，
Figure BDA0003173445760000049
历史燃烧产物浓度融合值中每两个相邻的信号差的总和Sample_Dsmo，
Figure BDA00031734457600000410
历史温度融合值中每两个相邻的信号差的总和Sample_Dtmp，
Figure BDA0003173445760000051
3-4)计算该监测周期时间内，历史能量辐射传感器在该段时间内的局部决策为Sample_Aen，Sample_Aen＝f(Sample_Den-Ten)，其中Tco表示能量辐射的报警门限；
历史燃烧产物浓度传感器在该段时间内的局部决策为Sample_Asmo，Sample_Asmo＝f(Dsmo-Tsmo)，其中Tsmo表示燃烧产物浓度的报警门限；
历史感温传感器在该段时间内的局部决策为Sample_Atmp，Sample_Atmp＝f(Sample_Dtmp-Ttmp)，其中Ttmp表示温度的报警门限；
3-5)对该段时间内四个火灾特征参量的局部决策Sample_Aen、Sample_Asmo、Sample_Atmp进行阈值检测，其中有一个值为1时，就说明该段时间内有一个信号处于异常状态，表示当前被检测环境有可能发生火灾，若此时各辐射传感器i的综合可信度Sample_Ren_i、各燃烧产物浓度传感器综合可信度Sample_Rsmo_i、各感温传感器综合可信度Sample_Rtmp_i同时高于预设可信度值，则将该段时间内传感器所采集的信号及其检测信号持续时间特征信息作为样本数据提交至火灾预测模型进行训练处理；
3-6)随机打乱并重新划分样本数据的前70％为训练集，剩余30％作为测试集，并对数据进行归一化处理，其中归一化公式为
Figure BDA0003173445760000052
数据归一化的范围为(0,1)；
3-7)利用基于多头注意力机制的预测模型对训练集进行预测，通过第一时刻到t-1时刻的监测数据预测t时刻的检测数据；
传感器安放在被监测环境的不同位置上，以固定采集被监测环境的监测数据，数据格式类型{X1,X2,...,Xn,...,Xt-1}，n＝{1,2,...,t-1}其中Xn为n时刻采集的监测数据，Xn＝{监测数据1,监测数据2,...,监测数据m}；以固定频率采集的监测数据可通过数据传输装置传输到处理器，处理器初步清洗数据后持久化至数据库中；
对监测数据序列进行经验小波变换分解得到不同频率的IMF分量序列{f1,f2,...,fn,...,ft-1}，对IMF分量序列进行数据清洗，将数据清洗后各IMF分量序列输入基于多头注意力机制的预测模型。
进一步，基于多头注意力机制的预测模型包括有编码模块和解码模块；
编码模块包括第一嵌入层、因果卷积层、多个编码层，每个编码层都包括第一多头注意力机制单元、第一融合-归一化单元、第一前馈单元、第二融合-归一化单元；
输入数据清洗后各IMF分量序列，第一嵌入层将IMF分量序列中的第一时刻到t-2时刻的IMF分量数据进行降维，利用因果卷积层提取降维后第一时刻到t-2时刻的IMF分量数据中特征信息；
第一多头注意力机制单元从特征信息中提取第一注意力信息，通过第一融合-归一化单元将第一注意力信息、特征信息融合后归一化，得到第一归一化信息；
第一前馈单元用于在第一归一化信息中加入非线性因素；
通过第二融合-归一化单元将第一归一化信息、加入的非线性因素的第一归一化信息融合后归一化，得到第二归一化信息，并将第二归一化信息作为新的特征信息；
解码模块包括第二嵌入层、多个解码层及映射层，每个解码层包括掩模多头注意力机制单元、第三融合-归一化单元、第二多头注意力机制单元、第四融合-归一化单元、第二前馈单元、第五融合-归一化单元；
第二嵌入层将IMF分量序列中的t-1时刻的IMF分量数据进行升维；
掩模多头注意力机制单元从升维后的t-1时刻的IMF分量数据中提取掩模注意力信息；
通过第三融合-归一化单元将升维度后的t-1时刻的IMF分量数据、掩模注意力信息融合后归一化，得到第三归一化信息；
第二多头注意力机制单元从第三归一化信息及最后一个编码层生成的特征信息中提取第二注意力信息；
通过第四融合-归一化单元将第四归一化信息、第二注意力信息融合后归一化，得到第四归一化信息；
第二前馈单元用于在第四归一化信息中加入非线性因素；
通过第五融合-归一化单元将第四归一化信息、加入非线性因素的第四归一化信息融合后归一化，得到第五归一化信息，并将第五归一化信息作为新的特征信息；
映射层将最后一个解码层的特征信息映射为t时刻的预测分量；
输出各IMF分量序列对应的t时刻的预测分量；
对各预测分量进行经验小波逆变换，合成为t时刻的预测数据。
进一步，步骤4)中所述将预设时间段内的目标能量辐射、目标燃烧物浓度特征值、目标温度特征值和目标检测信号持续时间特征值输入火灾预测模型进行融合预测；根据目标火灾的融合预测结果，结合混合神经网络输出火灾发生概率结果的具体方法如下：
4-1)以基于多头注意力机制的预测模型所预测的数据、检测信号持续时间特征信息为RBF-BP混合神经网络神经网络模型的输入，以有火概率、阴燃火概率、无火概率为的输出，构建包括4层隐含层、输入神经元个数为6、输出神经元个数为3的RBF-BP混合神经网络，第一层隐含层激活函数采用高斯函数，第二层隐含层激活函数采用sigmoid函数，第三层隐含层激活函数采用sigmoid函数，第四层隐含层激活函数采用sigmoid函数；
4-2)RBF-BP混合神经网络采用Adam算法优化神经网络，调整网络各参数，学习速率随着迭代次数的增加而减少；
将各网络参数以及学习速率初始化；
在建立初步基于多头注意力机制的预测模型后切换为在线预测方式，将预测输出作为神经网络的输出，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，使神经网络预测模型随着特征信号时变系统的动态变化即时更新；
对RBP-BP混合神经网络的输出通过加权平均法集成，利用MATLAB的模糊工具箱建立模糊规则，将RBF-BP混合神经网络的输出集成后输出作为模糊控制模型的输入，最终得到火灾发生的概率
将测试集输入所建立的火灾预测模型中测试。
一种基于多源信息融合的城市火灾判断系统，包括有数据采集模块、局部决策模块、火灾信息融合模块和火灾概率预测模块；
数据采集模块，用于采集t时刻下目标能量辐射特征值xen(t)、目标燃烧物浓度特征值xsmo(t)、目标温度特征值xtmp(t)和目标检测信号持续时间特征值；
局部决策模块，用于可信度评估和局部决策判断；
火灾信息融合模块，用于将预设时间段内的目标能量辐射、目标燃烧物浓度特征值、目标温度特征值和目标检测信号持续时间特征值输入火灾预测模型进行融合预测；
火灾概率预测模块，用于根据目标火灾的融合预测结果，结合RBP-BP混合神经网络输出火灾发生概率结果。
一种存储介质，所述存储介质存储有若干指令，所述指令适用于处理器进行加载，以执行权利要求1至7任意一项所述的基于多源信息融合的城市火灾判断方法。
由于采用了上述技术方案，本发明具有如下的优点：
基于多源信息融合的城市火判断方法，可以将多种火灾特征信号通过信息层、特征层、决策层，在特征层利用多头注意力和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，再经决策层火灾预测，解决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，有效提高火灾判断的准确度，帮助相关城市安全人员及时对突发事件进行一个初步评价，有利于对针对目标突发事件进行一个初步响应，给出响应的应急措施方案。并且，当监测环境改变后，可通过重新提供数据集来建立新的预测模型，具有较强的自适应性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明的火灾预测模型整体结构示意图；
图2为本发明的火灾预测判断流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1、图2所示，一种基于多源信息融合的城市火灾判断方法，具体方法如下：
步骤1：构建火灾预测模型：
步骤1：构建火灾预测模型：
1-1)提取某具有量测目标均为4个的5个辐射传感器、3个燃烧产物浓度传感器、3个感温传感器的监测环境下的关键数据作为历史火灾数据，历史火灾数据包括有监测周期内历史能量辐射融合值Sample_xen(t)、监测周期内历史燃烧产物融合值Sample_xsmo(t)、监测周期内历史温度融合值Sample_xtmp(t)和历史检测信息持续时间信息，各N组，t＝{1,2,...,N}；
历史能量辐射融合值
Figure BDA0003173445760000081
历史燃烧产物融合值
Figure BDA0003173445760000091
历史温度融合值
Figure BDA0003173445760000092
1-2)针对p个传感器，q个量测目标，在n时刻，对量测目标j，设各传感器量测的平均值
Figure BDA0003173445760000093
其中mij为第i个传感器对量测目标j的量测值，wen_i为第i个辐射传感器所对应的权重；对量测目标j，传感器可信度的判断矩阵
Figure BDA0003173445760000094
其中矩阵元素dst为同辐射传感器中任两个传感器s、传感器t对量测目标j的可信度比值，
Figure BDA0003173445760000095
wen_s、wen_t分别为辐射传感器s、辐射传感器t所对应的权重；将Dj各列归一化处理，得到
Figure BDA0003173445760000096
将
Figure BDA0003173445760000097
按行相加后归一化得到可信度向量Wj＝{w1 j,w2 j,...,wi j,...,wp j}，wi j表示第i个传感器对量测目标j的可信度；
辐射传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA0003173445760000098
同理，可以得到燃烧产物浓度传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA0003173445760000099
感温传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA00031734457600000910
1-3)计算该监测周期时间内，历史能量辐射融合值中每两个相邻的信号差的总和Sample_Den，
Figure BDA00031734457600000911
历史燃烧产物浓度融合值中每两个相邻的信号差的总和Sample_Dsmo，
Figure BDA0003173445760000101
历史温度融合值中每两个相邻的信号差的总和Sample_Dtmp，
Figure BDA0003173445760000102
1-4)计算该监测周期时间内，历史能量辐射传感器在该段时间内的局部决策为Sample_Aen，Sample_Aen＝f(Sample_Den-Ten)，其中Tco表示能量辐射的报警门限；
历史燃烧产物浓度传感器在该段时间内的局部决策为Sample_Asmo，Sample_Asmo＝f(Dsmo-Tsmo)，其中Tsmo表示燃烧产物浓度的报警门限；
历史感温传感器在该段时间内的局部决策为Sample_Atmp，Sample_Atmp＝f(Sample_Dtmp-Ttmp)，其中Ttmp表示温度的报警门限；
1-5)对该段时间内四个火灾特征参量的局部决策Sample_Aen、Sample_Asmo、Sample_Atmp进行阈值检测，其中有一个值为1时，就说明该段时间内有一个信号处于异常状态，表示当前被检测环境有可能发生火灾，若此时各辐射传感器i的综合可信度Sample_Ren_i、各燃烧产物浓度传感器综合可信度Sample_Rsmo_i、各感温传感器综合可信度Sample_Rtmp_i同时高于预设可信度值，则将该段时间内传感器所采集的信号及其检测信号持续时间特征信息作为样本数据提交至火灾预测模型进行训练处理。
1-6)随机打乱并重新划分样本数据的前70％为训练集，剩余30％作为测试集，并对数据进行归一化处理，其中归一化公式为
Figure BDA0003173445760000103
数据归一化的范围为(0,1)
1-7)利用基于多头注意力机制的预测模型对训练集进行预测，通过第一时刻到t-1时刻的监测数据预测t时刻的检测数据，实现对数据的预知功能；
传感器安放在被监测环境的不同位置上，以固定采集被监测环境的监测数据，数据格式类型{X1,X2,...,Xn,...,Xt-1}，n＝{1,2,...,t-1}其中Xn为n时刻采集的监测数据，Xn＝{监测数据1,监测数据2,...,监测数据m}；以固定频率采集的监测数据可通过数据传输装置传输到处理器，处理器初步清洗数据后持久化至数据库中；
对监测数据序列进行经验小波变换分解得到不同频率的IMF分量序列{f1,f2,...,fn,...,ft-1}，对IMF分量序列进行数据清洗，(即利用孤立森林算法剔除IMF分量序列中的异常数据且利用线性差值方法补足IMF分量序列，以保证IMF分量序列的连续性且IMF分量序列的长度不变)，将数据清洗后各IMF分量序列输入基于多头注意力机制的预测模型；
1-8)将基于多头注意力机制的预测模型所预测的数据作为RBP-BP混合神经网络的输入，将有火概率、阴燃火概率、无火概率作为RBP-BP混合神经网络的输出；
以基于多头注意力机制的预测模型所预测的数据、检测信号持续时间特征信息为RBF-BP混合神经网络神经网络模型的输入，以有火概率、阴燃火概率、无火概率为的输出，构建包括4层隐含层、输入神经元个数为6、输出神经元个数为3的RBF-BP混合神经网络，第一层隐含层激活函数采用高斯函数，第二层隐含层激活函数采用sigmoid函数，第三层隐含层激活函数采用sigmoid函数，第四层隐含层激活函数采用sigmoid函数；
RBF-BP混合神经网络采用Adam算法优化神经网络，调整网络各参数，学习速率随着迭代次数的增加而减少；
将各网络参数以及学习速率初始化；
在建立初步基于多头注意力机制的预测模型后切换为在线预测方式，将预测输出作为神经网络的输出，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，使神经网络预测模型随着特征信号时变系统的动态变化即时更新；
1-9)将利用MATLAB的模糊工具箱建立模糊规则，将RBF-BP混合神经网络的输出作为模糊控制模型的输入，最终得到火灾发生的概率；
1-10)将测试集输入所建立的火灾预测模型中测试；
步骤2：获取目标监测环境的能量辐射特征信息、燃烧产物浓度特征信息、温度特征信息、检测信号持续时间特征信息四个火灾特征信息，获取一监测周期内能量辐射传感器采样的信号xen(t)、燃烧产物浓度传感器采样的浓度信号xsmo(t)、感温传感器采样的温度信号xtmp(t)，t＝(1,2,...,N)；
步骤3：对目标监测环境下监测周期内能量辐射传感器、燃烧产物浓度传感器、感温传感器进行局部决策：
3-1)计算目标监测环境下监测周期时间内，能量辐射信号中每两个相邻的信号差的总和Den，
Figure BDA0003173445760000111
t＝(0,1,2,...,N)；其中，xen(t-1)为t-1时刻的目标能量辐射特征值；燃烧产物浓度信号中每两个相邻的信号差的总和Dsmo，
Figure BDA0003173445760000121
t＝(0,1,2,...,N)；xsmo(t-1)为t-1时刻的目标燃烧物浓度特征值；温度信号中每两个相邻的信号差的总和Dtmp，
Figure BDA0003173445760000122
t＝(0,1,2,...,N)；xtmp(t-1)为t-1时刻的目标温度特征值；
3-2)计算目标监测环境下监测周期时间内辐射传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA0003173445760000123
燃烧产物浓度传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA0003173445760000124
感温传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure BDA0003173445760000125
3-3)判断所述各类传感器综合可信度是否大于预设可信度阈值，若是，则在该条件下进行局部决策。
3-4)能量辐射传感器在该监测周期内的局部决策为Aen，Aen＝f(Den-Ten)，其中Tco表示能量辐射的报警门限；
燃烧产物浓度传感器在该监测周期内的局部决策为Asmo，Asmo＝f(Dsmo-Tsmo)，其中Tsmo表示燃烧产物浓度的报警门限；
感温传感器在该监测周期内的局部决策为Atmp，Atmp＝f(Dtmp-Ttmp)，其中Ttmp表示温度的报警门限。
其中f(x)表示x值大于等于0时f(x)值为1。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种基于多源信息融合的城市火灾判断方法，其特征在于，具体方法如下：
1)数据采集：通过传感器实时获取目标能量辐射特征值xen(t)、目标燃烧物浓度特征值xsmo(t)、目标温度特征值xtmp(t)和目标检测信号持续时间特征值；
2)局部决策：对步骤1)中所述目标特征值先分别进行可信度评估和局部决策判断，若有一个以上的特征值的局部决策判断为异常，则转入步骤3)，反之则转入步骤1)；
3)火灾信息融合预测：将预设时间段内的目标能量辐射、目标燃烧物浓度特征值、目标温度特征值和目标检测信号持续时间特征值输入火灾预测模型进行融合预测；
4)火灾概率预测：根据目标火灾的融合预测结果，结合RBP-BP混合神经网络输出火灾发生概率结果；
所述火灾预测模型为根据相似历史火灾数据，利用基于多头注意力机制建立的预测模型建立。
2.如权利要求1所述的基于多源信息融合的城市火灾判断方法，其特征在于，所述能量辐射特征值包括有红外线能量辐射值和紫外线能量辐射值，所述燃烧物浓度特征值包括有CO浓度、CO2浓度和烟雾浓度，所述检测信号持续时间特征值包括有检测到红外线能量辐射值、紫外线能量辐射值、CO浓度、CO2浓度、烟雾浓度和温度特征值的持续时间；所述目标检测信号持续时间特征值为局部决策中任意特征值异常的持续时间。
3.如权利要求1所述的基于多源信息融合的城市火灾判断方法，其特征在于，步骤2)中所述对目标特征值分别进行可信度评估的具体步骤如下：
2-1)获取监测周期时间内共N组传感器信号，计算监测周期时间内，能量辐射信号中每两个相邻的信号差的总和Den，
Figure FDA0003173445750000011
其中xen(t)为第t时刻下能量辐射特征值，xen(t-1)为第t-1时刻下能量辐射特征值；
计算监测周期时间内，燃烧产物浓度信号中每两个相邻的信号差的总和Dsmo，
Figure FDA0003173445750000012
其中xsmo(t)为第t时刻下燃烧物浓度特征值，xsmo(t-1)为第t-1时刻下燃烧物浓度特征值；
计算监测周期时间内，温度信号中每两个相邻的信号差的总和Dtmp，
Figure FDA0003173445750000021
其中xtmp(t)为第t时刻下温度特征值，xtmp(t-1)为第t-1时刻下温度特征值；
2-2)针对p个传感器，q个量测目标，i＝(1,2,...,p)，j＝(1,2,...,q)，获取各辐射传感器对各量测目标的可信度向量Wen_i j＝{wen_i_1 j,wen_i_2 j,...,wen_i_p j}，各燃烧产物浓度传感器的可信度向量Wsmo_i j＝{wsmo_i_1 j,wsmo_i_2 j,...,wsmo_i_p j}，各感温传感器的可信度向量Wtmp_i j＝{wtmp_i_1 j,wtmp_i_2 j,...,wtmp_i_p j}；
计算该监测周期时间内辐射传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure FDA0003173445750000022
燃烧产物浓度传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure FDA0003173445750000023
感温传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure FDA0003173445750000024
2-3)判断步骤2-2)中所述各传感器的目标量测可信度的平均值是否大于预设阈值，若是，转入局部决策。
4.如权利要求3所述的基于多源信息融合的城市火灾判断方法，其特征在于，步骤2)中所述对目标特征值分别进行局部决策判断的具体方法如下：
2-4)能量辐射传感器在该监测周期内的局部决策为Aen，Aen＝f(Den-Ten)，其中Tco表示能量辐射的报警门限；
燃烧产物浓度传感器在该监测周期内的局部决策为Asmo，Asmo＝f(Dsmo-Tsmo)，其中Tsmo表示燃烧产物浓度的报警门限；
感温传感器在该监测周期内的局部决策为Atmp，Atmp＝f(Dtmp-Ttmp)，其中Ttmp表示温度的报警门限；
其中f(x)表示局部判断公式，x值大于等于0时f(x)值为1。
5.权利要求4所述的基于多源信息融合的城市火灾判断方法，其特征在于，步骤3)中所述利用基于多头注意力机制构建火灾预测模的构建方法如下：
3-1)提取与被监测环境相似的环境历史火灾数据，历史火灾数据包括有监测周期内历史能量辐射融合值Sample_xen(t)、监测周期内历史燃烧产物融合值Sample_xsmo(t)、监测周期内历史温度融合值Sample_xtmp(t)和历史检测信息持续时间信息，各N组，t＝{1,2,...,n}；
历史能量辐射融合值
Figure FDA0003173445750000031
xen_i为第i个辐射传感器采样的信号，wen_i为第i个辐射传感器所对应的权重；
历史燃烧产物融合值
Figure FDA0003173445750000032
历史温度融合值Sample_xtmp(t)，xsmo_i为第i个燃烧产物浓度传感器采样的信号，wsmo_i为第i个燃烧产物浓度传感器所对应的权重；
3-2)针对p个辐射传感器，q个量测目标，在k时刻，对量测目标j，设各传感器量测的平均值
Figure FDA0003173445750000033
其中mij为第i个传感器对量测目标j的量测值，wen_i为第i个辐射传感器所对应的权重；对量测目标j，传感器可信度的判断矩阵
Figure FDA0003173445750000034
其中矩阵元素dst为同辐射传感器中任两个传感器s、传感器t对量测目标j的可信度比值，
Figure FDA0003173445750000035
wen_s、wen_t分别为辐射传感器s、辐射传感器t所对应的权重；将Dj各列归一化处理，得到
Figure FDA0003173445750000036
将
Figure FDA0003173445750000037
按行相加后归一化得到可信度向量Wj＝{w1 j,w2 j,...,wi j,...,wp j}，wi j表示第i个辐射传感器对量测目标j的可信度；辐射传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure FDA0003173445750000041
同理，可以得到燃烧产物浓度传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure FDA0003173445750000042
感温传感器i的综合可信度为对其各个目标量测可信度的平均值
Figure FDA0003173445750000043
3-3)计算该监测周期时间内，历史能量辐射融合值中每两个相邻的信号差的总和Den，
Figure FDA0003173445750000044
历史燃烧产物浓度融合值中每两个相邻的信号差的总和Sample_Dsmo，
Figure FDA0003173445750000045
历史温度融合值中每两个相邻的信号差的总和Sample_Dtmp，
Figure FDA0003173445750000046
3-4)计算该监测周期时间内，历史能量辐射传感器在该段时间内的局部决策为Sample_Aen，Sample_Aen＝f(Sample_Den-Ten)，其中Tco表示能量辐射的报警门限；
历史燃烧产物浓度传感器在该段时间内的局部决策为Sample_Asmo，Sample_Asmo＝f(Dsmo-Tsmo)，其中Tsmo表示燃烧产物浓度的报警门限；
历史感温传感器在该段时间内的局部决策为Sample_Atmp，Sample_Atmp＝f(Sample_Dtmp-Ttmp)，其中Ttmp表示温度的报警门限；
3-5)对该段时间内四个火灾特征参量的局部决策Sample_Aen、Sample_Asmo、Sample_Atmp进行阈值检测，其中有一个值为1时，就说明该段时间内有一个信号处于异常状态，表示当前被检测环境有可能发生火灾，若此时各辐射传感器i的综合可信度Sample_Ren_i、各燃烧产物浓度传感器综合可信度Sample_Rsmo_i、各感温传感器综合可信度Sample_Rtmp_i同时高于预设可信度值，则将该段时间内传感器所采集的信号及其检测信号持续时间特征信息作为样本数据提交至火灾预测模型进行训练处理；
3-6)随机打乱并重新划分样本数据的前70％为训练集，剩余30％作为测试集，并对数据进行归一化处理，其中归一化公式为
Figure FDA0003173445750000051
数据归一化的范围为(0,1)；
3-7)利用基于多头注意力机制的预测模型对训练集进行预测，通过第一时刻到t-1时刻的监测数据预测t时刻的检测数据；
传感器安放在被监测环境的不同位置上，以固定采集被监测环境的监测数据，数据格式类型{X1,X2,...,Xn,...,Xt-1}，n＝{1,2,...,t-1}其中Xn为n时刻采集的监测数据，Xn＝{监测数据1,监测数据2,...,监测数据m}；以固定频率采集的监测数据可通过数据传输装置传输到处理器，处理器初步清洗数据后持久化至数据库中；
对监测数据序列进行经验小波变换分解得到不同频率的IMF分量序列{f1,f2,...,fn,...,ft-1}，对IMF分量序列进行数据清洗，将数据清洗后各IMF分量序列输入基于多头注意力机制的预测模型。
6.如权利要求5所述的基于多源信息融合的城市火灾判断方法，其特征在于，基于多头注意力机制的预测模型包括有编码模块和解码模块；
编码模块包括第一嵌入层、因果卷积层、多个编码层，每个编码层都包括第一多头注意力机制单元、第一融合-归一化单元、第一前馈单元、第二融合-归一化单元；
输入数据清洗后各IMF分量序列，第一嵌入层将IMF分量序列中的第一时刻到t-2时刻的IMF分量数据进行降维，利用因果卷积层提取降维后第一时刻到t-2时刻的IMF分量数据中特征信息；
第一多头注意力机制单元从特征信息中提取第一注意力信息，通过第一融合-归一化单元将第一注意力信息、特征信息融合后归一化，得到第一归一化信息；
第一前馈单元用于在第一归一化信息中加入非线性因素；
通过第二融合-归一化单元将第一归一化信息、加入的非线性因素的第一归一化信息融合后归一化，得到第二归一化信息，并将第二归一化信息作为新的特征信息；
解码模块包括第二嵌入层、多个解码层及映射层，每个解码层包括掩模多头注意力机制单元、第三融合-归一化单元、第二多头注意力机制单元、第四融合-归一化单元、第二前馈单元、第五融合-归一化单元；
第二嵌入层将IMF分量序列中的t-1时刻的IMF分量数据进行升维；
掩模多头注意力机制单元从升维后的t-1时刻的IMF分量数据中提取掩模注意力信息；
通过第三融合-归一化单元将升维度后的t-1时刻的IMF分量数据、掩模注意力信息融合后归一化，得到第三归一化信息；
第二多头注意力机制单元从第三归一化信息及最后一个编码层生成的特征信息中提取第二注意力信息；
通过第四融合-归一化单元将第四归一化信息、第二注意力信息融合后归一化，得到第四归一化信息；
第二前馈单元用于在第四归一化信息中加入非线性因素；
通过第五融合-归一化单元将第四归一化信息、加入非线性因素的第四归一化信息融合后归一化，得到第五归一化信息，并将第五归一化信息作为新的特征信息；
映射层将最后一个解码层的特征信息映射为t时刻的预测分量；
输出各IMF分量序列对应的t时刻的预测分量；
对各预测分量进行经验小波逆变换，合成为t时刻的预测数据。
7.如权利要求6所述的基于多源信息融合的城市火灾判断方法，其特征在于，步骤4)中所述将预设时间段内的目标能量辐射、目标燃烧物浓度特征值、目标温度特征值和目标检测信号持续时间特征值输入火灾预测模型进行融合预测；根据目标火灾的融合预测结果，结合混合神经网络输出火灾发生概率结果的具体方法如下：
4-1)以基于多头注意力机制的预测模型所预测的数据、检测信号持续时间特征信息为RBF-BP混合神经网络神经网络模型的输入，以有火概率、阴燃火概率、无火概率为的输出，构建包括4层隐含层、输入神经元个数为6、输出神经元个数为3的RBF-BP混合神经网络，第一层隐含层激活函数采用高斯函数，第二层隐含层激活函数采用sigmoid函数，第三层隐含层激活函数采用sigmoid函数，第四层隐含层激活函数采用sigmoid函数；
4-2)RBF-BP混合神经网络采用Adam算法优化神经网络，调整网络各参数，学习速率随着迭代次数的增加而减少；
将各网络参数以及学习速率初始化；
在建立初步基于多头注意力机制的预测模型后切换为在线预测方式，将预测输出作为神经网络的输出，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，使神经网络预测模型随着特征信号时变系统的动态变化即时更新；
对RBP-BP混合神经网络的输出通过加权平均法集成，利用MATLAB的模糊工具箱建立模糊规则，将RBF-BP混合神经网络的输出集成后输出作为模糊控制模型的输入，最终得到火灾发生的概率
将测试集输入所建立的火灾预测模型中测试。
8.一种基于多源信息融合的城市火灾判断系统，其特征在于，所述系统包括有数据采集模块、局部决策模块、火灾信息融合模块和火灾概率预测模块；
数据采集模块，用于采集t时刻下目标能量辐射特征值xen(t)、目标燃烧物浓度特征值xsmo(t)、目标温度特征值xtmp(t)和目标检测信号持续时间特征值；
局部决策模块，用于可信度评估和局部决策判断；
火灾信息融合模块，用于将预设时间段内的目标能量辐射、目标燃烧物浓度特征值、目标温度特征值和目标检测信号持续时间特征值输入火灾预测模型进行融合预测；
火灾概率预测模块，用于根据目标火灾的融合预测结果，结合RBP-BP混合神经网络输出火灾发生概率结果。
9.一种存储介质，其特征在于，所述存储介质存储有若干指令，所述指令适用于处理器进行加载，以执行权利要求1至7任意一项所述的基于多源信息融合的城市火灾判断方法。
CN202110834421.4A 2021-07-21 2021-07-21 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 Active CN113516837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110834421.4A CN113516837B (zh) 2021-07-21 2021-07-21 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110834421.4A CN113516837B (zh) 2021-07-21 2021-07-21 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

Publications (2)

Publication Number Publication Date
CN113516837A true CN113516837A (zh) 2021-10-19
CN113516837B CN113516837B (zh) 2022-09-23

Family

ID=78068644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110834421.4A Active CN113516837B (zh) 2021-07-21 2021-07-21 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

Country Status (1)

Country Link
CN (1) CN113516837B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493058A (zh) * 2022-04-18 2022-05-13 杭州远传新业科技有限公司 多通道信息特征融合的学业预警方法、系统、装置和介质
CN115394034A (zh) * 2022-08-26 2022-11-25 徐工消防安全装备有限公司 火灾风险的确定方法、装置、系统和机器人
CN115861011A (zh) * 2023-02-15 2023-03-28 山东优嘉环境科技有限公司 一种基于多源数据融合的智慧城市优化管理方法和系统
CN116205498A (zh) * 2023-05-04 2023-06-02 深圳市洪恩智能消防有限公司 基于物联网的火灾潜在发生评估与预警方法、系统及介质
CN118334845A (zh) * 2024-06-13 2024-07-12 湖南云箭智能科技有限公司 基于多传感器数据的明火预警方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109243130A (zh) * 2018-09-07 2019-01-18 公安部四川消防研究所 多物理融合火灾监控系统及其预测火灾发生概率的方法
CN111260871A (zh) * 2020-03-17 2020-06-09 中交三公局第一工程有限公司 一种快速检测火灾的智能消防预警系统
US20200258496A1 (en) * 2019-02-08 2020-08-13 Tencent America LLC Enhancing hybrid self-attention structure with relative-position-aware bias for speech synthesis
CN111627181A (zh) * 2020-06-28 2020-09-04 四川旷谷信息工程有限公司 融合多源参数及其梯度信息的综合管廊火灾预警方法
CN111625994A (zh) * 2020-05-25 2020-09-04 齐鲁工业大学 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
CN111964718A (zh) * 2020-08-11 2020-11-20 重庆大学 一种多源信息融合环境监测装置及其系统
CN112148997A (zh) * 2020-08-07 2020-12-29 江汉大学 一种用于灾害事件检测的多模态对抗模型的训练方法和装置
CN112182154A (zh) * 2020-09-25 2021-01-05 中国人民大学 一种利用个人词向量消除关键词歧义的个性化搜索模型
US20210003974A1 (en) * 2019-07-02 2021-01-07 Microsoft Technology Licensing, Llc Power grid aware machine learning device

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109243130A (zh) * 2018-09-07 2019-01-18 公安部四川消防研究所 多物理融合火灾监控系统及其预测火灾发生概率的方法
US20200258496A1 (en) * 2019-02-08 2020-08-13 Tencent America LLC Enhancing hybrid self-attention structure with relative-position-aware bias for speech synthesis
US20210003974A1 (en) * 2019-07-02 2021-01-07 Microsoft Technology Licensing, Llc Power grid aware machine learning device
CN111260871A (zh) * 2020-03-17 2020-06-09 中交三公局第一工程有限公司 一种快速检测火灾的智能消防预警系统
CN111625994A (zh) * 2020-05-25 2020-09-04 齐鲁工业大学 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
CN111627181A (zh) * 2020-06-28 2020-09-04 四川旷谷信息工程有限公司 融合多源参数及其梯度信息的综合管廊火灾预警方法
CN112148997A (zh) * 2020-08-07 2020-12-29 江汉大学 一种用于灾害事件检测的多模态对抗模型的训练方法和装置
CN111964718A (zh) * 2020-08-11 2020-11-20 重庆大学 一种多源信息融合环境监测装置及其系统
CN112182154A (zh) * 2020-09-25 2021-01-05 中国人民大学 一种利用个人词向量消除关键词歧义的个性化搜索模型

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SEUNGHYUN LEE等: ""Graph-based Knowledge Distillation by Multi-head Attention Network"", 《COMPUTER SCIENCE》 *
于秀丽等: ""基于RBF-BP组合神经网络的火灾特征融合算法研究"", 《项目管理技术》 *
柴毅等: ""基于改进遗传算法的BP神经网络自适应优化设计"", 《重庆大学学报（自然科学版）》 *
王国睿: ""基于Transformer 改进YOLO v4 的火灾检测方法"", 《智能计算机与应用》 *
窦晨超: ""基于多源信息融合方法的火灾检测系统的算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493058A (zh) * 2022-04-18 2022-05-13 杭州远传新业科技有限公司 多通道信息特征融合的学业预警方法、系统、装置和介质
CN114493058B (zh) * 2022-04-18 2022-07-26 杭州远传新业科技股份有限公司 多通道信息特征融合的学业预警方法、系统、装置和介质
CN115394034A (zh) * 2022-08-26 2022-11-25 徐工消防安全装备有限公司 火灾风险的确定方法、装置、系统和机器人
CN115861011A (zh) * 2023-02-15 2023-03-28 山东优嘉环境科技有限公司 一种基于多源数据融合的智慧城市优化管理方法和系统
CN115861011B (zh) * 2023-02-15 2023-05-05 山东优嘉环境科技有限公司 一种基于多源数据融合的智慧城市优化管理方法和系统
CN116205498A (zh) * 2023-05-04 2023-06-02 深圳市洪恩智能消防有限公司 基于物联网的火灾潜在发生评估与预警方法、系统及介质
CN118334845A (zh) * 2024-06-13 2024-07-12 湖南云箭智能科技有限公司 基于多传感器数据的明火预警方法及系统

Also Published As

Publication number Publication date
CN113516837B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
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
CN106872657B (zh) 一种多变量水质参数时序数据异常事件检测方法
Johansson et al. Detection of vessel anomalies-a Bayesian network approach
KR101822829B1 (ko) 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법
CN115169479A (zh) 污水处理过程远程监控方法、系统及存储介质
CN113076975A (zh) 一种基于无监督学习的大坝安全监测数据异常检测方法
CN102013148B (zh) 多信息融合火灾探测方法
CN110570616B (zh) 一种基于物联网的多点火灾预警系统
CN112966714A (zh) 一种边缘时序数据异常检测和网络可编程控制方法
AU2012264477A1 (en) Heterogeneous data fusion using gaussian processes
CN114679310A (zh) 一种网络信息安全检测方法
CN115856204B (zh) 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法
CN116341901A (zh) 一种滑坡面域-单体危险性预警的一体化评价方法
CN114004331A (zh) 一种基于关键指标和深度学习的故障分析方法
Ryder et al. Hierarchical temporal memory continuous learning algorithms for fire state determination
Zhang et al. Identification of concrete surface damage based on probabilistic deep learning of images
CN116700206B (zh) 基于多模态神经网络的工业控制系统异常检测方法及装置
Xie et al. Internal defect inspection in magnetic tile by using acoustic resonance technology
CN114330450B (zh) 一种多物理场融合探测识别潜航器的方法及系统
Wei et al. Intrusive detection systems design based on BP neural network
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
CN113378935A (zh) 一种用于气体的嗅觉智能识别方法
Zhang et al. Spatial-Temporal Attention Based Interpretable Deep Framework for FDIA Detection in Smart Grid
Oksiiuk et al. Adaptation of the neural network model to the identification of the cyberattacks type" denial of service"
Annas et al. Improving the accuracy of rainfall forecasting using multivariate transfer function and resilient backpropagation neural network

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