CN114648102B - 火灾报警方法、系统、可读存储介质及计算机设备 - Google Patents
火灾报警方法、系统、可读存储介质及计算机设备 Download PDFInfo
- Publication number
- CN114648102B CN114648102B CN202210566199.9A CN202210566199A CN114648102B CN 114648102 B CN114648102 B CN 114648102B CN 202210566199 A CN202210566199 A CN 202210566199A CN 114648102 B CN114648102 B CN 114648102B
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- convolution
- module
- processing
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 238000012937 correction Methods 0.000 claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 124
- 230000007704 transition Effects 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 33
- 230000009467 reduction Effects 0.000 claims description 18
- 238000001994 activation Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 2
- 238000007689 inspection Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Fire Alarms (AREA)
Abstract
本发明提供一种火灾报警方法、系统、可读存储介质及计算机设备，该方法应用于设有多个数据传感器的火灾报警装置，方法包括：构建神经网络模型；分别对各数据传感器的维度数据进行趋势分解得到去趋势序列及去趋势序列集；根据各去趋势序列与去趋势序列集的相似度系数得到注意力权值、以及通过注意力权值得到去趋势修正序列集；根据去趋势修正序列集得到残差数据，对残差数据评价损失值、神经网络反向传递并逐层计算下降梯度；根据下降梯度优化神经网络模型的参数，并将各维度数据进行反复迭代，触发终止条件后输出迭代后的概率值；根据迭代后的概率值和火灾概率阈值判断是否发生火灾。本发明能够提升报警的准确度，减少误判的情况。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种火灾报警方法、系统、可读存储介质及计算机设备。
背景技术
随着经济的飞速发展和人们生活水平的提高，生活用电以及企业用电需求越来越大。电力电缆作为传输电能的主要方式之一，其可靠性具有重要意义，而随着电缆的铺设范围越来越广，电缆损坏带来的停电事故也呈现高发状态，是电网安全运行的重要隐患之一。
电缆沟内的温度控制对整个运行系统安全可靠起着重要作用，为了防止电缆沟出现火灾而造成电缆损坏，通常会在电缆沟内中添加自动报警系统。
而现有技术中的自动报警系统由于其内部的传感器的可靠性不高、并且对恶劣环境的适用性不强，在恶劣环境下对电缆沟温度进行监测报警时，经常产生误判，导致监控人员对报警失去警觉，从而火灾初期发生时很难做到及时发现以及有效控制，因此，针对电缆沟内的情况，仍然值班员日常巡视；并且现有技术中的自动报警系统其可用周期较短，给检修维护也造成很大的困难。
发明内容
基于此，本发明的目的是提供一种火灾报警方法、系统、可读存储介质及计算机设备，以至少解决上述技术中的不足。
本发明提出一种火灾报警方法，应用于火灾报警装置，所述火灾报警装置上设有多个数据传感器，所述火灾报警方法包括以下步骤：
步骤一：构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括趋势处理层、注意力层、残差层以及全连接层；
步骤二：获取各所述数据传感器的维度数据，并分别将各所述维度数据输入至所述趋势处理层进行趋势分解，以得到各所述维度数据所对应的去趋势序列，并将各所述去趋势序列组合得到去趋势序列集；
步骤三：将所述去趋势序列集和各所述去趋势序列分别输入至所述注意力层中，以计算出各所述去趋势序列与所述去趋势序列集的相似度系数，并对各所述相似度系数进行归一化处理得到各所述去趋势序列的注意力权值、
以及根据各所述去趋势序列的注意力权值对各所述去趋势序列进行加权修正，计算出对应的去趋势修正序列，并将各所述去趋势修正序列进行串接，以得到去趋势修正序列集；
步骤四：将所述去趋势修正序列集依次通过所述残差层中相互连接的多个残差模块的数据处理后，以得到对应的残差数据，其中，所述多个残差模块的网络结构相同、且前一残差模块的输出数据作为后一残差模块的输入数据；
步骤五：将所述残差数据输入至所述全连接层中，利用第一预设函数对所述残差数据评价损失值，并进行神经网络反向传递，按照各所述层次结构逐层计算所述损失值的下降梯度；
步骤六：根据所述下降梯度优化所述神经网络模型的参数，并将各所述维度数据按照上述步骤二至步骤五进行反复迭代，直到触发终止条件，输出迭代后的概率值；
步骤七：判断所述迭代后的概率值是否达到预设的火灾概率阈值，若所述迭代后的概率值达到预设的火灾概率阈值，发出火灾报警信号。
进一步的，所述多个残差模块的网络结构均包括依次连接的第一卷积层、第二卷积层、第三卷积层以及过渡层：
所述第一卷积层、所述第二卷积层以及所述第三卷积层均用于对其输入数据依次进行卷积运算以及激活处理；
所述过渡层用于对其输入数据依次进行卷积处理以及降维处理，以得到后续的残差模块的输入数据或所述全连接层的输入数据。
进一步的，所述步骤四还包括：
分别提取所述第一卷积层对其输入数据进行卷积运算所得到的卷积数据以及所述第三卷积层对其输入数据进行卷积运算所得到的卷积数据，并计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数；
若所述相关性系数符合预设相关性阈值，则将所述第三卷积层的输出数据输入至所述过渡层中，以使所述过渡层对所述第三卷积层的输出依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据。
进一步的，所述计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数的步骤之后，所述方法还包括：
若所述相关性系数不符合预设相关性阈值，则将所述第一卷积层的卷积数据与所述第三卷积层的输出数据进行残差连接，以得到组合数据；
将所述组合数据输入至所述过渡层中，以使所述过渡层对所述组合数据依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据。
进一步的，在判断所述迭代后的概率值是否达到预设的火灾概率阈值的步骤之前，所述方法还包括：
获取多个标准维度数据，并将各所述标准维度数据输入至所述神经网络模型中重复执行上述步骤一至步骤六，得到所述标准维度数据的输出值；
根据所述标准维度数据的输出值验证所述迭代后的概率值的有效性；
若所述迭代后的概率值的有效性验证通过，则根据各所述维度数据以及所述神经网络模型构建火灾检测模型。
进一步的，所述多个残差模块的激活处理的激活函数为：
式中，Ӑ表示残差模块对其输入参数进行卷积运算后的输出值。
进一步的，所述第一预设函数为交叉熵代价函数，其表达式为：
式中，n 表示训练样本的数量， y 表示期望输出值，a 表示神经网络的实际输出值。
本发明还提出一种火灾报警系统，应用于火灾报警装置，所述火灾报警装置上设有多个数据传感器，所述火灾报警系统包括：
构建模块，用于构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括趋势处理层、注意力层、残差层以及全连接层；
趋势分解模块，用于获取各所述数据传感器的维度数据，并分别将各所述维度数据输入至所述趋势处理层进行趋势分解，以得到各所述维度数据所对应的去趋势序列，并将各所述去趋势序列组合得到去趋势序列集；
第一计算模块，用于将所述去趋势序列集和各所述去趋势序列分别输入至所述注意力层中，以计算出各所述去趋势序列与所述去趋势序列集的相似度系数，并对各所述相似度系数进行归一化处理得到各所述去趋势序列的注意力权值、
以及根据各所述去趋势序列的注意力权值对各所述去趋势序列进行加权修正，计算出对应的去趋势修正序列，并将各所述去趋势修正序列进行串接，以得到去趋势修正序列集；
残差处理模块，用于将所述去趋势修正序列集依次通过所述残差层中相互连接的多个残差模块的数据处理后，以得到对应的残差数据，其中，所述多个残差模块的网络结构相同、且前一残差模块的输出数据作为后一残差模块的输入数据；
第一处理模块，用于将所述残差数据输入至所述全连接层中，利用第一预设函数对所述残差数据评价损失值，并进行神经网络反向传递，按照各所述层次结构逐层计算所述损失值的下降梯度；
优化模块，用于根据所述下降梯度优化所述神经网络模型的参数，并将各所述维度数据依次经过所述趋势分解模块、所述第一计算模块、所述残差处理模块以及所述第一处理模块的处理进行反复迭代，直到触发终止条件，输出迭代后的概率值；
判断模块，用于判断所述迭代后的概率值是否达到预设的火灾概率阈值，若所述迭代后的概率值达到预设的火灾概率阈值，发出火灾报警信号。
进一步的，所述残差处理模块包括：
第一处理单元，用于分别提取所述第一卷积层对其输入数据进行卷积运算所得到的卷积数据以及所述第三卷积层对其输入数据进行卷积运算所得到的卷积数据，并计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数；
第二处理单元，用于若所述相关性系数符合预设相关性阈值，则将所述第三卷积层的输出数据输入至所述过渡层中，以使所述过渡层对所述第三卷积层的输出依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据。
进一步的，所述残差处理模块还包括：
第三处理单元，用于若所述相关性系数不符合预设相关性阈值，则将所述第一卷积层的卷积数据与所述第三卷积层的输出数据进行残差连接，以得到组合数据；
第四处理单元，用于将所述组合数据输入至所述过渡层中，以使所述过渡层对所述组合数据依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据。
进一步的，所述系统还包括：
获取模块，用于获取多个标准维度数据，并将各所述标准维度数据输入至所述神经网络模型中，依次经过所述趋势处理层、所述注意力层、所述残差层以及所述全连接层的处理，得到所述标准维度数据的输出值；
验证模块，用于根据所述标准维度数据的输出值验证所述迭代后的概率值的有效性；
第二处理模块，用于若所述迭代后的概率值的有效性验证通过，则根据各所述维度数据以及所述神经网络模型构建火灾检测模型。
本发明还提出一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的火灾报警方法。
本发明还提出一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的火灾报警方法。
本发明当中的火灾报警方法、系统、可读存储介质及计算机设备，通过构建多层次结构的神经网络模型，并将各数据传感器的维度数据通过所述神经网络模型进行趋势分解，以得到各维度数据所对应的去趋势序列以及各去趋势序列所组合得到的去趋势序列集，能够移除环境因素对各传感器数据的扰动，减小火灾误报率，进而提升神经网络模型的辨识度；利用各去趋势序列与去趋势序列集的相似度系数得到各去趋势序列的注意力权值，利用多个残差模块对去趋势修正序列集进行数据处理得到残差数据，并利用第一预设函数对残差数据评价损失值，并进行神经网络反向传递，进一步提升神经网络模型推算结果的正确率，根据损失值的下降梯度优化神经网络模型的参数，进而将神经网络模型优化至最佳状态，降低神经网络模型的优化时间；将各维度数据在神经网络模型中反复迭代，输出迭代后的概率值，进而根据迭代后的概率值判断是否发生火灾，进一步提升报警的准确度，减少误判的情况。
附图说明
图1为本发明实施例中的火灾报警装置的结构框图；
图2为本发明一实施例中火灾报警方法的流程图；
图3为图2中步骤S104的详细流程图；
图4为本发明另一实施例中火灾报警方法的流程图；
图5为本发明第二实施例中火灾报警系统的结构框图；
图6为本发明第三实施例中的计算机设备的结构框图。
主要元件符号说明：
| 存储器 | 10 | 第一计算模块 | 13 |
| 处理器 | 20 | 残差处理模块 | 14 |
| 计算机程序 | 30 | 第一处理模块 | 15 |
| 构建模块 | 11 | 优化模块 | 16 |
| 趋势分解模块 | 12 | 判断模块 | 17 |
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
首先，需要说明的是，本申请中的火灾报警方法，应用于火灾报警装置，请参阅图1，所述火灾报警装置包括巡查移动端以及火灾预警端，所述巡查移动端用于巡查电缆沟中的情况，所述火灾预警端用于处理设置在所述巡查移动端上的多个数据传感器所传递的数据。在本申请中，巡查移动端可以设置在履带型机器小车上，进而满足其移动巡查的功能。
在本实施例中，所述数据传感器包括DCI红外测温传感器、烟雾气敏传感器、CO气体传感器、火焰传感器以及湿度传感器，DCI红外测温传感器用于监测电缆沟温度，烟雾气敏传感器用于监测电缆沟烟雾浓度，CO气体传感器用于监测火灾有害气体CO浓度，火焰传感器用于进行火焰和火源的感知和采集，湿度传感器用于获取电缆沟内的湿度。
可以理解的，示例而非限定，在其他实施例中，所述数据传感器还可以包括其他能够获取到电缆沟内部数据的传感器，例如：图像传感器等。
所述巡查移动端还包括SMT32型MCU模块、ATK-LORA-01无线传输模块以及定位模块，ATK-LORA-01无线传输模块用于发送方向操控模块的操作指令，并接收巡查移动端反馈的预警及位置信息，ATK-LORA-01无线传输模块采用2片SX1262芯片作为无线通信电路收发器，分别构成无线通信发射电路和无线通信接收电路，采用2片PE4259 RF Switch芯片分别保证通信的单向性，用于实现巡查移动端与火灾预警端之间的各传感器数据和指令的传输；
定位模块包括移动端红外信号发射装置和定位点信号接收装置，分别位于移动端底部和定位点处，所述定位点信号接收装置上设有红外传感器，用于检测红外信号，在电缆沟巡查路段内地面上相隔适当距离设置定位点，当巡检移动端行至定位点时，红外传感器接收到移动端发射的红外线信号，确认巡查移动端行至此处，实现巡查移动端及时定位，并通过巡查移动端Lora无线通信将定位信号发送至控制室内。
所述火灾预警端包括上位机、下位机以及方向操控模块，所述上位机采用LabVIEW作为虚拟仪器上位机显示界面，通过单片机的串口通信实时将探测数据传送给LabVIEW，对收集到的火灾数据进行预处理，建立网络模型，可对电缆沟火灾发生进行及时预警。
实施例一
请参阅图2，所示为本发明第一实施例中的火灾报警方法，应用于上述的火灾报警装置，所述火灾报警方法具体包括步骤S101至S107：
S101，构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括趋势处理层、注意力层、残差层以及全连接层；
在具体实施时，创建多层次结构的神经网络模型（输入层、去趋势处理层、注意力层、残差层、全连接层以及输出层），其中，输入层用于将各数据传感器的数据转换成所述神经网络模型能够处理的数据类型；
去趋势处理层用于对输入层转换完成的数据进行趋势分解，进而得到对应的去趋势数据，能够移除环境因素对各传感器数据的扰动，减小火灾误报率，进而提升神经网络模型的辨识度；
注意力层用于确定各传感器数据的去趋势序列的注意力权值，以便于根据该注意力权值对上述的去趋势序列进行加权修正，进而得到对应的去趋势修正序列集；
残差层用于对该去趋势修正序列集进行数据处理，以得到对应的残差数据；需要说明的是，在本实施例中，残差层包括第一残差模块、第二残差模块、第三残差模块、第四残差模块，四个残差模块之间均相互连接，各残差模块的输入均由之前的各残差模块的输出及第一残差模块的输入串联构成，全连接层的输入由各残差模块的输出及第一残差模块的输入串联构成：
1、第一残差模块：
包括3个卷积层、过渡层；
上述每个卷积层的数据处理均为卷积运算与激活处理，过渡层的数据处理为卷积处理以及降维处理，各层均与该残差模块内该层之前的每层相连接，其输入由该残差模块内该层之前的每层的输出及该残差模块的输入串联构成；
可以定义为：Xi=S([x1，x2，...，xi])，其中，x1，x2，...，xi表示该残差模块内此前各层的输入，S（）表示串联；
所述卷积层卷积核尺寸为3*3，卷积核数目为16，步长为1，激活处理采用Relu函数；
所述卷积层需对其输入数据进行填充操作，选用same卷积，默认填充并进行卷积运算后的数组与原数组的高度和宽度保持一致；
所述3个卷积层中，将第一层卷积层进行卷积运算后的输出数据与第三层卷积层进行激活处理后的输出数据进行残差连接，作为过渡层的输入数据；
所述过渡层对输入数据进行卷积处理，通过降噪自编码器DAE将卷积后的输出降维处理，并消除数据扰动，该过渡层的输出数据作为第二残差模块的输入。
2、第二残差模块：
该第二残差模块与上述的第一残差模块的网络结构相同，不同之处在于：该第二残差模块的卷积层的卷积核数目为32、且该第二残差模块的过渡层的输出数据作为第三残差模块的输入。
3、第三残差模块：
该第三残差模块与上述的第一残差模块的网络结构相同，不同之处在于：该第三残差模块的卷积层的卷积核数目为64、且该第三残差模块的过渡层的输出数据作为第四残差模块的输入。
4、第四残差模块：
该第四残差模块与上述的第一残差模块的网络结构相同，不同之处在于：该第四残差模块的卷积层的卷积核数目为128、且该第四残差模块的过渡层的输出数据作为全连接层的输入。
全连接层用于逐步综合前面网络结构提取到的特征，卷积核尺寸为3*3，卷积核数目为128，步长为1，激活函数为Relu函数。
S102，获取各所述数据传感器的维度数据，并分别将各所述维度数据输入至所述趋势处理层进行趋势分解，以得到各所述维度数据所对应的去趋势序列，并将各所述去趋势序列组合得到去趋势序列集；
在具体实施时，以任一数据传感器为示例，采集该数据传感器在不同时刻的维度数据
：
式中，j表示数据传感器编号；i表示该数据传感器的采样时刻（例如：
表示该数据传感器的第一采样时刻，
表示该数据传感器的第N个采样时刻）；y表示该数据传感器的采样日期，y=1，2，...，n（n为历史样本日数据库中现存数据的年份最大值，随数据库创建时间增长n值不断更新）；d表示该数据传感器的采样年份，d =1，2，... ，daynum，daynum为该数据传感器的采样年份的总天数；
进一步的，遍历传感器历史数据中以本次采样日期y年内每天第i时刻得到的各传感器数据的算术平均值，如下所示：
式中，y=1，2，...，n（n为历史样本日数据库中现存数据的年份最大值，随数据库创建时间增长n值不断更新）；
进一步的，将同一年份、同一日期以及同一时刻的各传感器数据的算术平均值共同构成了一天的理想传感器数据序列
，如下所示：
进一步的，利用上述得到的理想传感器数据序列
和该数据传感器在不同时刻的维度数据
按照以下公式进行趋势分解，以得到该数据传感器对应的去趋势序列
：
式中，
表示去趋势分量，其变化规律对环境条件具有敏感性。
进一步的，将依次通过上述步骤得到各数据传感器的去趋势序列，并将各数据传感器的去趋势序列进行组合得到去趋势序列集
。
可以理解的，本实施例通过去趋势处理来解决现有技术中内部传感器的可靠性不强、并且对恶劣环境的适用性不强，在恶劣环境下对电缆沟温度进行监测报警时，经常产生误判，导致监控人员对报警失去警觉，同时还能够移除环境因素对传感器数据的扰动，减小火灾误报率。
S103，将所述去趋势序列集和各所述去趋势序列分别输入至所述注意力层中，以计算出各所述去趋势序列与所述去趋势序列集的相似度系数，并对各所述相似度系数进行归一化处理得到各所述去趋势序列的注意力权值、
以及根据各所述去趋势序列的注意力权值对各所述去趋势序列进行加权修正，计算出对应的去趋势修正序列，并将各所述去趋势修正序列进行串接，以得到去趋势修正序列集；
在具体实施时，将上述得到的各去趋势序列以及去趋势序列集分别输入至上述的注意力层中，通过将各去趋势序列和去趋势序列集进行相关性比较，进而得到各去趋势序列与去趋势序列集的相似度系数
：
具体的，利用上述得到的相似度系数
进行归一化处理，得到各所述去趋势序列的注意力权值
：
由于本实施例中采用5个数据传感器，上述
数学式中的上标选用5。
进一步的，根据上述得到的各所述去趋势序列的注意力权值对各所述去趋势序列进行加权修正，计算出对应的去趋势修正序列：
将上述得到的各所述去趋势修正序列进行串接，以得到去趋势修正序列集。
S104，将所述去趋势修正序列集依次通过所述残差层中相互连接的多个残差模块的数据处理后，以得到对应的残差数据，其中，所述多个残差模块的网络结构相同、且前一残差模块的输出数据作为后一残差模块的输入数据；
在具体实施时，将上述得到的去趋势修正序列集依次通过上述的第一残差模块、第二残差模块、第三残差模块以及第四残差模块的数据处理后，得到对应的残差数据。
具体的，将上述的去趋势修正序列集输入至第一残差模块中，以使该第一残差模块的第一卷积层对去趋势修正序列集依次进行卷积运算以及激活处理，并将激活处理后的数据输入至该第一残差模块的第二卷积层中依次进行卷积运算以及激活处理，该第二卷积层的输出数据输入至该第一残差模块的第三卷积层中，通过第三卷积层对该第二卷积层的输出数据依次进行卷积运算以及激活处理，并将第三卷积层的输出数据和第一卷积层对去趋势修正序列进行卷积运算后所得到的数据进行残差连接，并将残差连接后的数据输入至该第一残差模块的过渡层中，以使所述过渡层对所述组合数据依次进行卷积处理及降维处理，并消除数据扰动，以得到第一残差数据；
进一步的，将该第一残差数据作为第二残差模块的输入，该第二残差模块同样按照第一残差模块的实施方式对该第一残差数据进行数据处理，得到第二残差数据；
进一步的，将该第二残差数据作为第三残差模块的输入，该第三残差模块同样按照第一残差模块的实施方式对该第二残差数据进行数据处理，得到第三残差数据；
进一步的，将该第三残差数据作为第四残差模块的输入，该第四残差模块同样按照第一残差模块的实施方式对该第三残差数据进行数据处理，得到第四残差数据，将该第四残差数据作为全连接层的输入数据。
在本实施例中，所述多个残差模块的激活处理的激活函数为：
式中，Ӑ表示残差模块对其输入参数进行卷积运算后的输出值；
进一步的，请参阅图3，在其他实施例中，所述步骤S104还包括步骤S1041~S1044：
S1041，分别提取所述第一卷积层对其输入数据进行卷积运算所得到的卷积数据以及所述第三卷积层对其输入数据进行卷积运算所得到的卷积数据，并计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数；
S1042，若所述相关性系数符合预设相关性阈值，则将所述第三卷积层的输出数据输入至所述过渡层中，以使所述过渡层对所述第三卷积层的输出依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据；
在具体实施时，分别提取各残差模块中第一卷积层对其输入数据进行卷积运算所得到的卷积数据以及第三卷积层对其输入数据进行卷积运算所得到的卷积数据，将两个数据进行相关性比对，计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数；
若相关性系数符合预设相关性阈值（80%），则意味着第三卷积层的卷积数据所包含的数据特征符合过渡层的数据处理要求，将第三卷积层的卷积数据作为过渡层的输入数据，待过渡层对第三卷积层的卷积数据进行处理后，得到后续的残差模块的输入数据或全连接层的输入数据。
S1043，若所述相关性系数不符合预设相关性阈值，则将所述第一卷积层的卷积数据与所述第三卷积层的输出数据进行残差连接，以得到组合数据；
S1044，将所述组合数据输入至所述过渡层中，以使所述过渡层对所述组合数据依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据。
在具体实施时，若相关性系数不符合预设相关性阈值（80%），则意味着第三卷积层的卷积数据丢失的数据特征过多，不符合过渡层的数据处理要求，将上述的第一卷积层的卷积数据与上述的第三卷积层的输出数据进行残差连接，以得到组合数据，并将该组合数据作为过渡层的输入数据，待过渡层对该组合数据进行处理后，得到后续的残差模块的输入数据或全连接层的输入数据。
本实施例通过在各个残差模块中加入相关性比对，判断各残差模块中第三卷积层的输出数据是否存在丢失的数据特征，进而提升过渡层的数据处理的精准度。
S105，将所述残差数据输入至所述全连接层中，利用第一预设函数对所述残差数据评价损失值，并进行神经网络反向传递，按照各所述层次结构逐层计算所述损失值的下降梯度；
在具体实施时，利用第一预设函数对上述得到的残差数据评价损失值，并经过神经网络反向传递，由后往前逐层计算损失值的下降梯度，神经网络通过前向传播算法计算得到预测值，将预测值和真实值进行比对得出二者差距值，这种差距值表示的是推算值与真实值之间的损失，越小越好。为评判损失大小，需要定义函数定量地刻画对应的损失值，即损失函数（第一预设函数）。在反向传递中，根据预设的损失函数计算得到预测值与正确值之间的损失大小，以此确定参数调整的下降梯度，再根据下降梯度和学习率更新参数值。
为了提高神经网络推算结果的正确率，本实施例中需要不断调整连接边的权重参数，每调整一次便要运算一次进行结果验证，本实施例采用反向传递的方式，自动训练神经网络并大幅降低神经网络训练时间。
在本实施例中，反向传递采用梯度下降法，所述第一预设函数为交叉熵代价函数，其表达式为：
式中，n 表示训练样本的数量， y 表示期望输出值，a 表示神经网络的实际输出值。
可以理解的，在其他实施例中，所述第一预设函数还可以为其他的损失函数，只要能够评价输出数据的损失值即可。
S106，根据所述下降梯度优化所述神经网络模型的参数，并将各所述维度数据按照上述步骤S102至S105进行反复迭代，直到触发终止条件，输出迭代后的概率值；
在具体实施时，根据下降梯度优化所述神经网络模型的参数，在本实施例中，所述神经网络模型的优化算法采用Adam算法，在对神经网络模型进行学习的过程中均会出现权重W和偏差b，两个数值会随着数据不断调整，通常设置一个初始化的值，使得神经网络重复迭代学习，其卷积运算的表达式为：
式中，W表示权重，b表示偏差，
表示卷积运算的输入量，
表示卷积运算的输出量。
需要说明的是，权重和偏差两个数值可以由用户执行设定，也可以通过系统自动生成。
进一步的，将各维度数据按照上述的步骤S101至S105反复迭代，直到触发终止条件，会输出一个迭代后的概率值，即通过各所述传感器数据所计算出的火灾发生概率值。在实施过程中，设置最大迭代次数为1000，最小训练批量为10，规范化参数λ= 0.05，相对误差为0.01，上述四个数据可以由人为设定，也可以由系统自动生成，其中，最大迭代次数即反复学习的次数，采用循环实施的方式，能够在学习的过程中按照预设的调整函数进行调整，找到最优值。
S107，判断所述迭代后的概率值是否达到预设的火灾概率阈值，若所述迭代后的概率值达到预设的火灾概率阈值，发出火灾报警信号。
在具体实施时，判断上述得到的迭代后的概率值是否达到预设的火灾概率阈值，若达到预设的火灾概率阈值，即电缆沟内发生火灾，此时，发送对应的报警信息，以提醒巡查人员及时对电缆沟内的情况进行查看。
在本实施例中，上述预设的火灾概率阈值为80%，该数值可以由用户执行设定。
请参阅图4，作为本发明另一实施例，在所述步骤S107之前，所述方法还具体包括步骤S201至S203：
S201，获取多个标准维度数据，并将各所述标准维度数据输入至所述神经网络模型中重复执行上述步骤S101至步骤S106，得到所述标准维度数据的输出值；
S202，根据所述标准维度数据的输出值验证所述迭代后的概率值的有效性；
S203，若所述迭代后的概率值的有效性验证通过，则根据各所述维度数据以及所述神经网络模型构建火灾检测模型。
在具体实施时，为了验证上述迭代后的概率值的有效性，将获取多个标准维度数据，可以理解的，该标准数据为电缆沟内发生火灾时，各数据传感器所采集到的多个维度数据，将该维度数据作为标准维度数据重复执行上述步骤S101至S106，得到所述标准维度数据的输出值，根据该标准维度数据的输出值通过判断误差的方式验证上述得到的迭代后的概率值的有效性，若上述得到的迭代后的概率值与该标准维度数据的输出值的误差在预设范围内（0.01），则意味着该迭代后的概率值的有效性验证通过，将各所述维度数据以及所述神经网络模型构建火灾检测模型，利用火灾检测模型对电缆沟内火灾进行持续检测。
在本实施例中，针对火灾检测模型，还能够将每次获取的维度数据和其生成的结果对该火灾检测模型进行反复迭代，进而提升火灾检测模型对电缆沟内的火灾情况判断的精准度。
在其他实施例中，该标准维度数据还可以为预设的标准维度数据库中的数据，由用户调用或系统自动提取的方式，将其应用到本实施例的火灾报警方法中；迭代后的概率值的验证方法还可以采用权重计算法的方式或其他能够分辨出迭代后的概率值的有效性即可。
本实施例通过利用标准维度数据按照各个步骤生成对应的输出值，利用输出值来验证迭代后的概率值的有效性，进而避免神经网络模型出现误判的现象，并且将每次的数据和结构对火灾检测模型进行反复迭代，进一步的提升对电缆沟内的火灾情况判断的精准度。
综上，本发明上述实施例中的火灾报警方法，通过构建多层次结构的神经网络模型，并将各数据传感器的维度数据通过所述神经网络模型进行趋势分解，以得到各维度数据所对应的去趋势序列以及各去趋势序列所组合得到的去趋势序列集，能够移除环境因素对各传感器数据的扰动，减小火灾误报率，进而提升神经网络模型的辨识度；利用各去趋势序列与去趋势序列集的相似度系数得到各去趋势序列的注意力权值，利用多个残差模块对去趋势修正序列集进行数据处理得到残差数据，并利用第一预设函数对残差数据评价损失值，并进行神经网络反向传递，进一步提升神经网络模型推算结果的正确率，根据损失值的下降梯度优化神经网络模型的参数，进而将神经网络模型优化至最佳状态，降低神经网络模型的优化时间；将各维度数据在神经网络模型中反复迭代，输出迭代后的概率值，进而根据迭代后的概率值判断是否发生火灾，进一步提升报警的准确度，减少误判的情况。
实施例二
本发明另一方面还提出一种火灾报警系统，请查阅图5，所示为本发明第二实施例中的火灾报警系统，应用于上述的火灾报警装置，所述火灾报警系统包括：
构建模块11，用于构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括趋势处理层、注意力层、残差层以及全连接层；
趋势分解模块12，用于获取各所述数据传感器的维度数据，并分别将各所述维度数据输入至所述趋势处理层进行趋势分解，以得到各所述维度数据所对应的去趋势序列，并将各所述去趋势序列组合得到去趋势序列集；
第一计算模块13，用于将所述去趋势序列集和各所述去趋势序列分别输入至所述注意力层中，以计算出各所述去趋势序列与所述去趋势序列集的相似度系数，并对各所述相似度系数进行归一化处理得到各所述去趋势序列的注意力权值、
以及根据各所述去趋势序列的注意力权值对各所述去趋势序列进行加权修正，计算出对应的去趋势修正序列，并将各所述去趋势修正序列进行串接，以得到去趋势修正序列集；
残差处理模块14，用于将所述去趋势修正序列集依次通过所述残差层中相互连接的多个残差模块的数据处理后，以得到对应的残差数据，其中，所述多个残差模块的网络结构相同、且前一残差模块的输出数据作为后一残差模块的输入数据；
进一步的，所述残差处理模块14包括：
第一处理单元，用于分别提取所述第一卷积层对其输入数据进行卷积运算所得到的卷积数据以及所述第三卷积层对其输入数据进行卷积运算所得到的卷积数据，并计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数；
第二处理单元，用于若所述相关性系数符合预设相关性阈值，则将所述第三卷积层的输出数据输入至所述过渡层中，以使所述过渡层对所述第三卷积层的输出依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据；
第三处理单元，用于若所述相关性系数不符合预设相关性阈值，则将所述第一卷积层的卷积数据与所述第三卷积层的输出数据进行残差连接，以得到组合数据；
第四处理单元，用于将所述组合数据输入至所述过渡层中，以使所述过渡层对所述组合数据依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据。
第一处理模块15，用于将所述残差数据输入至所述全连接层中，利用第一预设函数对所述残差数据评价损失值，并进行神经网络反向传递，按照各所述层次结构逐层计算所述损失值的下降梯度；
优化模块16，用于根据所述下降梯度优化所述神经网络模型的参数，并将各所述维度数据依次经过所述趋势分解模块、所述第一计算模块、所述残差处理模块以及所述第一处理模块的处理进行反复迭代，直到触发终止条件，输出迭代后的概率值；
判断模块17，用于判断所述迭代后的概率值是否达到预设的火灾概率阈值，若所述迭代后的概率值达到预设的火灾概率阈值，发出火灾报警信号。
在一些可选实施例中，所述系统还包括：
获取模块，用于获取多个标准维度数据，并将各所述标准维度数据输入至所述神经网络模型中，依次经过所述趋势处理层、所述注意力层、所述残差层以及所述全连接层的处理，得到所述标准维度数据的输出值；
验证模块，用于根据所述标准维度数据的输出值验证所述迭代后的概率值的有效性；
第二处理模块，用于若所述迭代后的概率值的有效性验证通过，则根据各所述维度数据以及所述神经网络模型构建火灾检测模型。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
本发明实施例所提供的火灾报警系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例三
本发明还提出一种计算机设备，请参阅图6，所示为本发明第三实施例中的计算机设备，包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30，所述处理器20执行所述计算机程序30时实现上述的火灾报警方法。
其中，存储器10至少包括一种类型的存储介质，所述存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机设备的内部存储单元，例如该计算机设备的硬盘。存储器10在另一些实施例中也可以是外部存储装置，例如插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器10还可以既包括计算机设备的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
其中，处理器20在一些实施例中可以是电子控制单元 (Electronic ControlUnit，简称ECU，又称行车电脑)、中央处理器（Central Processing Unit, CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器10中存储的程序代码或处理数据，例如执行访问限制程序等。
需要指出的是，图6示出的结构并不构成对计算机设备的限定，在其它实施例当中，该计算机设备可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还提出一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的火灾报警方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机设备可读介质中，以供指令执行系统、装置或设备（如基于计算机设备的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机设备可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机设备可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机设备盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机设备可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机设备存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种火灾报警方法，应用于火灾报警装置，所述火灾报警装置上设有多个数据传感器，其特征在于，所述火灾报警方法包括以下步骤：
步骤一：构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括趋势处理层、注意力层、残差层以及全连接层；
步骤二：获取各所述数据传感器的维度数据，并分别将各所述维度数据输入至所述趋势处理层进行趋势分解，以得到各所述维度数据所对应的去趋势序列，并将各所述去趋势序列组合得到去趋势序列集；
步骤三：将所述去趋势序列集和各所述去趋势序列分别输入至所述注意力层中，以计算出各所述去趋势序列与所述去趋势序列集的相似度系数，并对各所述相似度系数进行归一化处理得到各所述去趋势序列的注意力权值、
以及根据各所述去趋势序列的注意力权值对各所述去趋势序列进行加权修正，计算出对应的去趋势修正序列，并将各所述去趋势修正序列进行串接，以得到去趋势修正序列集；
步骤四：将所述去趋势修正序列集依次通过所述残差层中相互连接的多个残差模块的数据处理后，以得到对应的残差数据，其中，所述多个残差模块的网络结构相同、且前一残差模块的输出数据作为后一残差模块的输入数据，所述多个残差模块的网络结构均包括依次连接的第一卷积层、第二卷积层、第三卷积层以及过渡层：
所述第一卷积层、所述第二卷积层以及所述第三卷积层均用于对其输入数据依次进行卷积运算以及激活处理；
所述过渡层用于对其输入数据依次进行卷积处理以及降维处理，以得到后续的残差模块的输入数据或所述全连接层的输入数据；
所述步骤四包括：
分别提取所述第一卷积层对其输入数据进行卷积运算所得到的卷积数据以及所述第三卷积层对其输入数据进行卷积运算所得到的卷积数据，并计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数；
若所述相关性系数符合预设相关性阈值，则将所述第三卷积层的输出数据输入至所述过渡层中，以使所述过渡层对所述第三卷积层的输出依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据；
若所述相关性系数不符合预设相关性阈值，则将所述第一卷积层的卷积数据与所述第三卷积层的输出数据进行残差连接，以得到组合数据；
将所述组合数据输入至所述过渡层中，以使所述过渡层对所述组合数据依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据；
步骤五：将所述残差数据输入至所述全连接层中，利用第一预设函数对所述残差数据评价损失值，并进行神经网络反向传递，按照各所述层次结构逐层计算所述损失值的下降梯度；
步骤六：根据所述下降梯度优化所述神经网络模型的参数，并将各所述维度数据按照上述步骤二至步骤五进行反复迭代，直到触发终止条件，输出迭代后的概率值；
步骤七：判断所述迭代后的概率值是否达到预设的火灾概率阈值，若所述迭代后的概率值达到预设的火灾概率阈值，发出火灾报警信号。
2.根据权利要求1所述的火灾报警方法，其特征在于，在判断所述迭代后的概率值是否达到预设的火灾概率阈值的步骤之前，所述方法还包括：
获取多个标准维度数据，并将各所述标准维度数据输入至所述神经网络模型中重复执行上述步骤一至步骤六，得到所述标准维度数据的输出值；
根据所述标准维度数据的输出值验证所述迭代后的概率值的有效性；
若所述迭代后的概率值的有效性验证通过，则根据各所述维度数据以及所述神经网络模型构建火灾检测模型。
3.根据权利要求1所述的火灾报警方法，其特征在于，所述多个残差模块的激活处理的激活函数为：
式中，Ӑ表示残差模块对其输入参数进行卷积运算后的输出值。
4.根据权利要求1所述的火灾报警方法，其特征在于，所述第一预设函数为交叉熵代价函数，其表达式为：
式中，n 表示训练样本的数量， y 表示期望输出值，a 表示神经网络的实际输出值。
5.一种火灾报警系统，应用于火灾报警装置，所述火灾报警装置上设有多个数据传感器，其特征在于，所述火灾报警系统包括：
构建模块，用于构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括趋势处理层、注意力层、残差层以及全连接层；
趋势分解模块，用于获取各所述数据传感器的维度数据，并分别将各所述维度数据输入至所述趋势处理层进行趋势分解，以得到各所述维度数据所对应的去趋势序列，并将各所述去趋势序列组合得到去趋势序列集；
第一计算模块，用于将所述去趋势序列集和各所述去趋势序列分别输入至所述注意力层中，以计算出各所述去趋势序列与所述去趋势序列集的相似度系数，并对各所述相似度系数进行归一化处理得到各所述去趋势序列的注意力权值、
以及根据各所述去趋势序列的注意力权值对各所述去趋势序列进行加权修正，计算出对应的去趋势修正序列，并将各所述去趋势修正序列进行串接，以得到去趋势修正序列集；
残差处理模块，用于将所述去趋势修正序列集依次通过所述残差层中相互连接的多个残差模块的数据处理后，以得到对应的残差数据，其中，所述多个残差模块的网络结构相同、且前一残差模块的输出数据作为后一残差模块的输入数据，所述多个残差模块的网络结构均包括依次连接的第一卷积层、第二卷积层、第三卷积层以及过渡层：
所述第一卷积层、所述第二卷积层以及所述第三卷积层均用于对其输入数据依次进行卷积运算以及激活处理；
所述过渡层用于对其输入数据依次进行卷积处理以及降维处理，以得到后续的残差模块的输入数据或所述全连接层的输入数据；
所述残差处理模块包括：
第一处理单元，用于分别提取所述第一卷积层对其输入数据进行卷积运算所得到的卷积数据以及所述第三卷积层对其输入数据进行卷积运算所得到的卷积数据，并计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数；
第二处理单元，用于若所述相关性系数符合预设相关性阈值，则将所述第三卷积层的输出数据输入至所述过渡层中，以使所述过渡层对所述第三卷积层的输出依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据；
第三处理单元，用于若所述相关性系数不符合预设相关性阈值，则将所述第一卷积层的卷积数据与所述第三卷积层的输出数据进行残差连接，以得到组合数据；
第四处理单元，用于将所述组合数据输入至所述过渡层中，以使所述过渡层对所述组合数据依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据；
第一处理模块，用于将所述残差数据输入至所述全连接层中，利用第一预设函数对所述残差数据评价损失值，并进行神经网络反向传递，按照各所述层次结构逐层计算所述损失值的下降梯度；
优化模块，用于根据所述下降梯度优化所述神经网络模型的参数，并将各所述维度数据依次经过所述趋势分解模块、所述第一计算模块、所述残差处理模块以及所述第一处理模块的处理进行反复迭代，直到触发终止条件，输出迭代后的概率值；
判断模块，用于判断所述迭代后的概率值是否达到预设的火灾概率阈值，若所述迭代后的概率值达到预设的火灾概率阈值，发出火灾报警信号。
6.一种可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一所述的火灾报警方法。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一所述的火灾报警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210566199.9A CN114648102B (zh) | 2022-05-24 | 2022-05-24 | 火灾报警方法、系统、可读存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210566199.9A CN114648102B (zh) | 2022-05-24 | 2022-05-24 | 火灾报警方法、系统、可读存储介质及计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114648102A CN114648102A (zh) | 2022-06-21 |
| CN114648102B true CN114648102B (zh) | 2022-08-05 |
Family
ID=81997680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210566199.9A Expired - Fee Related CN114648102B (zh) | 2022-05-24 | 2022-05-24 | 火灾报警方法、系统、可读存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114648102B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115983506A (zh) * | 2023-03-20 | 2023-04-18 | 华东交通大学 | 一种水质预警方法、系统及可读存储介质 |
| CN116306893B (zh) * | 2023-05-24 | 2023-07-28 | 华东交通大学 | 一种接触网覆冰预警方法 |
| CN116631136B (zh) * | 2023-07-26 | 2023-10-03 | 邹城市美安电子科技有限公司 | 一种建筑楼层智能化消防报警系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027487A (zh) * | 2019-12-11 | 2020-04-17 | 山东大学 | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 |
| CN111161538A (zh) * | 2020-01-06 | 2020-05-15 | 东南大学 | 一种基于时间序列分解的短时交通流预测方法 |
| CN113792366A (zh) * | 2021-09-07 | 2021-12-14 | 上海交通大学 | 一种基于stl分解的隧道收敛变形预测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090041198A (ko) * | 2007-10-23 | 2009-04-28 | 한국정보보호진흥원 | 추이성분 필터링을 이용한 시계열 모델 기반의 네트워크공격 탐지 방법 |
| US9161705B2 (en) * | 2010-12-07 | 2015-10-20 | The Board Of Regents Of The University Of Texas System | Method and device for early detection of heart attack |
| CN109993938A (zh) * | 2017-12-30 | 2019-07-09 | 中国移动通信集团辽宁有限公司 | 火灾监测方法、装置、设备及介质 |
| US11403486B2 (en) * | 2019-11-13 | 2022-08-02 | Huawei Technologies Co., Ltd. | Methods and systems for training convolutional neural network using built-in attention |
| CN111178706A (zh) * | 2019-12-18 | 2020-05-19 | 南京航空航天大学 | 一种基于眼动数据的管制员注意力分配评估方法 |
| CN112132352A (zh) * | 2020-09-28 | 2020-12-25 | 清华大学深圳国际研究生院 | 一种基于注意力以及密集连接的股价趋势预测方法 |
| CN112820062B (zh) * | 2021-01-19 | 2022-05-03 | 武汉拓宝科技股份有限公司 | 一种火灾发生概率预测方法及系统 |
-
2022
- 2022-05-24 CN CN202210566199.9A patent/CN114648102B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027487A (zh) * | 2019-12-11 | 2020-04-17 | 山东大学 | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 |
| CN111161538A (zh) * | 2020-01-06 | 2020-05-15 | 东南大学 | 一种基于时间序列分解的短时交通流预测方法 |
| CN113792366A (zh) * | 2021-09-07 | 2021-12-14 | 上海交通大学 | 一种基于stl分解的隧道收敛变形预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114648102A (zh) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114648102B (zh) | 火灾报警方法、系统、可读存储介质及计算机设备 | |
| CN112946485A (zh) | 车辆电池检测方法、存储介质及设备 | |
| CN115268417B (zh) | 一种自适应ecu故障诊断控制方法 | |
| CN117371337B (zh) | 一种基于数字孪生的水利模型构建方法及系统 | |
| CN111224928B (zh) | 网络攻击行为的预测方法、装置、设备及存储介质 | |
| CN116401137B (zh) | 一种芯粒健康状态预测方法、装置、电子设备及存储介质 | |
| CN116736375B (zh) | 基于稀疏规范变量分析的微震信号状态判识方法 | |
| CN113554361A (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
| CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
| CN116400244A (zh) | 储能电池的异常检测方法及装置 | |
| CN115204260A (zh) | 预测模型的训练、预测方法、装置、电子设备及存储介质 | |
| CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
| CN117909668A (zh) | 基于卷积神经网络的轴承故障诊断方法及系统 | |
| CN117630678A (zh) | 电动汽车电池电压异常波动故障在线诊断方法及系统 | |
| CN112114215A (zh) | 基于误差反向传播算法的变压器老化评估的方法及系统 | |
| CN116448219B (zh) | 油位异常检测方法、装置、设备及计算机可读存储介质 | |
| CN117972596A (zh) | 一种基于操作日志的风险预测方法 | |
| CN114495438A (zh) | 基于多传感器的灾害预警方法、系统、设备及存储介质 | |
| CN114235652A (zh) | 烟尘颗粒浓度异常识别方法、装置、存储介质及设备 | |
| CN117369425B (zh) | 汽车仪表总成故障诊断方法、系统、存储介质及计算机 | |
| CN117591901B (zh) | 绝缘子破损检测方法、装置、存储介质和电子设备 | |
| CN117493832B (zh) | 滑坡灾害曲线识别方法、系统、存储介质及计算机 | |
| CN117783792B (zh) | 基于多参数实时监测的阀侧套管绝缘状态检测方法及系统 | |
| CN116304846B (zh) | 一种基于自监督学习的cvt内部绝缘异常在线评估方法 | |
| CN118013217B (zh) | 物联网通信数据缺失处理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220805 |