CN114548270A - 一种火灾探测方法、装置、电子设备及存储介质 - Google Patents
一种火灾探测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114548270A CN114548270A CN202210160538.3A CN202210160538A CN114548270A CN 114548270 A CN114548270 A CN 114548270A CN 202210160538 A CN202210160538 A CN 202210160538A CN 114548270 A CN114548270 A CN 114548270A
- Authority
- CN
- China
- Prior art keywords
- target data
- data matrix
- probability
- values
- value
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 239000011159 matrix material Substances 0.000 claims abstract description 234
- 230000004927 fusion Effects 0.000 claims abstract description 108
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 28
- 239000000779 smoke Substances 0.000 claims description 12
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 11
- 238000003491 array Methods 0.000 claims description 11
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 21
- 238000012549 training Methods 0.000 description 13
- 238000010606 normalization Methods 0.000 description 12
- 238000007499 fusion processing Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000011478 gradient descent method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- 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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Fuzzy Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
Abstract
本发明公开了一种火灾探测方法、装置、电子设备及存储介质,其中,该方法包括:将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值;以及,对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值;基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值;将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果。解决了现有技术中对火灾探测区域是否发生火灾判断不够准确的问题,实现了更加准确的判断火灾探测区域内是否有火灾发生的效果。
Description
技术领域
本发明实施例涉及数据融合技术领域,尤其涉及一种火灾探测方法、装置、电子设备及存储介质。
背景技术
近年来,火灾对人们的生命财产安全造成的危害总体上呈上升趋势,对火灾的预测具有非常重要的意义。
目前市场应用的火灾探测器多是基于单一传感器及简单的算法对火灾进行判断,在应用中仍存在较高的误报率和漏报率,且单一参量的火灾探测器无论是及时性还是可靠性,都不能满足实际应用的需要。
为了能够对火灾状态进行及时且准确的探测,需要对现有技术中的火灾探测器中的算法进行改进,以更加准确的判断火灾情况。
发明内容
本发明提供一种火灾探测方法、装置、电子设备及存储介质,以实现准确预测是否有火灾发生的效果。
第一方面,本发明实施例提供了一种火灾探测方法,包括:
将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值;其中,所述目标数据矩阵的每一列数据值表征相应传感器在每个时刻所采集的数据值,所述目标数据矩阵的列数与传感器数量相一致,所述第一待使用概率值的数量与目标数据矩阵的行数相一致,所述传感器包括温度传感器、烟雾传感器、一氧化碳含量采集传感器以及红外火焰强度采集传感器中的至少一种;以及,
对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值;其中,所述第二待使用概率值与所述列数相一致;
基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值;
将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果;其中,所述预测结果中包括已发生火灾、无火灾或火灾警戒状态。
第二方面,本发明实施例还提供了一种火灾探测装置,包括:
第一待使用概率值确定模块,用于将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值;其中,所述目标数据矩阵的每一列数据值表征相应传感器在每个时刻所采集的数据值,所述目标数据矩阵的列数与传感器数量相一致,所述第一待使用概率值的数量与目标数据矩阵的行数相一致,所述传感器包括温度传感器、烟雾传感器、一氧化碳含量采集传感器以及红外火焰强度采集传感器中的至少一种;以及,
第二待使用概率值确定模块,用于对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值;其中,所述第二待使用概率值与所述列数相一致;
融合概率值确定模块,用于基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值;
预测结果确定模块,用于将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果;其中,所述预测结果中包括已发生火灾、无火灾或火灾警戒状态。
第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例任一所述的火灾探测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例任一所述的火灾探测方法。
本实施例的技术方案,将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值,以及对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值,通过将基于各传感器的传感器数据归一化后的数据值构建目标数据矩阵,并将目标数据矩阵分别输入预先训练好的多层前馈神经网络和模糊系统中,可以得到与目标数据矩阵的行数据相对应的多个第一待使用概率值和多个第二待使用概率值,然后基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值,综合考虑多层前馈神经网络和模糊系统对火灾探测的火灾概率值的预测,得到的融合概率值的准确性更高。将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果,将融合后的融合概率值输入多粒度级联森林模型,基于该模型中的投票机制,可以确定各融合概率值所对应的分类结果,进而跟各融合概率值所对应的分类结果可以确定火灾探测区域是否发生火灾。解决了现有技术中对火灾探测区域是否发生火灾判断不够准确的问题,实现了更加准确的判断火灾探测区域内是否有火灾发生的效果。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种火灾探测方法的流程示意图;
图2为本发明实施例二所提供的多个传感器采集数据的流程示意图;
图3为本发明实施例二所提供的一种火灾探测方法的流程示意图;
图4为本发明实施例二所提供的一种火灾探测方法的流程示意图;
图5为本发明实施例三所提供的一种火灾探测装置的结构示意图;
图6为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一所提供的一种火灾探测方法流程示意图,本实施例可适用于对火灾探测区域内是否有火灾发生进行判断的情况,该方法可以由火灾探测装置来执行,该装置可以通过软件和/或硬件的形式实现,硬件可以是电子设备,如,移动终端或PC端等。
如图1所示,该方法包括:
S110、将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值。
其中,在对火灾进行探测时,可以通过对多个传感器在一段时间内的多个时刻采集的数据进行分析,进而根据对传感器采集数据的分析结果确定当前时刻是否有火灾发生。目标数据矩阵可以理解为存储多个传感器采集的数据值以及各采集时刻所构成的矩阵,目标数据矩阵的每一列数据值表征相应传感器在每个时刻所采集的数据值,且目标数据矩阵的列数与传感器数量相一致。多层前馈神经网络为预先训练好的神经网络模型,该网络模型可以用于对目标数据矩阵中的各数据值进行训练,得到与目标数据矩阵相对应的多个第一待使用概率值。第一待使用概率值可以理解为通过对目标数据矩阵中的数据值初步计算后,得到的火灾发生的概率值,第一待使用概率值的数量有多个,与目标数据矩阵的行数相一致。
需要说明的是,在进行火灾探测时,可以使用的传感器可以包括多种,如,温度传感器、烟雾传感器、一氧化碳含量采集传感器以及红外火焰强度采集传感器中的至少一种,具体采用的传感器在此不做限定,可以根据实际情况进行设置。
在进行火灾探测之前,可以在进行火灾探测的区域范围内放置不同种类的传感器,用以采集该区域范围的不同的传感器数据,以基于不同传感器采集的传感器数据对该区域范围内的是否发生火灾进行评估,示例性地,传感器的种类可以包括温度传感器、烟雾传感器、一氧化碳含量采集传感器以及红外火焰强度采集传感器中的至少一种。然后将各传感器在不同时刻采集到的传感器数据对应存储在目标数据矩阵中。具体的,目标数据矩阵的每一列数据值为各传感器在各时刻采集的数据值,目标数据矩阵的行数据值为同一时刻各传感器所采集的传感器数据。示例性地,在进行火灾探测时,可以在火灾探测区域内放置4种不同的传感器,每种传感器的数量为1个,并设置各传感器在1秒内采集100次数据,则目标数据矩阵的行数为100,与各采集时刻相对应,列数为4,与传感器的种类相对应。
获取各传感器在不同时刻采集的传感器数据后,将采集的数据对应存储在目标数据矩阵中,然后将目标数据矩阵输入预先训练好的多层前馈神经网络中进行训练,进而得到与目标数据矩阵相对应的多个第一待使用概率值。
示例性地,多层前馈神经网络在对目标数据矩阵进行训练之前需要首先确定该网络模型的各参数值,如输入层个数、输出层个数、隐藏层个数以及所使用的传递函数。为了保证多层前馈神经网络对目标数据矩阵进行第一待使用概率值计算的结果最优,可以将多层前馈神经网络的输入层设置为4,与火灾探测区域内的传感器的数量相对应;输出层个数为1,与采集时刻相对应,也就是各传感器所对应的每个采集时刻可以对应得到一个火灾概率值;隐藏层的层数为1,且该隐藏层中包括7个隐藏单元,隐藏层的相关设置可以为根据实际经验确定;其中,输入层与隐藏层以及隐藏层与输出层之间的传递函数可以采用激活函数,如sigmoid函数。
需要说明的是,在将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值之前,还包括:获取各传感器在预设时长内采集的多个原始数据,得到与每个传感器所对应的多组待处理数据;将各组待处理数据进行归一化处理,得到待组合数据;将所述待组合数据按照相应的数据采集时刻进行整合处理,得到所述目标数据矩阵。
在将目标数据矩阵输入至多层前馈神经网络之前,需要首先确定目标数据矩阵,在目标数据矩阵中包含多个传感器所采集的传感器数据,且根据在预设时长内的不同的采集时刻,可以得到与各传感器相对应的多组传感器数据。其中,预设时长可以根据实际情况具体确定,为了保证火灾探测的准确性和及时性,通常预设时长设置的时长较短,如可以设置为1秒、10秒、30秒或1分钟等。原始数据可以理解为由火灾探测区域内的各传感器直接采集得到的数据,将各传感器采集的原始数据作为待处理数据,根据多个时刻采集的待处理数据可以得到多组待处理数据。由于各传感器的种类不同,采集得到的数据的物理参量、大小、量纲或类型等也不相同,因此需要对各传感器采集得到的数据进行归一化,得到与各组待处理数据相对应的待组合数据。
具体的,由于在不同的火灾探测区域,各传感器在不同的时间内探测到传感器数据的大小、范围、量纲等都不尽相同,为了准确并及时的确定火灾区域内是否有火灾发生,需要对这些各传感器采集得到的传感器数据进行归一化处理。对于不同可燃物的燃烧,同一种物理参量的值可能会相差较大,因此,为了防止出现小数值被大数值淹没的情况,归一化处理的同时还需要对采集得到的传感器数据进行归一化处理,将超过传感器所对应的物理参量的传感器数据设置为1。另外,由于传感器采集到的传感器数据没有绝对的最小值,而是一个小区间范围内的波动,并且过小的数据会一定程度上影响到火灾探测的结果,基于此,将小于最低限值的物理参量所对应的传感器数据设置为0。换言之,根据各传感器采集到的原始数据,并根据原始数据得到多组待处理数据后,需要对各组待处理数据进行归一化处理,得到待组合数据,且得到的待组合数据将始终保持在0-1的范围内,然后将归一化后的待组合数据按照采集时刻进行组合得到目标数据矩阵,在目标数据矩阵中存储的数据值为各传感器采集的原始数据归一化后的数据。
在对原始数据进行归一化处理得到待组合数据时,可以采用数据归一化公式:
其中,Mij为参量j的设定最小限值,Mmj为参量j的设定最大限值,xj为参量j的输入的原始数据,Aj为对原始数据进行归一化处理过后的数据值。
可选的,所述将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值,包括:基于所述多层前馈神经网络对所述目标数据矩阵中的每行数据值进行处理,得到与每行数据值相一致的第一待使用概率值。
其中,目标数据矩阵中的行数据为同一时刻所对应的各传感器采集的归一化处理后的数据值。
具体的,在目标数据矩阵中的列数据为各传感器所对应的不同时刻的数据值,行数据为同一时刻,不同的传感器所对应的数据值。示例性地,采用4个不同的传感器对火灾探测区域的信号进行探测,所使用的传感器分别为温度传感器、烟雾传感器、一氧化碳含量采集传感器以及红外火焰强度采集传感器,则在目标数据矩阵的第一行中存储的数据为与4个传感器采集的同一时刻所对应的数据值,且在目标数据矩阵中存储的数据值为归一化处理后的数据值。根据各传感器在不同时刻采集的数据值得到目标数据矩阵后,将目标数据矩阵中每行数据值作为一组数据,将得到的多组行数据值输入预先训练好的多层前馈神经网络,对目标数据矩阵中的每行数据值进行训练,并得到与各行数据值相对应的第一待使用概率值,其中,输入多层前馈神经网络的输入数量与传感器的数量相一致,第一待使用概率值的数量可以为多个,也就是目标数据矩阵中的每行数据值对应得到一个第一待使用概率值,第一待使用概率值的数量与目标数据矩阵的行数相对应。
S120、对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值。
其中,对目标数据矩阵进行模糊化处理时可以采用模糊系统,该系统可以模仿人的综合推断来处理常规数据方法难以解决的对模糊信息处理问题,较好的解决非线性问题。在进行火灾探测时,导致火灾的变量较为复杂,仅通过多层前馈神经网络进行火灾探测可能存在探测不准确的情况,通过模糊系统对火灾探测的情形具有一定的优势,可以在一定程度上弥补基于多层前馈神经网络对火灾探测不够准确的问题。第二待使用概率值可以理解为基于模糊系统对目标数据矩阵中的数据值进行模糊化处理后,得到的火灾发生的概率值。
具体的,在基于模糊系统进行火灾探测时可以采用马达尼法模糊规则,通过模糊系统对可以对传感器采集的数据值进行模糊化处理,得到模糊变量,并对得到的模糊变量进行去模糊化处理,转换为一明确数值,并将该数值作为火法发生的概率值,也就是第二待使用概率值。需要说明的是,模糊系统在对目标数据矩阵中的数据值进行模糊化处理时,同样也是将目标数据矩阵中的每行数据值作为一个数据值组,通过模糊系统对目标数据矩阵中的行数据值进行模糊化处理,可以得到与各行数据值相对应的多个数据值,然后将得到的多个数据值作为目标数据矩阵相对应的多个第二待使用概率值。
可选的,所述对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值,包括:基于预设模糊规则对所述目标数据矩阵中的每行数据进行模糊化处理,得到所述每行数据所对应的模糊变量,并基于各模糊变量生成相应的模糊变量集合;基于面积重心法对所述模糊变量集合构成的目标阴影形状的面积进行计算,根据计算结果确定与所述目标数据矩阵相对应的多个第二待使用概率值。
其中,预设模糊规则可以理解为对目标数据矩阵中的数据进行模糊化处理的规则,如,预设模糊规则可以为一个隶属函数,以隶属函数为三角函数为例,可以通过三角函数对输入的目标数据矩阵中的数据值进行模糊化处理。模糊变量可以理解为对目标数据矩阵中的每组行数据进行模糊化处理后得到的数据值,模糊变量的数量与目标数据矩阵的行数相匹配。模糊变量集合可以理解为由多个模糊变量构成的集合。面积重心法可以理解为一种加权平均法的方法,面积重心法可以用于对模糊变量集合的去模糊化处理。对目标数据矩阵中的每个行数据进行去模糊化处理后,得到的与各行数据值相对应的准确值,目标阴影形状可以理解为由目标数据矩阵的多个行数据所对应的去模糊化后的准确值构成的封闭区域。
具体的,将目标数据矩阵中输入模糊系统后,模糊系统会对目标数据矩阵中的各行数据值进行模糊化处理,在模糊化处理过程中,可以采用隶属函数为三角函数的模糊方法,根据预设模糊规则可以得到与各行数据相对应的多个模糊变量,然后基于各模糊变量生成相应的模糊变量集合。为了能够得到第二待使用概率值,还需要对得到的模糊变量集合进行去模糊化处理,在去模糊化的处理过程中主要是采用面积重心法,基于面积重心法得到与各模糊变量相对应的准确数值后,将各准确数值相对应的封闭区域作为目标阴影形状,确定该目标阴影形状所对应的面积,根据得到的面积值确定目标数据矩阵的各行数据所对应的多个第二待使用概率值。
S130、基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值。
其中,为了提高火灾探测的准确性,在得到多个第一待使用概率值和多个第二待使用概率值后,可以对第一待使用概率值和第二待使用概率值进行融合处理。融合概率值可以理解为将第一待使用概率值和第二待使用概率值进行融合后得到的火灾发生概率值。
具体的,基于多层前馈神经网络对目标数据矩阵中的数据值进行处理后,可以得到多个第一待使用概率值,基于模糊系统对目标数据矩阵中的数据值进行处理后,可以得到多个第二待使用概率值。其中,第一待使用概率值与第二待使用概率值的数量相一致,且与各传感器所对应的采集时刻相对应。为了提高火灾探测的准确性,可以对多个第一待使用概率值和多个第二待使用概率值进行融合处理,进而得到与各采集时刻相对应的融合概率值,以将得到的融合概率值作为输入数据输入多粒度级联森林模型,并基于多粒度级联森林模型进行进一步的火灾发生概率值的评估。
可选的,所述基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值,包括:获取所述目标数据矩阵中同一行数所对应的第一待使用概率值和第二待使用概率值;根据第一待使用概率值所对应的第一权重值、第二待使用概率值所对应的第二权重值、第一待使用概率值以及第二待使用概率值,确定融合概率矩阵中的各融合概率值;其中,融合概率矩阵为N×1 阶矩阵,N与所述目标数据矩阵的行数相一致。
其中,根据目标数据矩阵中各行数据值可以得到多个第一待使用概率值和多个第二待使用概率值,通过对目标数据矩阵的同一行数据值所对应的第一待使用概率值和第二待使用概率值进行融合处理后,可以得到与目标数据矩阵的行数据值相对应的多个融合概率值,根据得到的多个融合概率值可以得到一个概率矩阵,在该概率矩阵中存储与目标数据矩阵的行数据值相对应的融合概率值。其中,融合概率矩阵为N×1阶矩阵,N与所述目标数据矩阵的行数相一致。
具体的,目标数据矩阵中的同一行数据值同一时刻不同的传感器所对应的数据值,通过多层前馈神经网络和模糊系统分别对根据目标数据矩阵中的各行数据值进行处理,可以得到与各行数据值相对应的第一待使用概率值和第二待使用概率值,然后对第一待使用概率值和第二待使用概率值进行融合处理,得到融合概率值。在进行融合处理时,可以根据多层前馈神经网络和模糊系统对火灾探测的评估的准确性确定相应的权重值,并将多层前馈神经网络所对应的权重值作为多个第一待使用概率值的第一权重值,将模糊系统所对应的权重值作为多个第二待使用概率值所对应的第二权重值。然后根据第一待使用概率值所对应的第一权重值、第二待使用概率值所对应的第二权重值、第一待使用概率值以及第二待使用概率值进行融合处理,可以得到与目标数据矩阵的行数据值相对应的融合概率值。
示例性地,通常设置的第一权重值和第二权重值之和为1,如,可以设置第一权重值为0.5,第二权重值为0.5,则目标数据矩阵中的行数据值所对应的融合概率值进行计算时,可以通过概率值融合公式进行计算:
P融合=0.5*P网络+0.5*P模糊
其中,P融合表示融合概率值;P网络表示基于多层前馈神经网络得到的第一待使用概率值;P模糊表示基于模糊系统得到的第二待使用概率值。
S140、将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果。
其中,多粒度级联森林模型可以理解为一种基于决策树对输入数据进行分类的模型分类器,在多粒度级联森林模型中的多粒度扫描结构和级联森林结构的森林分类器类型可以选用完全随机森林和普通随机森林的组合。多粒度级联森林模型中包括多个决策树,每个决策树可以对输入数据进行投票,投票机制层可以理解为在多粒度级联森林模型对各输入数据进行投票的机制层。预测结果可以理解为对火灾探测区域的火灾发生概率的评估结果。
具体的,得到与目标数据矩阵的各行数据值相对应的多个融合概率值后,将多个融合概率值构成的融合概率值矩阵输入多粒度级联森林模型的输入数据。然后基于多粒度级联森林模型中的投票机制,并根据多粒度级联森林模型中的多个决策树对各输入数据进行投票,各输入数据所对应的决策树投票数量,可以确定各融合概率值所对应的预测结果。其中,预测结果包括已发生火灾、无火灾或火灾警戒状态。
可选的,所述将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果,包括:基于所述多粒度级联森林模型中的预设滑动窗口对所述融合概率矩阵中的融合概率值进行处理,得到多个概率值数组;基于所述投票机制层对多个概率值数组进行处理,得到所述预测结果。
其中,预设滑动窗口可以理解为具有一定长度的滑动窗,在多粒度级联森林模型中输入融合概率值矩阵后,利用预设滑动窗口对融合概率值矩阵中的融合概率值进行滑动,将融合概率矩阵分为多个概率值数组,然后由多粒度级联森林模型中的决策树对各概率值数据进行投票,得到与各概率值数组相对应的多个投票结果。
具体的,在基于投票机制层进行投票时,可以利用预设滑动窗口对融合概率值矩阵中的融合概率值进行分组,得到多个概率值数组,如,融合概率值矩阵为N*1的矩阵,预设滑动窗口的长度为m,利用预设滑动窗口对融合概率矩阵进行分组可以得到N-1个概率值数组。然后基于多粒度级联森林模型对各概率值数组中的融合概率值进行投票,根据每个概率值获得的票数确定各概率值数组所对应的预测结果。
需要说明的是,预测分类结果为预先设置的多个分类结果,包括已发生火灾、无火灾或火灾警戒状态,每种分类结果所对应的票数区间不同,如,已发生火灾所对应的票数为全部票数的80%以上;无火灾票数为全部票数的20%以下;火灾警戒状态所对应的票数为全部票数的20%-80%之间。示例性地,若在多粒度级联森林模型中的投票机制层中包括100棵决策树,则对同一个概率值数组的投票数量小于等于20票时,则可以确定该概率值数组所对应的预测结果为无火灾;若投票的数量为20-80票之间,则可以确定该概率值数组所对应的预测结果为火灾警戒状态;若投票的数量大于等于80票时,则可以确定该概率值数组所对应的预测结果为已发生火灾。
在实际应用中,对火灾探测区域进行火灾探测时,为了保证火灾探测的准确性和及时性,需要实时确定所述目标数据矩阵,以基于所述目标数据矩阵进行预测。也就是说,通常情况下,火灾发生的过程较为迅速,在基于各传感器采集数据时,通常是在距离当前时刻较近的一段时长内进行数据的采集,并将采集得到的数据值进行归一化后,得到目标数据矩阵,以及与目标数据矩阵对火灾概率进行预测。这样设置的好处在于可以对当前时刻火灾探测区域是否发生火灾的概率的评估更加准确,同时也避免了由于采集时间过长,导致对火灾发生的判断不够及时。
本实施例的技术方案,将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值,以及对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值,通过将基于各传感器的传感器数据归一化后的数据值构建目标数据矩阵,并将目标数据矩阵分别输入预先训练好的多层前馈神经网络和模糊系统中,可以得到与目标数据矩阵的行数据相对应的多个第一待使用概率值和多个第二待使用概率值,然后基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值,综合考虑多层前馈神经网络和模糊系统对火灾探测的火灾概率值的预测,得到的融合概率值的准确性更高。将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果,将融合后的融合概率值输入多粒度级联森林模型,基于该模型中的投票机制,可以确定各融合概率值所对应的分类结果,进而跟各融合概率值所对应的分类结果可以确定火灾探测区域是否发生火灾。解决了现有技术中对火灾探测区域是否发生火灾判断不够准确的问题,实现了更加准确的判断火灾探测区域内是否有火灾发生的效果。
实施例二
在一个具体的例子中,以火灾探测区域为电缆仓为例,为了对火灾探测区域的火灾是否发生进行预测,可以在预先在火灾探测区域设置多个不同的传感器,如,可以在火灾探测区域设置温度传感器、烟雾传感器(即,烟雾含量传感器)、CO气体传感器(即,一氧化碳含量采集传感器)以及红外火焰传感器 (即,红外火焰强度采集传感器),如图2所示,将各传感器采集的传感器数据输入单片机中,然后通过无线通信模块之间的数据传输通道,将采集的传感器数据传输给PC机,也就是设备终端,由设备终端进行实时显示、数据处理、实时报警以及数据存储等。
需要说明的是,为了统一各传感器的物理参量,以根据统一的物理参量对火灾是否发生进行预测,需要采用数据归一化公式对采集的原始数据进行归一化处理,将各原始数据统一设置为0-1之间,得到与各原始数据相对应的待组合数据。根据得到的待组合数生成目标数据矩阵,其中,目标数据矩阵中的每一列数据值表征相应传感器在每个时刻所采集的数据值,目标数据矩阵的列数与传感器数量相一致。
其中,在对原始数据进行归一化处理时,可以采用数据归一化公式:
其中,Mij为参量j的设定最小限值,Mmj为参量j的设定最大限值,xj为参量j的输入的原始数据,Aj为对原始数据进行归一化处理过后的数据值。
在基于多层前馈神经网络对目标数据矩阵中的数据值进行训练时,需要预先对多层前馈神经网络进行训练,在预先训练好的多层前馈神经网络包括输入层、隐藏层、输出层和传递函数。其中,输入层的输入节点为4个,与传感器的数量相对应;输出层的输出节点为1个,输出的结果为第一待使用概率值。而在设置隐藏层时,考虑到隐藏层的节点数太少,就难以从输入数据中提取出规律,训练结果误差过大,而隐藏层的节点数过多,则将会将输入数据的偶然误差也当成规律提取,造成训练的过拟合,使网络的泛化能力降低,且训练时间将会过长。综合考虑训练时长和训练效果后,所选用的隐含层的层数为1,隐藏层节点数量为7。多层前馈神经网络所使用的传递函数为激活函数,如 sigmoid函数。在基于sigmoid函数对模型进行训练时,可以结合梯度下降法和高斯牛顿法的优点,即,前期训练阶段类似于梯度下降法,它具有全局收敛特性,即对于初始点的选取没有要求,并且利用梯度下降法收敛速度先快后慢的特点,能够快速收敛到极值点附近。后期训练阶段类似于高斯牛顿法,它具有局部收敛特性,该算法对于初始点的选择是要求输入数据接近极小点,而相比梯度下降法来说在接近极小点时高斯牛顿法具有更快的局部收敛速度。基于梯度下降法和高斯牛顿法的结合,能够很好地弥补了多层前馈神经网络收敛速度慢和容易陷入局部最小点等缺点。
在训练好多层前馈神经网络,如图3所示,根据各传感器可以采集到烟雾浓度、CO浓度(一氧化碳浓度)、火焰强度以及火灾探测区域的温度,对采集的各传感器数据进行预处理(即,数据归一化处理),将归一化后的数据作为目标数据矩阵。在得到目标数据矩阵之后,将目标数据矩阵中的每行数据作为一个数据组,输入预先训练好的多层前馈神经网络中,以基于多层前馈神经网络对目标数据矩阵中的数据值进行训练,得到与各行数据组相对应的多个火灾发生概率值(即,多个第一待使用概率值)。然后将得到的多个第一待使用概率值发送给决策层判断当前火灾探测区域是否有火灾发生。
同时,将目标数据矩阵中的每行数据作为一个数据组,输入模糊系统中,对目标数据矩阵中的各数据值进行模糊化处理。再次参见图3,将目标数据矩阵中的数据输入模糊系统中,在模糊系统中所使用的隶属函数为三角函数,模糊推理采用马达尼法,通过对目标数据矩阵中的数据值进行模糊处理后,可以得到多个模糊变量。进一步的,采用面积重心法对得到的多个模糊变量进行去模糊化处理,可以得到与各行数据组相对应的多个火灾发生概率值(即,多个第二待使用概率值)。然后将得到的多个第二待使用概率值发送给决策层判断当前火灾探测区域是否有火灾发生。
为了提高火灾预测的准确性,还需要对得到的第一待使用概率值和第二待使用概率值进行进一步的处理。将多个第一待使用概率值和多个第二待使用概率值一一对应进行融合处理,在融合处理时,将预先设置的多层前馈神经网络所对应的权重值确定为第一待使用概率值所对应的第一权重值,将模糊系统所对应的权重值确定为第二待使用概率值所对应的第二权重值。
在对目标数据矩阵中的行数据值所对应的融合概率值进行计算时,可以通过概率值融合公式进行计算:
P融合=0.5*P网络+0.5*P模糊
其中,P融合表示融合概率值;P网络表示基于多层前馈神经网络得到的第一待使用概率值;P模糊表示基于模糊系统得到的第二待使用概率值。
进一步的,基于得到的多个融合概率值生成一个N*1阶的融合概率矩阵,将该融合概率矩阵输入多粒度级联森林模型中进行训练,以得到预测结果。需要说明的是,多粒度级联森林模型中的多粒度扫描结构和级联森林结构的森林分类器类型均选为完全随机森林和普通随机森林的组合,可以预先设置滑动窗口(即,预设滑动窗口)的大小,如可以设置为2、4或8,多粒度扫描结构和级联森林结构的节点分裂最小样本数均为5。基于预设参数对多粒度级联森林模型进行训练。得到多粒度级联森林模型之后,将融合概率矩阵输入该模型中,由多粒度级联森林模型中的投票机制层对各融合概率值进行投票,以确定各融合概率值所对应的多个分类结果,然后根据多个分类结果确定预测结果,其中,预测结果中包括已发生火灾、无火灾或火灾警戒状态。
也就是说,在对火灾探测区域是否发生火灾进行探测时,如图4所示,首先需要通过多个传感器采集不同时刻的传感器数据(即,原始数据),然后对原始数据进行信息预处理(即,数据归一化处理),基于不同时刻的各传感器归一化处理后的数据构建目标数据矩阵,然后将目标数据矩阵分别输入多层前馈神经网络和模糊推理系统(即,模糊系统)中。通过两个模型可以得到多个第一待使用概率值和多个第二待使用概率值,将同一时刻所对应的第一待使用概率值与第二待使用概率值进行信息融合(即,融合处理),得到与目标数据矩阵相对应的多个融合概率值,并基于多个融合概率值生成融合概率矩阵,并将得到的融合概率矩阵中的融合概率值输入多粒度级联森林模型中,由多粒度级联森林模型中的投票机制层对各融合概率值进行投票,确定当前火灾探测区域是否有火灾发生(即,预测结果)。
本实施例的技术方案,将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值,以及对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值,通过将基于各传感器的传感器数据归一化后的数据值构建目标数据矩阵,并将目标数据矩阵分别输入预先训练好的多层前馈神经网络和模糊系统中,可以得到与目标数据矩阵的行数据相对应的多个第一待使用概率值和多个第二待使用概率值,然后基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值,综合考虑多层前馈神经网络和模糊系统对火灾探测的火灾概率值的预测,得到的融合概率值的准确性更高。将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果,将融合后的融合概率值输入多粒度级联森林模型,基于该模型中的投票机制,可以确定各融合概率值所对应的分类结果,进而跟各融合概率值所对应的分类结果可以确定火灾探测区域是否发生火灾。解决了现有技术中对火灾探测区域是否发生火灾判断不够准确的问题,实现了更加准确的判断火灾探测区域内是否有火灾发生的效果。
实施例三
图5为本发明实施例三提供的一种火灾探测装置,该装置包括:第一待使用概率值确定模块210、第二待使用概率值确定模块220、融合概率值确定模块 230和预测结果确定模块240。
其中,第一待使用概率值确定模块210,用于将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值;其中,所述目标数据矩阵的每一列数据值表征相应传感器在每个时刻所采集的数据值,所述目标数据矩阵的列数与传感器数量相一致,所述第一待使用概率值的数量与目标数据矩阵的行数相一致,所述传感器包括温度传感器、烟雾传感器、一氧化碳含量采集传感器以及红外火焰强度采集传感器中的至少一种;以及,
第二待使用概率值确定模块220,用于对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值;其中,所述第二待使用概率值与所述列数相一致;
融合概率值确定模块230,用于基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值;
预测结果确定模块240,用于将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果;其中,所述预测结果中包括已发生火灾、无火灾或火灾警戒状态。
本实施例的技术方案,将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值,以及对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值,通过将基于各传感器的传感器数据归一化后的数据值构建目标数据矩阵,并将目标数据矩阵分别输入预先训练好的多层前馈神经网络和模糊系统中,可以得到与目标数据矩阵的行数据相对应的多个第一待使用概率值和多个第二待使用概率值,然后基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值,综合考虑多层前馈神经网络和模糊系统对火灾探测的火灾概率值的预测,得到的融合概率值的准确性更高。将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果,将融合后的融合概率值输入多粒度级联森林模型,基于该模型中的投票机制,可以确定各融合概率值所对应的分类结果,进而跟各融合概率值所对应的分类结果可以确定火灾探测区域是否发生火灾。解决了现有技术中对火灾探测区域是否发生火灾判断不够准确的问题,实现了更加准确的判断火灾探测区域内是否有火灾发生的效果。
在本发明实施例中任一可选技术方案的基础上,可选地,所述火灾探测装置,还包括:
待处理数据确定模块,用于在将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值之前,获取各传感器在预设时长内采集的多个原始数据,得到与每个传感器所对应的多组待处理数据;
待组合数据确定模块,用于将各组待处理数据进行归一化处理,得到待组合数据;
目标数据矩阵确定模块,用于将所述待组合数据按照相应的数据采集时刻进行整合处理,得到所述目标数据矩阵。
在本发明实施例中任一可选技术方案的基础上,可选地,所述第一待使用概率值确定模块,用于:
基于所述多层前馈神经网络对所述目标数据矩阵中的每行数据值进行处理,得到与每行数据值相一致的第一待使用概率值。
在本发明实施例中任一可选技术方案的基础上,可选地,所述第二待使用概率值确定模块,包括:
模糊变量集合生成子模块,用于基于预设模糊规则对所述目标数据矩阵中的每行数据进行模糊化处理,得到所述每行数据所对应的模糊变量,并基于各模糊变量生成相应的模糊变量集合;
第二待使用概率值确定子模块,用于基于面积重心法对所述模糊变量集合构成的目标阴影形状的面积进行计算,根据计算结果确定与所述目标数据矩阵相对应的多个第二待使用概率值。
在本发明实施例中任一可选技术方案的基础上,可选地,所述融合概率值确定模块,包括:
概率值获取子模块,用于获取所述目标数据矩阵中同一行数所对应的第一待使用概率值和第二待使用概率值;
融合概率值确定子模块,用于根据第一待使用概率值所对应的第一权重值、第二待使用概率值所对应的第二权重值、第一待使用概率值以及第二待使用概率值,确定融合概率矩阵中的各融合概率值;
其中,融合概率矩阵为N×1阶矩阵,N与所述目标数据矩阵的行数相一致。
在本发明实施例中任一可选技术方案的基础上,可选地,所述预测结果确定模块,包括:
投票结果确定子模块,用于基于所述多粒度级联森林模型中的预设滑动窗口对所述融合概率矩阵中的融合概率值进行处理,得到多个概率值数组;
预测结果确定子模块,用于基于所述投票机制层对多个概率值数组进行处理,得到所述预测结果。
本发明实施例所提供的火灾探测装置可执行本发明任意实施例所提供的火灾探测方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
实施例四
图6为本发明实施例四提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图6显示的电子设备40仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于:一个或者多个处理器或者处理单元401,系统存储器402,连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)404和/或高速缓存存储器405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统406可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘 (例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408,可以存储在例如存储器402中,这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信,还可与一个或者多个使得用户能与该电子设备40交互的设备通信,和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O) 接口411进行。并且,电子设备40还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器412通过总线403与电子设备40的其它模块通信。应当明白,尽管图6中未示出,可以结合电子设备40使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的火灾探测方法。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行火灾探测方法,该方法包括:
将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值;其中,所述目标数据矩阵的每一列数据值表征相应传感器在每个时刻所采集的数值,所述目标数据矩阵的列数与传感器数量相一致,所述第一待使用概率值的数量与目标数据矩阵的行数相一致,所述传感器包括温度传感器、烟雾传感器、一氧化碳含量采集传感器以及红外火焰强度采集传感器中的至少一种;以及,
对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值;其中,所述第二待使用概率值与所述列数相一致;
基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值;
将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果;其中,所述预测结果中包括已发生火灾、无火灾或火灾警戒状态。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如 Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种火灾探测方法,其特征在于,包括:
将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值;其中,所述目标数据矩阵的每一列数据值表征相应传感器在每个时刻所采集的数据值,所述目标数据矩阵的列数与传感器数量相一致,所述第一待使用概率值的数量与目标数据矩阵的行数相一致,所述传感器包括温度传感器、烟雾传感器、一氧化碳含量采集传感器以及红外火焰强度采集传感器中的至少一种;以及,
对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值;其中,所述第二待使用概率值与所述列数相一致;
基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值;
将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果;其中,所述预测结果中包括已发生火灾、无火灾或火灾警戒状态。
2.根据权利要求1所述的方法,其特征在于,在将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值之前,还包括:
获取各传感器在预设时长内采集的多个原始数据,得到与每个传感器所对应的多组待处理数据;
将各组待处理数据进行归一化处理,得到待组合数据;
将所述待组合数据按照相应的数据采集时刻进行整合处理,得到所述目标数据矩阵。
3.根据权利要求1所述的方法,其特征在于,所述将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值,包括:
基于所述多层前馈神经网络对所述目标数据矩阵中的每行数据值进行处理,得到与每行数据值相一致的第一待使用概率值。
4.根据权利要求1所述的方法,其特征在于,所述对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值,包括:
基于预设模糊规则对所述目标数据矩阵中的每行数据进行模糊化处理,得到所述每行数据所对应的模糊变量,并基于各模糊变量生成相应的模糊变量集合;
基于面积重心法对所述模糊变量集合构成的目标阴影形状的面积进行计算,根据计算结果确定与所述目标数据矩阵相对应的多个第二待使用概率值。
5.根据权利要求1所述的方法,其特征在于,所述基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值,包括:
获取所述目标数据矩阵中同一行数所对应的第一待使用概率值和第二待使用概率值;
根据第一待使用概率值所对应的第一权重值、第二待使用概率值所对应的第二权重值、第一待使用概率值以及第二待使用概率值,确定融合概率矩阵中的各融合概率值;
其中,融合概率矩阵为N×1阶矩阵,N与所述目标数据矩阵的行数相一致。
6.根据权利要求5所述的方法,其特征在于,所述将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果,包括:
基于所述多粒度级联森林模型中的预设滑动窗口对所述融合概率矩阵中的融合概率值进行处理,得到多个概率值数组;
基于所述投票机制层对多个概率值数组进行处理,得到所述预测结果。
7.根据权利要求1所述的方法,其特征在于,还包括:
实时确定所述目标数据矩阵,以基于所述目标数据矩阵进行预测。
8.一种火灾探测方法,其特征在于,包括:
第一待使用概率值确定模块,用于将目标数据矩阵输入至多层前馈神经网络中,得到与所述目标数据矩阵相对应的多个第一待使用概率值;其中,所述目标数据矩阵的每一列数据值表征相应传感器在每个时刻所采集的数值,所述目标数据矩阵的列数与传感器数量相一致,所述第一待使用概率值的数量与目标数据矩阵的行数相一致,所述传感器包括温度传感器、烟雾传感器、一氧化碳含量采集传感器以及红外火焰强度采集传感器中的至少一种;以及,
第二待使用概率值确定模块,用于对所述目标数据矩阵进行模糊化处理,得到与所述目标数据矩阵相对应的多个第二待使用概率值;其中,所述第二待使用概率值与所述列数相一致;
融合概率值确定模块,用于基于所述多个第一待使用概率值和所述多个第二待使用概率值,确定融合概率值;
预测结果确定模块,用于将所述融合概率值作为多粒度级联森林模型的输入,以基于所述多粒度级联森林模型中的投票机制层,确定与所述目标数据矩阵所对应的预测结果;其中,所述预测结果中包括已发生火灾、无火灾或火灾警戒状态。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的火灾探测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的火灾探测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160538.3A CN114548270A (zh) | 2022-02-22 | 2022-02-22 | 一种火灾探测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160538.3A CN114548270A (zh) | 2022-02-22 | 2022-02-22 | 一种火灾探测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114548270A true CN114548270A (zh) | 2022-05-27 |
Family
ID=81678150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210160538.3A Pending CN114548270A (zh) | 2022-02-22 | 2022-02-22 | 一种火灾探测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548270A (zh) |
-
2022
- 2022-02-22 CN CN202210160538.3A patent/CN114548270A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mao et al. | Mapping near-real-time power outages from social media | |
CN113223264B (zh) | 基于qpso-bp神经网络的火灾智能预警系统及方法 | |
Peng et al. | Machine learning and deep learning modeling and simulation for predicting PM2. 5 concentrations | |
CN114511243A (zh) | 一种基于物联网监测的火灾风险动态评估的方法及系统 | |
CN113824745A (zh) | 一种基于循环神经网络模型的网络安全应急处置系统 | |
Sun et al. | A classifier graph based recurring concept detection and prediction approach | |
Ryder et al. | Hierarchical temporal memory continuous learning algorithms for fire state determination | |
Lei et al. | Prediction of PM2. 5 concentration considering temporal and spatial features: A case study of Fushun, Liaoning Province | |
Obunadike et al. | Application of Regularized Logistic Regression and Artificial Neural Network model for Ozone Classification across El Paso County, Texas, United States | |
Madhwaraj et al. | Forest fire detection using machine learning | |
CN116311739A (zh) | 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法 | |
CN114548270A (zh) | 一种火灾探测方法、装置、电子设备及存储介质 | |
Thanos et al. | Combined deep learning and traditional NLP approaches for fire burst detection based on twitter posts | |
CN115426161A (zh) | 异常设备识别方法、装置、设备、介质和程序产品 | |
CN114120208A (zh) | 一种火焰检测方法、装置、设备和存储介质 | |
Nagolu et al. | Real-time forest fire detection using iot and smart sensors | |
Lijun et al. | An intuitionistic calculus to complex abnormal event recognition on data streams | |
Geetha | Prediction Of Concentration of Air Pollution Using Deep and Machine Learning | |
Dun et al. | A novel hybrid model based on spatiotemporal correlation for air quality prediction | |
Kotti | Industrial Automation with Safety Aspects using Machine Learning Techniques | |
CN109741580A (zh) | 一种多源预警信息集成共享方法及装置 | |
Dao et al. | Automatic labeling streaming data for event detection from heterogeneous sensors | |
Finotti et al. | Novelty detection on a laboratory benchmark slender structure using an unsupervised deep learning algorithm | |
Kunnathettu et al. | Comparative Analysis of Neural Network and Machine Learning Techniques for Air Quality Prediction | |
Xu et al. | [Retracted] Quality Evaluation and Informatization Analysis of Physical Education Teaching Reform Based on Artificial Intelligence |
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 |