CN113947739A - 基于物联网的小区安全管理监控系统及其监控方法 - Google Patents

基于物联网的小区安全管理监控系统及其监控方法 Download PDF

Info

Publication number
CN113947739A
CN113947739A CN202111202050.4A CN202111202050A CN113947739A CN 113947739 A CN113947739 A CN 113947739A CN 202111202050 A CN202111202050 A CN 202111202050A CN 113947739 A CN113947739 A CN 113947739A
Authority
CN
China
Prior art keywords
temperature
pressure
vector
topological
values
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
CN202111202050.4A
Other languages
English (en)
Inventor
陈欣
陈林
陈弘毅
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.)
Shenzhen Kaishuoda Technology Co ltd
Original Assignee
Shenzhen Kaishuoda Technology 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 Shenzhen Kaishuoda Technology Co ltd filed Critical Shenzhen Kaishuoda Technology Co ltd
Priority to CN202111202050.4A priority Critical patent/CN113947739A/zh
Publication of CN113947739A publication Critical patent/CN113947739A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Alarm Systems (AREA)

Abstract

本申请具体地公开了一种基于物联网的小区安全管理监控系统及其监控方法。所述基于物联网的小区安全管理监控系统通过基于小区中的窨井盖的拓扑结构得到拓扑特征图并以此获得温度特征向量和压力特征向量，从而得到包含拓扑结构信息的关键参数的高维特征表达，并且进一步基于气体分子的热力学增益关系来融合温度信息、压力信息和气体浓度信息，可以实现各类监测传感器的各类监测数值在高维特征空间中的有效的联合建模，从而提高后续分类的准确性，以实现有效监测。

Description

基于物联网的小区安全管理监控系统及其监控方法
技术领域
本发明涉及智能安全管理的领域，且更为具体地，涉及一种基于物联网的小区安全管理监控系统及其监控方法。
背景技术
随着我国城市基础设施建设事业的持续高速发展，城市中给水、排水、燃气、热气、电力、通信等各类市政公用设施日益增加。城市路面的各类地下管线设施的井盖也相应地不断增多。
近年来，由于城市中井盖管理不善，造成全国范围内各类伤人、损车事件频发，而如果窨井盖事件发生于居民小区中，其影响和造成的危害将更为巨大。因此，如何改善城市井盖管理，尤其是小区的窨井盖管理已成为困扰全国各地市政设施管理部门的一个难点、热点问题。
目前，现有的管理模式通过在井盖中设置各类监测传感器以对小区的窨井盖进行监测，但是这样的管理方式仅能够基于单个窨井盖的监测传感器建立监测模型来进行监测，从而就会使得监测结果很容易受到数值的随机波动的影响。
因此，为了获得更为准确的监测结果，以使得小区的窨井盖管理效果更好，期待一种基于物联网的小区安全管理监控系统的监控方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于物联网的小区安全管理监控系统及其监控方法，其通过基于小区中的窨井盖的拓扑结构得到拓扑特征图并以此获得温度特征向量和压力特征向量，从而得到包含拓扑结构信息的关键参数的高维特征表达，并且进一步基于气体分子的热力学增益关系来融合温度信息、压力信息和气体浓度信息，可以实现各类监测传感器的各类监测数值在高维特征空间中的有效的联合建模，从而提高后续分类的准确性，以实现有效监测。
根据本申请的一个方面，提供了一种基于物联网的小区安全管理监控系统，其包括：
拓扑数据单元，用于将待监控的小区内的窨井盖的拓扑结构数据转化为拓扑矩阵，其中，所述拓扑结构数据中的各个节点表示窨井盖，节点与节点之间的距离表示两个窨井盖之间的距离，所述拓扑矩阵中非对角线位置的各个位置的特征值为对应两个窨井盖之间的距离，所述拓扑矩阵中对角线位置的各个位置的特征值为0；
隐式空间编码单元，用于以卷积神经网络作为特征提取器从所述拓扑矩阵获得拓扑特征图，所述拓扑特征图用于表示高维隐含拓扑关联特征；
传感器数据获取单元，用于通过部署于各个所述窨井盖内的温度传感器、压力传感器和气体浓度传感器获得各个所述窨井盖内的温度值、压力值和气体浓度值；
向量构造单元，用于将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量并使用编码器将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量和压力编码向量；
映射单元，用于将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得温度特征向量和压力特征向量；
压力和温度融合单元，用于基于气体分子的热力学增益关系来融合所述温度特征向量和所述压力特征向量以获得融合特征向量，其中，所述气体分子的热力学增益关系基于所述压力特征向量和所述温度特征向量中各个位置的特征值、标准温度和标准大气压力和气体浓度值确定；以及
监控结果生成单元，用于将所述融合特征向量通过分类器以获得分类结果，所述分类结果用于表示监测结果是否正常。
在上述基于物联网的小区安全管理监控系统中，所述拓扑数据单元，进一步用于：将所述待监控的小区内的窨井盖进行编号；将编号后的窨井盖按照矩阵的行和列进行排列；以及，在所述矩阵的非对角线位置的各个位置填充对应两个窨井盖之间的距离和在所述矩阵的对角线位置的各个位置填充0值以获得所述拓扑矩阵。
在上述基于物联网的小区安全管理监控系统中，所述卷积神经网络以如下公式对所述拓扑矩阵进行处理以获得所述拓扑特征图；其中，所述公式为：
fi＝active(Ni×fi-1+Bi)
其中，fi-1为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，Ni为第i层卷积神经网络的滤波器，且Bi为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
在上述基于物联网的小区安全管理监控系统中，所述向量构造单元，进一步用于：使用所述编码器的全连接层对所述压力向量进行全位置编码以提取出所述压力向量中各个位置的特征值的高维隐含特征；使用所述编码器的一维卷积层对所述压力向量进行一维卷积编码以提取出所述压力向量中相邻位置的特征值之间的关联的高维关联特征以获得所述压力编码向量；使用所述编码器的全连接层对所述温度向量进行全位置编码以提取出所述温度向量中各个位置的特征值的高维隐含特征；以及，使用所述编码器的一维卷积层对所述温度向量进行一维卷积编码以提取出所述温度向量中相邻位置的特征值之间的关联的高维关联特征以获得所述温度编码向量。
在上述基于物联网的小区安全管理监控系统中，所述映射单元，进一步用于：将所述拓扑特征图与所述温度编码向量进行矩阵相乘以将所述温度编码向量映射到所述拓扑特征图的高维特征空间中以获得所述温度特征向量；以及，将所述拓扑特征图与所述压力编码向量进行矩阵相乘以将所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得所述压力特征向量。
在上述基于物联网的小区安全管理监控系统中，所述压力和温度融合单元，进一步用于基于气体分子的热力学增益关系以如下公式来融合所述温度特征向量和所述压力特征向量以获得融合特征向量；所述公式为：
Figure BDA0003305289120000031
Figure BDA0003305289120000032
其中i,g指的是气体的各同位素体，Ti和pi是温度特征向量和压力特征向量的相应位置的特征值，T0和p0是标准温度和标准大气压力，Qi,g和σi,g表示每单位体积的分子总数和给定气体混合物的热吸收截面，其基于所述气体浓度传感器所得到的各种气体的气体浓度值得到。
在上述基于物联网的小区安全管理监控系统中，所述监控结果生成单元，进一步用于计算所述融合特征向量中各个位置的Softmax分类函数值作为各个位置对应的窨井盖是否异常的概率值，所述Softmax分类函数值为取各个位置的特征值为幂的自然指数函数值除以各个位置的特征值为幂的自然指数函数值的加权和；以及，基于所述Softmax分类函数值与预设阈值之间的比较，确定各个位置对应的窨井盖是否正常。
根据本申请的另一方面，一种基于物联网的小区安全管理监控系统的监控方法，其包括：
将待监控的小区内的窨井盖的拓扑结构数据转化为拓扑矩阵，其中，所述拓扑结构数据中的各个节点表示窨井盖，节点与节点之间的距离表示两个窨井盖之间的距离，所述拓扑矩阵中非对角线位置的各个位置的特征值为对应两个窨井盖之间的距离，所述拓扑矩阵中对角线位置的各个位置的特征值为0；
以卷积神经网络作为特征提取器从所述拓扑矩阵获得拓扑特征图，所述拓扑特征图用于表示高维隐含拓扑关联特征；
通过部署于各个所述窨井盖内的温度传感器、压力传感器和气体浓度传感器获得各个所述窨井盖内的温度值、压力值和气体浓度值；
将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量并使用编码器将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量和压力编码向量；
将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得温度特征向量和压力特征向量；
基于气体分子的热力学增益关系来融合所述温度特征向量和所述压力特征向量以获得融合特征向量，其中，所述气体分子的热力学增益关系基于所述压力特征向量和所述温度特征向量中各个位置的特征值、标准温度和标准大气压力和气体浓度值确定；以及
将所述融合特征向量通过分类器以获得分类结果，所述分类结果用于表示监测结果是否正常。
在上述基于物联网的小区安全管理监控系统的监控方法中，将待监控的小区内的窨井盖的拓扑结构数据转化为拓扑矩阵，包括：将所述待监控的小区内的窨井盖进行编号；将编号后的窨井盖按照矩阵的行和列进行排列；以及，在所述矩阵的非对角线位置的各个位置填充对应两个窨井盖之间的距离和在所述矩阵的对角线位置的各个位置填充0值以获得所述拓扑矩阵。
在上述基于物联网的小区安全管理监控系统的监控方法中，所述卷积神经网络以如下公式对所述拓扑矩阵进行处理以获得所述拓扑特征图；
其中，所述公式为：
fi＝active(Ni×fi-1+Bi)
其中，fi-1为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，Ni为第i层卷积神经网络的滤波器，且Bi为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
在上述基于物联网的小区安全管理监控系统的监控方法中，将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量并使用编码器将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量和压力编码向量，包括：使用所述编码器的全连接层对所述压力向量进行全位置编码以提取出所述压力向量中各个位置的特征值的高维隐含特征；使用所述编码器的一维卷积层对所述压力向量进行一维卷积编码以提取出所述压力向量中相邻位置的特征值之间的关联的高维关联特征以获得所述压力编码向量；使用所述编码器的全连接层对所述温度向量进行全位置编码以提取出所述温度向量中各个位置的特征值的高维隐含特征；以及，使用所述编码器的一维卷积层对所述温度向量进行一维卷积编码以提取出所述温度向量中相邻位置的特征值之间的关联的高维关联特征以获得所述温度编码向量。
在上述基于物联网的小区安全管理监控系统的监控方法中，将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得温度特征向量和压力特征向量，包括：将所述拓扑特征图与所述温度编码向量进行矩阵相乘以将所述温度编码向量映射到所述拓扑特征图的高维特征空间中以获得所述温度特征向量；以及，将所述拓扑特征图与所述压力编码向量进行矩阵相乘以将所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得所述压力特征向量。
在上述基于物联网的小区安全管理监控系统的监控方法中，所述基于气体分子的热力学增益关系来融合所述温度特征向量和所述压力特征向量以获得融合特征向量，包括：基于气体分子的热力学增益关系以如下公式来融合所述温度特征向量和所述压力特征向量以获得融合特征向量；所述公式为：
Figure BDA0003305289120000051
Figure BDA0003305289120000061
其中i,g指的是气体的各同位素体，Ti和pi是温度特征向量和压力特征向量的相应位置的特征值，T0和p0是标准温度和标准大气压力，Qi,g和σi,g表示每单位体积的分子总数和给定气体混合物的热吸收截面，其基于所述气体浓度传感器所得到的各种气体的气体浓度值得到。
在上述基于物联网的小区安全管理监控系统的监控方法中，将所述融合特征向量通过分类器以获得分类结果，所述分类结果用于表示监测结果是否正常，包括：计算所述融合特征向量中各个位置的Softmax分类函数值作为各个位置对应的窨井盖是否异常的概率值，所述Softmax分类函数值为取各个位置的特征值为幂的自然指数函数值除以各个位置的特征值为幂的自然指数函数值的加权和；以及，基于所述Softmax分类函数值与预设阈值之间的比较，确定各个位置对应的窨井盖是否正常。
与现有技术相比，本申请提供的基于物联网的小区安全管理监控系统及其监控方法，其通过基于小区中的窨井盖的拓扑结构得到拓扑特征图并以此获得温度特征向量和压力特征向量，从而得到包含拓扑结构信息的关键参数的高维特征表达，并且进一步基于气体分子的热力学增益关系来融合温度信息、压力信息和气体浓度信息，可以实现各类监测传感器的各类监测数值在高维特征空间中的有效的联合建模，从而提高后续分类的准确性，以实现有效监测。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于物联网的小区安全管理监控系统的应用场景图。
图2为根据本申请实施例的基于物联网的小区安全管理监控系统的框图。
图3为根据本申请实施例的基于物联网的小区安全管理监控系统中监控结果生成单元的框图。
图4为根据本申请实施例的基于物联网的小区安全管理监控系统的监控方法的流程图。
图5为根据本申请实施例的基于物联网的小区安全管理监控系统的监控方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，近年来，由于城市中井盖管理不善，造成全国范围内各类伤人、损车事件频发，而如果窨井盖事件发生于居民小区中，其影响和造成的危害将更为巨大。因此，如何改善城市井盖管理，尤其是小区的窨井盖管理已成为困扰全国各地市政设施管理部门的一个难点、热点问题。
目前，现有的管理模式通过在井盖中设置各类监测传感器以对小区的窨井盖进行监测，但是这样的管理方式仅能够基于单个窨井盖的监测传感器建立监测模型来进行监测，从而就会使得监测结果很容易受到数值的随机波动的影响。因此，为了获得更为准确的监测结果，以使得小区的窨井盖管理效果更好，期待一种基于物联网的小区安全管理监控系统的监控方法。
因此，在本申请中期望通过小区内的所有窨井盖的监测传感器的监测数值来联合进行监测，因此如何对所有窨井盖的各类监测传感器的各类监测数值进行高维特征空间中的联合建模就成为需要解决的问题。
基于此，在本申请的技术方案中，首先需要对小区中的窨井盖的拓扑结构进行数学表达，可以应用邻接矩阵，即，矩阵的行和列表示各个节点(即，窨井盖)，矩阵中的相应位置表示节点间的距离，从而得到拓扑矩阵。然后，将该拓扑矩阵输入卷积神经网络以得到拓扑特征图，从而挖掘出高维隐含拓扑关联特征。
由于目前的监测传感器主要为温度传感器、压力传感器和气体浓度传感器，且温度传感器和压力传感器的数值对判断窨井盖的物理状态最为重要。因此，将温度传感器和压力传感器的数值分别按照上述拓扑矩阵中节点的排列顺序得到温度向量和压力向量，再通过编码器编码到高维空间中得到温度编码向量和压力编码向量，并以拓扑特征图分别乘以温度编码向量和压力编码向量以得到温度特征向量和压力特征向量。
进一步，考虑到温度特征向量和压力特征向量仅是温度数值和压力数值在拓扑信息的高维特征空间中的映射向量，两者之间还需要进一步融合，因此基于气体分子的热力学增益关系，来从温度特征向量和压力特征向量得到融合特征向量，表示为：
Figure BDA0003305289120000081
Figure BDA0003305289120000082
其中i,g指的是气体的各同位素体，Ti和pi是温度特征向量和压力特征向量的相应位置的特征值，T0和p0是标准温度和标准大气压力，Qi,g和σi,g表示每单位体积的分子总数和给定气体混合物的热吸收截面，这可以基于气体浓度传感器所得到的各种气体的气体浓度数值得到。
这样，在得到融合特征向量之后，就可以将融合特征向量输入分类器，以得到监测结果是否正常的分类结果。进一步的，由于融合特征向量的每个位置的特征值对应于一个窨井盖，也可以基于每个位置相对于整体的Softmax分类函数值确定某个窨井盖是否存在异常。
基于此，本申请提出了一种基于物联网的小区安全管理监控系统，其包括：拓扑数据单元，用于将待监控的小区内的窨井盖的拓扑结构数据转化为拓扑矩阵，其中，所述拓扑结构数据中的各个节点表示窨井盖，节点与节点之间的距离表示两个窨井盖之间的距离，所述拓扑矩阵中非对角线位置的各个位置的特征值为对应两个窨井盖之间的距离，所述拓扑矩阵中对角线位置的各个位置的特征值为0；隐式空间编码单元，用于以卷积神经网络作为特征提取器从所述拓扑矩阵获得拓扑特征图，所述拓扑特征图用于表示高维隐含拓扑关联特征；传感器数据获取单元，用于通过部署于各个所述窨井盖内的温度传感器、压力传感器和气体浓度传感器获得各个所述窨井盖内的温度值、压力值和气体浓度值；向量构造单元，用于将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量并使用编码器将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量和压力编码向量；映射单元，用于将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得温度特征向量和压力特征向量；压力和温度融合单元，用于基于气体分子的热力学增益关系来融合所述温度特征向量和所述压力特征向量以获得融合特征向量，其中，所述气体分子的热力学增益关系基于所述压力特征向量和所述温度特征向量中各个位置的特征值、标准温度和标准大气压力和气体浓度值确定；以及，监控结果生成单元，用于将所述融合特征向量通过分类器以获得分类结果，所述分类结果用于表示监测结果是否正常。
图1图示了根据本申请实施例的基于物联网的小区安全管理监控系统的应用场景图。如图1所示，在该应用场景中，首先，获取待监控的小区(例如，如图1中所示意的R)内的窨井盖(例如，如图1中所示意的B)的拓扑结构，其中，所述拓扑结构数据中的各个节点表示窨井盖，节点与节点之间的距离表示两个窨井盖之间的距离，并且通过部署于各个所述窨井盖内的温度传感器(例如，如图1中所示意的T)、压力传感器(例如，如图1中所示意的P)和气体浓度传感器(例如，如图1中所示意的G)获得各个所述窨井盖内的温度值、压力值和气体浓度值。
然后，将获得的所述待监控的小区内的窨井盖的拓扑结构以及各个所述窨井盖内的温度值、压力值和气体浓度值输入至部署有基于物联网的小区安全管理监控算法的服务器(例如，如图1中所示意的云服务器S)中，其中，所述服务器能够以基于物联网的小区安全管理监控算法对所述待监控的小区内的窨井盖的拓扑结构以及各个所述窨井盖内的温度值、压力值和气体浓度值进行处理，以生成用于表示监测结果是否正常的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的基于物联网的小区安全管理监控系统的框图。如图2所示，根据本申请实施例的基于物联网的小区安全管理监控系统200，包括：拓扑数据单元210，用于将待监控的小区内的窨井盖的拓扑结构数据转化为拓扑矩阵，其中，所述拓扑结构数据中的各个节点表示窨井盖，节点与节点之间的距离表示两个窨井盖之间的距离，所述拓扑矩阵中非对角线位置的各个位置的特征值为对应两个窨井盖之间的距离，所述拓扑矩阵中对角线位置的各个位置的特征值为0；隐式空间编码单元220，用于以卷积神经网络作为特征提取器从所述拓扑矩阵获得拓扑特征图，所述拓扑特征图用于表示高维隐含拓扑关联特征；传感器数据获取单元230，用于通过部署于各个所述窨井盖内的温度传感器、压力传感器和气体浓度传感器获得各个所述窨井盖内的温度值、压力值和气体浓度值；向量构造单元240，用于将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量并使用编码器将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量和压力编码向量；映射单元250，用于将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得温度特征向量和压力特征向量；压力和温度融合单元260，用于基于气体分子的热力学增益关系来融合所述温度特征向量和所述压力特征向量以获得融合特征向量，其中，所述气体分子的热力学增益关系基于所述压力特征向量和所述温度特征向量中各个位置的特征值、标准温度和标准大气压力和气体浓度值确定；以及，监控结果生成单元270，用于将所述融合特征向量通过分类器以获得分类结果，所述分类结果用于表示监测结果是否正常。
具体地，在本申请实施例中，所述拓扑数据单元210和所述隐式空间编码单元220，用于将待监控的小区内的窨井盖的拓扑结构数据转化为拓扑矩阵，并以卷积神经网络作为特征提取器从所述拓扑矩阵获得拓扑特征图，所述拓扑特征图用于表示高维隐含拓扑关联特征。如前所述，尽管目前窨井盖中设有各类监测传感器，但如果仅基于单个所述窨井盖的监测传感器建立监测模型来进行监测，则很容易受到数值的随机波动的影响，因此，在本申请的技术方案中，期望通过小区内的所有窨井盖的监测传感器的监测数值来联合进行监测。
也就是，首先，需要获取待监控的小区内的窨井盖的拓扑结构，其中，所述拓扑结构数据中的各个节点表示窨井盖，节点与节点之间的距离表示两个窨井盖之间的距离。然后，再将所述拓扑结构转化为拓扑矩阵，其中，所述拓扑矩阵中非对角线位置的各个位置的特征值为对应两个窨井盖之间的距离，所述拓扑矩阵中对角线位置的各个位置的特征值为0，也就是，对所述小区中的窨井盖的拓扑结构进行数学表达，以便于后续对其进行处理。在一个具体示例中，可以应用邻接矩阵，即，所述矩阵的行和列表示所述各个节点，也就是窨井盖，所述矩阵中的相应位置表示节点间的距离，从而就能够得到拓扑矩阵。最后，将所述拓扑矩阵输入作为特征提取器的卷积神经网络中进行处理，以挖掘出所述各个窨井盖之间的高维隐含拓扑关联特征，从而得到拓扑特征图。
相应地，在一个具体示例中，所述拓扑数据单元，包括：首先，将所述待监控的小区内的窨井盖进行编号；然后，将编号后的窨井盖按照矩阵的行和列进行排列；最后，在所述矩阵的非对角线位置的各个位置填充对应两个窨井盖之间的距离和在所述矩阵的对角线位置的各个位置填充0值以获得所述拓扑矩阵。
更具体地，在本申请实施例中，所述卷积神经网络以如下公式对所述拓扑矩阵进行处理以获得所述拓扑特征图；
其中，所述公式为：
fi＝active(Ni×fi-1+Bi)
其中，fi-1为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，Ni为第i层卷积神经网络的滤波器，且Bi为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
具体地，在本申请实施例中，所述传感器数据获取单元230和向量构造单元240，用于通过部署于各个所述窨井盖内的温度传感器、压力传感器和气体浓度传感器获得各个所述窨井盖内的温度值、压力值和气体浓度值，并将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量并使用编码器将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量和压力编码向量。应可以理解，由于目前的监测传感器主要为温度传感器、压力传感器和气体浓度传感器，且所述温度传感器和所述压力传感器的数值对判断所述窨井盖的物理状态最为重要。因此，在本申请的技术方案中，首先，通过部署于各个所述窨井盖内的所述温度传感器和所述压力传感器来采集各个所述窨井盖内的温度值和压力值，并且考虑到后续需要对温度信息和压力信息进行有效地融合，因此，还通过部署于各个所述窨井盖内的所述气体浓度传感器来采集气体浓度值。然后，将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量，以便于后续编码器对其进行处理。最后，再将所述温度向量和所述压力向量通过编码器进行编码，以将所述温度向量和所述压力向量编码到高维特征空间中，从而得到温度编码向量和压力编码向量。
更具体地，在本申请实施例中，所述向量构造单元，包括：首先，使用所述编码器的全连接层对所述压力向量进行全位置编码以提取出所述压力向量中各个位置的特征值的高维隐含特征；接着，使用所述编码器的一维卷积层对所述压力向量进行一维卷积编码以提取出所述压力向量中相邻位置的特征值之间的关联的高维关联特征以获得所述压力编码向量；然后，使用所述编码器的全连接层对所述温度向量进行全位置编码以提取出所述温度向量中各个位置的特征值的高维隐含特征；最后，使用所述编码器的一维卷积层对所述温度向量进行一维卷积编码以提取出所述温度向量中相邻位置的特征值之间的关联的高维关联特征以获得所述温度编码向量。
具体地，在本申请实施例中，所述映射单元250，用于将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得温度特征向量和压力特征向量。也就是，以所述拓扑特征图分别乘以所述温度编码向量和所述压力编码向量，以将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中，从而获得包含拓扑结构信息的关键参数的高维特征表达的温度特征向量和压力特征向量。
更具体地，在本申请实施例中，所述映射单元，包括：首先，将所述拓扑特征图与所述温度编码向量进行矩阵相乘以将所述温度编码向量映射到所述拓扑特征图的高维特征空间中以获得所述温度特征向量；然后，将所述拓扑特征图与所述压力编码向量进行矩阵相乘以将所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得所述压力特征向量。
具体地，在本申请实施例中，所述压力和温度融合单元260，用于基于气体分子的热力学增益关系来融合所述温度特征向量和所述压力特征向量以获得融合特征向量。应可以理解，考虑到所述温度特征向量和所述压力特征向量仅是温度数值和压力数值在拓扑信息的高维特征空间中的映射向量，两者之间还需要进一步融合，因此，在本申请的技术方案中，采用基于气体分子的热力学增益关系，来从所述温度特征向量和所述压力特征向量得到融合特征向量。也就是，进一步基于气体分子的热力学增益关系来融合所述温度信息、所述压力信息和所述气体浓度信息，以实现所述各类监测传感器的各类监测数值在高维特征空间中的有效的联合建模，从而提高后续分类的准确性，以实现有效的监测。值得一提的是，这里，所述气体分子的热力学增益关系基于所述压力特征向量和所述温度特征向量中各个位置的特征值、标准温度和标准大气压力和气体浓度值确定。
更具体地，在本申请实施例中，所述压力和温度融合单元，进一步用于基于气体分子的热力学增益关系以如下公式来融合所述温度特征向量和所述压力特征向量以获得融合特征向量；
所述公式为：
Figure BDA0003305289120000131
Figure BDA0003305289120000132
其中i,g指的是气体的各同位素体，Ti和pi是温度特征向量和压力特征向量的相应位置的特征值，T0和p0是标准温度和标准大气压力，Qi,g和σi,g表示每单位体积的分子总数和给定气体混合物的热吸收截面，其基于所述气体浓度传感器所得到的各种气体的气体浓度值得到。
具体地，在本申请实施例中，所述监控结果生成单元270，用于将所述融合特征向量通过分类器以获得分类结果，所述分类结果用于表示监测结果是否正常。也就是，在得到所述融合特征向量之后，就可以将所述融合特征向量输入分类器，以得到用于表示监测结果是否正常的分类结果。特别地，由于所述融合特征向量的每个位置的特征值对应于一个窨井盖，也可以基于所述融合特征向量中每个位置相对于整体的Softmax分类函数值确定某个窨井盖是否存在异常。
更具体地，在本申请实施例中，所述监控结果生成单元，包括：首先，计算所述融合特征向量中各个位置的Softmax分类函数值作为各个位置对应的窨井盖是否异常的概率值，所述Softmax分类函数值为取各个位置的特征值为幂的自然指数函数值除以各个位置的特征值为幂的自然指数函数值的加权和，也就是，所述公式为：pi＝exp(-xi)/∑i exp(-xi)，其中，xi表示所述融合特征向量中各个位置的特征值。然后，基于所述Softmax分类函数值与预设阈值之间的比较，确定各个位置对应的窨井盖是否正常。具体地，当所述Softmax分类函数值大于所述预设阈值时，所述分类结果为该位置对应的窨井盖异常；当所述Softmax分类函数值小于所述预设阈值时，所述分类结果为该位置对应的窨井盖正常。
图3图示了根据本申请实施例的基于物联网的小区安全管理监控系统中监控结果生成单元的框图。如图3所示，所述监控结果生成单元270，包括：概率值计算子单元271，用于计算所述融合特征向量中各个位置的Softmax分类函数值作为各个位置对应的窨井盖是否异常的概率值，所述Softmax分类函数值为取各个位置的特征值为幂的自然指数函数值除以各个位置的特征值为幂的自然指数函数值的加权和；比较子单元272，基于所述概率值计算子单元271获得的所述Softmax分类函数值与预设阈值之间的比较，确定各个位置对应的窨井盖是否正常。
综上，基于本申请实施例的所述基于物联网的小区安全管理监控系统200被阐明，其通过基于小区中的窨井盖的拓扑结构得到拓扑特征图并以此获得温度特征向量和压力特征向量，从而得到包含拓扑结构信息的关键参数的高维特征表达，并且进一步基于气体分子的热力学增益关系来融合温度信息、压力信息和气体浓度信息，可以实现各类监测传感器的各类监测数值在高维特征空间中的有效的联合建模，从而提高后续分类的准确性，以实现有效监测。
如上所述，根据本申请实施例的基于物联网的小区安全管理监控系统200可以实现在各种终端设备中，例如基于物联网的小区安全管理监控算法的服务器等。在一个示例中，根据本申请实施例的基于物联网的小区安全管理监控系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于物联网的小区安全管理监控系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于物联网的小区安全管理监控系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于物联网的小区安全管理监控系统200与该终端设备也可以是分立的设备，并且该基于物联网的小区安全管理监控系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了基于物联网的小区安全管理监控系统的监控方法的流程图。如图4所示，根据本申请实施例的基于物联网的小区安全管理监控系统的监控方法，包括步骤：S110，将待监控的小区内的窨井盖的拓扑结构数据转化为拓扑矩阵，其中，所述拓扑结构数据中的各个节点表示窨井盖，节点与节点之间的距离表示两个窨井盖之间的距离，所述拓扑矩阵中非对角线位置的各个位置的特征值为对应两个窨井盖之间的距离，所述拓扑矩阵中对角线位置的各个位置的特征值为0；S120，以卷积神经网络作为特征提取器从所述拓扑矩阵获得拓扑特征图，所述拓扑特征图用于表示高维隐含拓扑关联特征；S130，通过部署于各个所述窨井盖内的温度传感器、压力传感器和气体浓度传感器获得各个所述窨井盖内的温度值、压力值和气体浓度值；S140，将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量并使用编码器将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量和压力编码向量；S150，将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得温度特征向量和压力特征向量；S160，基于气体分子的热力学增益关系来融合所述温度特征向量和所述压力特征向量以获得融合特征向量，其中，所述气体分子的热力学增益关系基于所述压力特征向量和所述温度特征向量中各个位置的特征值、标准温度和标准大气压力和气体浓度值确定；以及，S170，将所述融合特征向量通过分类器以获得分类结果，所述分类结果用于表示监测结果是否正常。
图5图示了根据本申请实施例的基于物联网的小区安全管理监控系统的监控方法的架构示意图。如图5所示，在所述基于物联网的小区安全管理监控系统的监控方法的网络架构中，首先，将获得的待监控的小区内的窨井盖的拓扑结构(例如，如图5中所示意的P)数据转化为拓扑矩阵(例如，如图5中所示意的M)；S120，以卷积神经网络(例如，如图5中所示意的CNN)作为特征提取器从所述拓扑矩阵获得拓扑特征图(例如，如图5中所示意的F)；S140，将获取的各个所述窨井盖内的温度值(例如，如图5中所示意的Q1)和压力值(例如，如图5中所示意的Q2)按照所述拓扑矩阵中节点的排列方式构造为温度向量(例如，如图5中所示意的V1)和压力向量(例如，如图5中所示意的V2)并使用编码器(例如，如图5中所示意的E)将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量(例如，如图5中所示意的V3)和压力编码向量(例如，如图5中所示意的V4)；S150，将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得温度特征向量(例如，如图5中所示意的VF1)和压力特征向量(例如，如图5中所示意的VF2)；S160，基于气体分子的热力学增益关系来融合所述温度特征向量和所述压力特征向量以获得融合特征向量(例如，如图5中所示意的VF)，其中，所述气体分子的热力学增益关系基于所述压力特征向量和所述温度特征向量中各个位置的特征值、标准温度和标准大气压力和获得的气体浓度值(例如，如图5中所示意的Q3)确定；以及，S170，将所述融合特征向量通过分类器(例如，如图5中所示意的圈S)以获得分类结果，所述分类结果用于表示监测结果是否正常。
更具体地，在步骤S110和S120中，将待监控的小区内的窨井盖的拓扑结构数据转化为拓扑矩阵，其中，所述拓扑结构数据中的各个节点表示窨井盖，节点与节点之间的距离表示两个窨井盖之间的距离，所述拓扑矩阵中非对角线位置的各个位置的特征值为对应两个窨井盖之间的距离，所述拓扑矩阵中对角线位置的各个位置的特征值为0，并以卷积神经网络作为特征提取器从所述拓扑矩阵获得拓扑特征图，所述拓扑特征图用于表示高维隐含拓扑关联特征。也就是，首先，需要获取待监控的小区内的窨井盖的拓扑结构，其中，所述拓扑结构数据中的各个节点表示窨井盖，节点与节点之间的距离表示两个窨井盖之间的距离。然后，再将所述拓扑结构转化为拓扑矩阵，其中，所述拓扑矩阵中非对角线位置的各个位置的特征值为对应两个窨井盖之间的距离，所述拓扑矩阵中对角线位置的各个位置的特征值为0，也就是，对所述小区中的窨井盖的拓扑结构进行数学表达，以便于后续对其进行处理。在一个具体示例中，可以应用邻接矩阵，即，所述矩阵的行和列表示所述各个节点，也就是窨井盖，所述矩阵中的相应位置表示节点间的距离，从而就能够得到拓扑矩阵。最后，将所述拓扑矩阵输入作为特征提取器的卷积神经网络中进行处理，以挖掘出所述各个窨井盖之间的高维隐含拓扑关联特征，从而得到拓扑特征图。
更具体地，在步骤S130和S140中，通过部署于各个所述窨井盖内的温度传感器、压力传感器和气体浓度传感器获得各个所述窨井盖内的温度值、压力值和气体浓度值，并将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量并使用编码器将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量和压力编码向量。也就是，首先，通过部署于各个所述窨井盖内的所述温度传感器和所述压力传感器来采集各个所述窨井盖内的温度值和压力值，并且考虑到后续需要对温度信息和压力信息进行有效地融合，因此，还通过部署于各个所述窨井盖内的所述气体浓度传感器来采集气体浓度值。然后，将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量，以便于后续编码器对其进行处理。最后，再将所述温度向量和所述压力向量通过编码器进行编码，以将所述温度向量和所述压力向量编码到高维特征空间中，从而得到温度编码向量和压力编码向量。
更具体地，在步骤S150中，将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得温度特征向量和压力特征向量。也就是，以所述拓扑特征图分别乘以所述温度编码向量和所述压力编码向量，以将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中，从而获得包含拓扑结构信息的关键参数的高维特征表达的温度特征向量和压力特征向量。
更具体地，在步骤S160中，基于气体分子的热力学增益关系来融合所述温度特征向量和所述压力特征向量以获得融合特征向量，其中，所述气体分子的热力学增益关系基于所述压力特征向量和所述温度特征向量中各个位置的特征值、标准温度和标准大气压力和气体浓度值确定。应可以理解，考虑到所述温度特征向量和所述压力特征向量仅是温度数值和压力数值在拓扑信息的高维特征空间中的映射向量，两者之间还需要进一步融合，因此，在本申请的技术方案中，采用基于气体分子的热力学增益关系，来从所述温度特征向量和所述压力特征向量得到融合特征向量。也就是，进一步基于气体分子的热力学增益关系来融合所述温度信息、所述压力信息和所述气体浓度信息，以实现所述各类监测传感器的各类监测数值在高维特征空间中的有效的联合建模，从而提高后续分类的准确性，以实现有效的监测。
更具体地，在步骤S170中，将所述融合特征向量通过分类器以获得分类结果，所述分类结果用于表示监测结果是否正常。也就是，在得到所述融合特征向量之后，就可以将所述融合特征向量输入分类器，以得到用于表示监测结果是否正常的分类结果。特别地，由于所述融合特征向量的每个位置的特征值对应于一个窨井盖，也可以基于所述融合特征向量中每个位置相对于整体的Softmax分类函数值确定某个窨井盖是否存在异常。
综上，基于本申请实施例的所述基于物联网的小区安全管理监控系统的监控方法被阐明，其通过基于小区中的窨井盖的拓扑结构得到拓扑特征图并以此获得温度特征向量和压力特征向量，从而得到包含拓扑结构信息的关键参数的高维特征表达，并且进一步基于气体分子的热力学增益关系来融合温度信息、压力信息和气体浓度信息，可以实现各类监测传感器的各类监测数值在高维特征空间中的有效的联合建模，从而提高后续分类的准确性，以实现有效监测。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于物联网的小区安全管理监控系统，其特征在于，包括：
拓扑数据单元，用于将待监控的小区内的窨井盖的拓扑结构数据转化为拓扑矩阵，其中，所述拓扑结构数据中的各个节点表示窨井盖，节点与节点之间的距离表示两个窨井盖之间的距离，所述拓扑矩阵中非对角线位置的各个位置的特征值为对应两个窨井盖之间的距离，所述拓扑矩阵中对角线位置的各个位置的特征值为0；
隐式空间编码单元，用于以卷积神经网络作为特征提取器从所述拓扑矩阵获得拓扑特征图，所述拓扑特征图用于表示高维隐含拓扑关联特征；
传感器数据获取单元，用于通过部署于各个所述窨井盖内的温度传感器、压力传感器和气体浓度传感器获得各个所述窨井盖内的温度值、压力值和气体浓度值；
向量构造单元，用于将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量并使用编码器将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量和压力编码向量；
映射单元，用于将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得温度特征向量和压力特征向量；
压力和温度融合单元，用于基于气体分子的热力学增益关系来融合所述温度特征向量和所述压力特征向量以获得融合特征向量，其中，所述气体分子的热力学增益关系基于所述压力特征向量和所述温度特征向量中各个位置的特征值、标准温度和标准大气压力和气体浓度值确定；以及
监控结果生成单元，用于将所述融合特征向量通过分类器以获得分类结果，所述分类结果用于表示监测结果是否正常。
2.根据权利要求1所述的基于物联网的小区安全管理监控系统，其中，所述拓扑数据单元，进一步用于：将所述待监控的小区内的窨井盖进行编号；将编号后的窨井盖按照矩阵的行和列进行排列；以及，在所述矩阵的非对角线位置的各个位置填充对应两个窨井盖之间的距离和在所述矩阵的对角线位置的各个位置填充0值以获得所述拓扑矩阵。
3.根据权利要求2所述的基于物联网的小区安全管理监控系统，其中，所述卷积神经网络以如下公式对所述拓扑矩阵进行处理以获得所述拓扑特征图；
其中，所述公式为：
fi＝active(Ni×fi-1+Bi)
其中，fi-1为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，Ni为第i层卷积神经网络的滤波器，且Bi为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
4.根据权利要求3所述的基于物联网的小区安全管理监控系统，其中，所述向量构造单元，进一步用于：
使用所述编码器的全连接层对所述压力向量进行全位置编码以提取出所述压力向量中各个位置的特征值的高维隐含特征；
使用所述编码器的一维卷积层对所述压力向量进行一维卷积编码以提取出所述压力向量中相邻位置的特征值之间的关联的高维关联特征以获得所述压力编码向量；
使用所述编码器的全连接层对所述温度向量进行全位置编码以提取出所述温度向量中各个位置的特征值的高维隐含特征；以及
使用所述编码器的一维卷积层对所述温度向量进行一维卷积编码以提取出所述温度向量中相邻位置的特征值之间的关联的高维关联特征以获得所述温度编码向量。
5.根据权利要求1所述的基于物联网的小区安全管理监控系统，其中，所述映射单元，进一步用于：将所述拓扑特征图与所述温度编码向量进行矩阵相乘以将所述温度编码向量映射到所述拓扑特征图的高维特征空间中以获得所述温度特征向量；以及，将所述拓扑特征图与所述压力编码向量进行矩阵相乘以将所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得所述压力特征向量。
6.根据权利要求1所述的基于物联网的小区安全管理监控系统，其中，所述压力和温度融合单元，进一步用于：基于气体分子的热力学增益关系以如下公式来融合所述温度特征向量和所述压力特征向量以获得融合特征向量；
所述公式为：
Figure FDA0003305289110000031
Figure FDA0003305289110000032
其中i、g指的是气体的各同位素体，Ti和pi是温度特征向量和压力特征向量的相应位置的特征值，T0和p0是标准温度和标准大气压力，Qi，g和σi，g表示每单位体积的分子总数和给定气体混合物的热吸收截面，其基于所述气体浓度传感器所得到的各种气体的气体浓度值得到。
7.根据权利要求1所述的基于物联网的小区安全管理监控系统，其中，所述监控结果生成单元，进一步用于：计算所述融合特征向量中各个位置的Softmax分类函数值作为各个位置对应的窨井盖是否异常的概率值，所述Softmax分类函数值为取各个位置的特征值为幂的自然指数函数值除以各个位置的特征值为幂的自然指数函数值的加权和；以及，基于所述Softmax分类函数值与预设阈值之间的比较，确定各个位置对应的窨井盖是否正常。
8.一种基于物联网的小区安全管理监控系统的监控方法，其特征在于，包括：
将待监控的小区内的窨井盖的拓扑结构数据转化为拓扑矩阵，其中，所述拓扑结构数据中的各个节点表示窨井盖，节点与节点之间的距离表示两个窨井盖之间的距离，所述拓扑矩阵中非对角线位置的各个位置的特征值为对应两个窨井盖之间的距离，所述拓扑矩阵中对角线位置的各个位置的特征值为0；
以卷积神经网络作为特征提取器从所述拓扑矩阵获得拓扑特征图，所述拓扑特征图用于表示高维隐含拓扑关联特征；
通过部署于各个所述窨井盖内的温度传感器、压力传感器和气体浓度传感器获得各个所述窨井盖内的温度值、压力值和气体浓度值；
将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量并使用编码器将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量和压力编码向量；
将所述温度编码向量和所述压力编码向量映射到所述拓扑特征图的高维特征空间中以获得温度特征向量和压力特征向量；
基于气体分子的热力学增益关系来融合所述温度特征向量和所述压力特征向量以获得融合特征向量，其中，所述气体分子的热力学增益关系基于所述压力特征向量和所述温度特征向量中各个位置的特征值、标准温度和标准大气压力和气体浓度值确定；以及
将所述融合特征向量通过分类器以获得分类结果，所述分类结果用于表示监测结果是否正常。
9.根据权利要求8所述的基于物联网的小区安全管理监控系统的监控方法，其中，将待监控的小区内的窨井盖的拓扑结构数据转化为拓扑矩阵，包括：
将所述待监控的小区内的窨井盖进行编号；
将编号后的窨井盖按照矩阵的行和列进行排列；以及
在所述矩阵的非对角线位置的各个位置填充对应两个窨井盖之间的距离和在所述矩阵的对角线位置的各个位置填充0值以获得所述拓扑矩阵。
10.根据权利要求8所述的基于物联网的小区安全管理监控系统的监控方法，其中，将各个所述窨井盖内的温度值和压力值按照所述拓扑矩阵中节点的排列方式构造为温度向量和压力向量并使用编码器将所述温度向量和所述压力向量编码到高维特征空间中以获得温度编码向量和压力编码向量，包括：
使用所述编码器的全连接层对所述压力向量进行全位置编码以提取出所述压力向量中各个位置的特征值的高维隐含特征；
使用所述编码器的一维卷积层对所述压力向量进行一维卷积编码以提取出所述压力向量中相邻位置的特征值之间的关联的高维关联特征以获得所述压力编码向量；
使用所述编码器的全连接层对所述温度向量进行全位置编码以提取出所述温度向量中各个位置的特征值的高维隐含特征；以及
使用所述编码器的一维卷积层对所述温度向量进行一维卷积编码以提取出所述温度向量中相邻位置的特征值之间的关联的高维关联特征以获得所述温度编码向量。
CN202111202050.4A 2021-10-15 2021-10-15 基于物联网的小区安全管理监控系统及其监控方法 Pending CN113947739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111202050.4A CN113947739A (zh) 2021-10-15 2021-10-15 基于物联网的小区安全管理监控系统及其监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111202050.4A CN113947739A (zh) 2021-10-15 2021-10-15 基于物联网的小区安全管理监控系统及其监控方法

Publications (1)

Publication Number Publication Date
CN113947739A true CN113947739A (zh) 2022-01-18

Family

ID=79330588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111202050.4A Pending CN113947739A (zh) 2021-10-15 2021-10-15 基于物联网的小区安全管理监控系统及其监控方法

Country Status (1)

Country Link
CN (1) CN113947739A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114647198A (zh) * 2022-03-09 2022-06-21 深圳市经纬纵横科技有限公司 基于物联网的智能家居控制方法、系统和电子设备
CN114722986A (zh) * 2022-05-06 2022-07-08 海门市隆茂金属制品有限公司 基于机密档案rfid自动选层柜
CN114870416A (zh) * 2022-04-28 2022-08-09 福建德尔科技股份有限公司 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法
CN115100456A (zh) * 2022-05-27 2022-09-23 福建天甫电子材料有限公司 用于电子级双氧水制备的智能化有毒有害气体报警系统
WO2024021253A1 (zh) * 2022-07-28 2024-02-01 福建省杭氟电子材料有限公司 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114647198A (zh) * 2022-03-09 2022-06-21 深圳市经纬纵横科技有限公司 基于物联网的智能家居控制方法、系统和电子设备
CN114870416A (zh) * 2022-04-28 2022-08-09 福建德尔科技股份有限公司 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法
CN114870416B (zh) * 2022-04-28 2023-01-24 福建德尔科技股份有限公司 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法
CN114722986A (zh) * 2022-05-06 2022-07-08 海门市隆茂金属制品有限公司 基于机密档案rfid自动选层柜
CN115100456A (zh) * 2022-05-27 2022-09-23 福建天甫电子材料有限公司 用于电子级双氧水制备的智能化有毒有害气体报警系统
CN115100456B (zh) * 2022-05-27 2023-02-03 福建天甫电子材料有限公司 用于电子级双氧水制备的智能化有毒有害气体报警系统
WO2023226228A1 (zh) * 2022-05-27 2023-11-30 福建天甫电子材料有限公司 用于电子级双氧水制备的智能化有毒有害气体报警系统
WO2024021253A1 (zh) * 2022-07-28 2024-02-01 福建省杭氟电子材料有限公司 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统

Similar Documents

Publication Publication Date Title
CN113947739A (zh) 基于物联网的小区安全管理监控系统及其监控方法
Chen et al. Distributed sensing and cooperative estimation/detection of ubiquitous power internet of things
CN115693918B (zh) 一种建筑综合智能用电系统及其方法
CN115356434A (zh) 六氟丁二烯储放场所的气体监测系统及其监测方法
CN115099684B (zh) 企业安全生产管理系统及其管理方法
CN101751426A (zh) 在scada和gis之间实现信息共享的方法和装置
CN116699297B (zh) 充电桩检测系统及其方法
CN115470857B (zh) 变电站全景数字孪生系统及其方法
CN103605734A (zh) 基于特征向量的数据传输压缩方法及其系统
Li et al. Blockchain-enhanced spatiotemporal data aggregation for UAV-assisted wireless sensor networks
CN115346345B (zh) 一种用于六氟丁二烯制备的智能化有毒有害气体报警系统
CN115395643A (zh) 基于全数据采集和状态感知的低压配电网故障预警定位装置及系统
Xiao et al. Design and implementation of a data-driven approach to visualizing power quality
CN114611795A (zh) 基于水位联动的水位预测方法及其系统
Qu et al. Research on short‐term output power forecast model of wind farm based on neural network combination algorithm
CN116067188B (zh) 一种六氟磷酸锂制备用的余热回收系统
CN111769987A (zh) 基于大数据管理模型的网络信息安全测试系统及方法
CN116633758A (zh) 基于全异构元对比学习模型的网络故障预测方法及系统
CN111881545B (zh) 一种基于复杂网络依赖渗流模型的节点重要性识别方法
CN108462252B (zh) 基于物理量逻辑映射的智能变电站二次回路状态评估方法
CN105320920A (zh) 数据降维方法及基于数据降维方法的人脸识别方法
Hu et al. Flexible data acquisition, compression, and reconstruction in advanced metering infrastructure
Wei et al. Compression and Storage Algorithm of Key Information of Communication Data Based on Backpropagation Neural Network.
CN117118616B (zh) 一种基于配电网的量子密钥分发网络构建方法及装置
CN115765191B (zh) 电量数据传输系统

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