CN116362139A - 基于层次化长短时记忆网络的多参量火灾检测方法 - Google Patents
基于层次化长短时记忆网络的多参量火灾检测方法 Download PDFInfo
- Publication number
- CN116362139A CN116362139A CN202310395956.5A CN202310395956A CN116362139A CN 116362139 A CN116362139 A CN 116362139A CN 202310395956 A CN202310395956 A CN 202310395956A CN 116362139 A CN116362139 A CN 116362139A
- Authority
- CN
- China
- Prior art keywords
- representing
- lstm unit
- data
- gate
- lstm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 28
- 239000000779 smoke Substances 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 230000001413 cellular effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000004148 unit process Methods 0.000 claims 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 230000004931 aggregating effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Emergency Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Fire Alarms (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
一种基于层次化长短时记忆网络的多参量火灾检测方法,包括以下步骤:1、通过烟雾传感器、热电偶和风速仪获取当前烟雾浓度、温度和风速的数据;2、对获取到的数据进行预处理;3、将处理后的数据送入对应的S‑LSTM单元进行处理;4、将S‑LSTM单元处理后的数据送入F‑LSTM单元进行处理。5、将F‑LSTM单元处理后的数据进行Softmax操作,得到最终结果。本方法综合衡量了多类传感器的数据,有效学习了传感器采集数据的时序特征,具有准确率高,误报率低的优势。
Description
技术领域
本发明涉及深度学习领域中火灾探测报警技术领域,提出了一种基于层次化长短时记忆网络的多参量火灾检测方法。
背景技术
火灾是日常生活中常见的灾难,全世界每年都有火灾引起惨重的财产和人员伤亡。如果能及时发现火情,合理进行灭火和疏散,可以大大减轻火灾的严重后果。因此,各种类型的火灾报警器被广泛应用于建筑中。传统的火灾报警器主要有温度感应、烟雾感应、气体感应等。这类火灾探测器的原理基本相同:通过各种传感器采集环境中的数据,将光线,温度或者气体浓度信号转化为电信号,当采集值上升达到预设阈值时,即认为发生火灾。这种探测器具有设计简单、安装方便、成本低等优点,在一定程度上解决了某些场景的火灾报警问题。
然而,传统的火灾报警器主要存在两个问题:(1)一些以往的火灾探测方法只考虑单一因素,没有综合考虑其他因素的影响,导致误报率高率。例如,对于烟雾火灾探测器,香烟产生的烟雾会导致误报,对于温度探测器,高温物体的突然接触也会引起误报。(2)以往的火灾探测器大多采用阈值法判断是否发生火灾,忽略时间序列的变化特征。以烟雾火灾探测器为例,当火灾发生时,烟雾浓度应逐渐升高,随后到达阈值后发生报警。然而,烹饪烟雾/吸烟烟雾/水蒸气的突然形成,会导致传感器采集的数值在瞬间达到阈值,引发误报。
诸如中国专利文献CN111341059A公开了一种基于深度分离和目标感知的早期野火烟雾检测方法和装置。将样本图像和目标图像分别输入目标感知深度网络得到第一深度特征矩阵和第二深度特征矩阵,分离特征矩阵进行卷积操作,获取烟雾响应矩阵的最大值,与阈值比较确定烟雾位置。
诸如中国专利文献CN115424116A公开了一种轻量级卷积神经网络的火灾检测方法,获取特高压换流变压器区域图像,输入到预先训练好的火灾识别网络模型得到火灾检测结果。
然而,现有技术中缺少一种由数据层从多个传感器获取实时数据,学习全局层面的时间序列特征,从而降低报错率的解决技术方案。
发明内容
鉴于现有技术中存在的技术问题,本发明旨在提出一种基于层次化长短时记忆网络的多参量火灾检测方法,由数据层,S-LSTM层和F-LSTM层组成,数据层负责从多个传感器中实时获取数据;S-LSTM层用于学习传感器中采集的数据的时间序列特征;F-LSTM层负责聚合多个S-LSTM单元的特征,并学习全局层面的时间序列特征。
具体而言,本发明提供一种基于层次化长短时记忆网络的多参量火灾检测方法,该方法包括以下步骤:
步骤A:通过烟雾传感器、热电偶和风速仪获取当前烟雾浓度、温度和风速的数据;
步骤B:对获取到的数据进行预处理;
步骤C:将处理后的数据送入对应的S-LSTM单元进行处理;
步骤D:将S-LSTM单元处理后的数据送入F-LSTM单元进行处理;
步骤E:将F-LSTM单元处理后的数据进行Softmax操作,得到最终结果。
进一步,其中步骤B具体包括如下步骤:
进一步,其中步骤C具体包括如下步骤:
C01.将B01中得到的归一化处理后的数据送入S-LSTM单元中的输入门进行处理。
其中表示Sigmoid激活函数,/>表示第/>个传感器对应的输入门,/>,/>表示输入门中的权重矩阵,/>表示输入门中的偏差向量,/>表示第/>个传感器对应的S-LSTM单元在/>时刻的输出,/>表示 B01中得到的第/>个传感器在/>时刻的输入,/>表示对应的传感器的种类,分别为风速传感器、温度传感器和烟雾浓度传感器。
C02.将B01中得到的归一化处理后的数据送入S-LSTM单元中的遗忘门进行处理。
C03.将B01中得到的归一化处理后的数据送入S-LSTM单元中的输出门进行处理。
进一步,其中步骤D具体包括如下步骤:
D01:对C05中得到的S-LSTM单元的输出计算余弦相似度。
进一步,其中步骤F具体包括如下步骤:
根据本发明,提出了一种基于层次化长短时记忆网络的多参量火灾检测方法,由于包括将处理后的数据送入对应的S-LSTM单元进行处理;将S-LSTM单元处理后的数据送入F-LSTM单元进行处理;将F-LSTM单元处理后的数据进行Softmax操作,得到最终结果。因此,本方法综合衡量了多类传感器的数据,有效学习了传感器采集数据的时序特征,具有准确率高,误报率低的优势。
附图说明
图1是示出本发明一具体实施方式涉及的基于层次化长短时记忆网络的多参量火灾检测方法中各数据特征层的结构图。
图2是示出本发明一具体实施方式涉及的基于层次化长短时记忆网络的多参量火灾检测方法中的时间序列特征S-LSTM单元的示意图。
图3是示出本发明一具体实施方式涉及的基于层次化长短时记忆网络的多参量火灾检测方法中的聚合多个S-LSTM单元的特征的学习全局层面的时间序列特征F-LSTM单元的示意图。
图4是示出本发明一具体实施方式涉及的基于层次化长短时记忆网络的多参量火灾检测方法的流程图。
实施方式
下面参照附图结合具体实施方式对本发明进行进一步详细的说明,本领域技术人员懂得,该说明是示例性的,本发明并不仅限于该具体实施方式之中。
图1-4示出本发明一具体实施方式涉及的基于层次化长短时记忆网络的多参量火灾检测方法的数据层,S-LSTM层和F-LSTM层组成结构图以及检测方法流程图。
如图1所示,本发明一具体实施方式中的基于层次化长短时记忆网络的多参量火灾检测方法,由数据层,S-LSTM层和F-LSTM层组成,数据层负责从多个传感器中实时获取数据(图示为风速仪、烟雾传感器、热电偶等);S-LSTM层用于学习传感器中采集的数据的时间序列特征;F-LSTM层负责聚合多个S-LSTM单元的特征,并学习全局层面的时间序列特征,后将详述。
如图2、3示出S-LSTM层用于学习传感器中采集的数据的时间序列特征以及学习全局层面的F-LSTM层,图示为风速LSTM单元、烟雾LSTM单元、温度LSTM单元中的时间序列特征,后将详述。
如图4所示,本发明一具体实施方式的基于层次化长短时记忆网络的多参量火灾检测方法,包括获取数据(步骤1)、数据预处理(步骤2)、S-LSTM单元处理(步骤3)、F-LSTM单元处理(步骤4)和Softmax操作(步骤5)五个过程。
在步骤1)中、获取数据,诸如当前烟雾浓度、温度和风速等等,具体包括如下步骤:
针对步骤2)数据预处理,具体包括如下步骤:
步骤3)S-LSTM单元处理,具体包括如下步骤:
步骤301:将步骤2)中得到的归一化处理后的数据送入S-LSTM单元中的输入门进行处理。
其中表示Sigmoid激活函数,/>表示第/>个传感器对应的输入门,/>,/>表示输入门中的权重矩阵,/>表示输入门中的偏差向量,/>表示步骤2)中得到的第/>个传感器在/>时刻的输入,/>表示第/>个传感器对应的S-LSTM单元在/>时刻的输出,/>表示对应的传感器的种类,分别为风速传感器、温度传感器和烟雾浓度传感器。
步骤302:将步骤2)中得到的归一化处理后的数据送入S-LSTM单元中的遗忘门进行处理。
步骤303:将步骤2)中得到的归一化处理后的数据送入S-LSTM单元中的输出门进行处理。
步骤4)F-LSTM单元处理,具体包括以下步骤:
步骤401:对步骤305中得到的S-LSTM单元的输出计算余弦相似度。
以上根据具体实施方式对本发明做出了详细的说明,本领域技术人员懂得,其仅仅是做出示例性的说明,其可以做出各种变更和修饰,只要不脱离本发明宗旨和精神,这些变更和修饰均应落入本发明的范畴之内,本发明的保护范围由所附权利要求书限定。
Claims (5)
1.一种基于层次化长短时记忆网络的多参量火灾检测方法,其特征在于,包括以下步骤:
步骤A:通过烟雾传感器、热电偶和风速仪获取当前烟雾浓度、温度和风速的数据;
步骤B:对获取到的数据进行预处理;
步骤C:将处理后的数据送入对应的S-LSTM单元进行处理;
步骤D:将S-LSTM单元处理后的数据送入F-LSTM单元进行处理;
步骤E:将F-LSTM单元处理后的数据进行Softmax操作,得到最终结果。
3.根据权利要求1所述的方法,其中步骤C具体包括如下步骤:C01.将B01中得到的归一化处理后的数据送入S-LSTM单元中的输入门进行处理,其中/>表示Sigmoid激活函数,/>表示第/>个传感器对应的输入门,/>,/>表示输入门中的权重矩阵,表示输入门中的偏差向量,/>表示第/>个传感器对应的S-LSTM单元在/>时刻的输出,表示 B01中得到的第/>个传感器在/> 时刻的输入,/>表示对应的传感器的种类,分别为风速传感器、温度传感器和烟雾浓度传感器;C02.将B01中得到的归一化处理后的数据送入S-LSTM单元中的遗忘门进行处理,/>其中/>,/>,/>,/>表示遗忘门中的权重矩阵,/>,/>表示遗忘门中的偏差向量,/>表示tan激活函数;C03.将B01中得到的归一化处理后的数据送入S-LSTM单元中的输出门进行处理,/>其中/>表示输出门中的权重矩阵,/>表示输出门中的偏差向量;C04.将B01中得到的归一化处理后的数据以及C02中得到的/>进行处理,得到细胞状态/> 其中/>表示两个矩阵对应位置元素进行乘积,/>表示相邻LSTM单元中cell的状态所占的权重大小,其中/>表示向量/>的模,/>表示传感器的总数;C05.将B01中得到的归一化处理后的数据以及C03、C04中得到的/>和/>进行处理,得到S-LSTM单元的输出:/>
4.根据权利要求1所述的方法,其中步骤D具体包括如下步骤:D01:对C05中得到的S-LSTM单元的输出计算余弦相似度:D02:根据D01中相似度的计算方式,计算C05得到的每个S-LSTM单元输出对应的权重/>:/>D03:将D02得到的权重与C05中S-LSTM单元对应的输出进行相乘并求和,得到F-LSTM单元在/>时刻的输入/>:/>D04:将D03中得到的F-LSTM单元在/>时刻的输入/>送入F-LSTM单元中的输入门进行处理:/>其中,/>表示F-LSTM单元中的输入门,/>,/>表示输入门中的权重矩阵,/>表示输入门中的偏差向量;D05:将D03中得到的F-LSTM单元在/>时刻的输入/>送入F-LSTM单元中的遗忘门进行处理:/>其中/>,/>,/>,/>表示遗忘门中的权重矩阵,/>,/>表示遗忘门中的偏差向量;D06:将D03中得到的F-LSTM单元在/>时刻的输入/>送入F-LSTM单元中的输出门进行处理:其中/>,/>表示输出门中的权重矩阵,/>表示输出门中的偏差向量;D07:将D05中得到的/>进行处理,得到细胞状态/>:/>D08:将D06和D07中得到的/>和/>进行处理,得到F-LSTM单元的输出:/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395956.5A CN116362139B (zh) | 2023-04-14 | 2023-04-14 | 基于层次化长短时记忆网络的多参量火灾检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395956.5A CN116362139B (zh) | 2023-04-14 | 2023-04-14 | 基于层次化长短时记忆网络的多参量火灾检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362139A true CN116362139A (zh) | 2023-06-30 |
CN116362139B CN116362139B (zh) | 2024-01-30 |
Family
ID=86916252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310395956.5A Active CN116362139B (zh) | 2023-04-14 | 2023-04-14 | 基于层次化长短时记忆网络的多参量火灾检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362139B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
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 |
US20210004664A1 (en) * | 2019-07-03 | 2021-01-07 | Honda Motor Co., Ltd. | Sensor fusion |
CN112949894A (zh) * | 2020-12-10 | 2021-06-11 | 北京工业大学 | 一种基于简化型长短期记忆神经网络的出水bod预测方法 |
WO2021212866A1 (zh) * | 2020-04-21 | 2021-10-28 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
CN114036838A (zh) * | 2021-11-09 | 2022-02-11 | 云南大学 | 一种基于多层lstm神经网络的垂向水温模拟方法 |
CN115457428A (zh) * | 2022-08-16 | 2022-12-09 | 应急管理部沈阳消防研究所 | 融入可调节坐标残差注意力的改进YOLOv5火灾检测方法及装置 |
CN115759336A (zh) * | 2022-10-17 | 2023-03-07 | 昆明能讯科技有限责任公司 | 一种面向短期电力负荷预测的预测方法及存储介质 |
-
2023
- 2023-04-14 CN CN202310395956.5A patent/CN116362139B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
US20210004664A1 (en) * | 2019-07-03 | 2021-01-07 | Honda Motor Co., Ltd. | Sensor fusion |
WO2021212866A1 (zh) * | 2020-04-21 | 2021-10-28 | 长安大学 | 一种车辆出行量预测模型构建方法及预测方法和系统 |
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 |
CN112949894A (zh) * | 2020-12-10 | 2021-06-11 | 北京工业大学 | 一种基于简化型长短期记忆神经网络的出水bod预测方法 |
CN114036838A (zh) * | 2021-11-09 | 2022-02-11 | 云南大学 | 一种基于多层lstm神经网络的垂向水温模拟方法 |
CN115457428A (zh) * | 2022-08-16 | 2022-12-09 | 应急管理部沈阳消防研究所 | 融入可调节坐标残差注意力的改进YOLOv5火灾检测方法及装置 |
CN115759336A (zh) * | 2022-10-17 | 2023-03-07 | 昆明能讯科技有限责任公司 | 一种面向短期电力负荷预测的预测方法及存储介质 |
Non-Patent Citations (2)
Title |
---|
AMIR SADEGHIAN, ALEXANDRE ALAHI, SILVIO SAVARESE: "Tracking The Untrackable: Learning to Track Multiple Cues with Long-Term Dependencies", 2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION, pages 300 - 311 * |
许春芳,乔元健,李军: "基于LSTM 和RBF-BP 深度学习模型的火灾预测方法", 齐鲁工业大学学报, vol. 34, no. 3, pages 53 - 59 * |
Also Published As
Publication number | Publication date |
---|---|
CN116362139B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111627181B (zh) | 融合多源参数及其梯度信息的综合管廊火灾预警方法 | |
Bhoi et al. | FireDS-IoT: A fire detection system for smart home based on IoT data analytics | |
CN111986436B (zh) | 一种基于紫外、深度神经网络的综合火焰检测方法 | |
US11175185B2 (en) | Method, apparatus and system for passive infrared sensor framework | |
CN113469050A (zh) | 基于图像细分类的火焰检测方法 | |
CN113906436A (zh) | 用于探测烟雾的方法和设备 | |
CN116499938B (zh) | 一种职业工作场所气溶胶悬浮物智能监测方法 | |
CN112465119A (zh) | 一种基于深度学习的消防险情预警方法及装置 | |
CN116843236A (zh) | 一种基于人工智能的食品存储监管系统 | |
CN116362139B (zh) | 基于层次化长短时记忆网络的多参量火灾检测方法 | |
CN117541626B (zh) | 基于深度学习的遥感影像变化检测方法 | |
CN113390806B (zh) | 基于多尺度图像的生菜重金属含量检测方法 | |
Madhwaraj et al. | Forest fire detection using machine learning | |
Sun | Analyzing multispectral satellite imagery of south american wildfires using deep learning | |
CN116989897B (zh) | 一种低功耗的可车载式危废库远程异常监测系统 | |
CN117419828A (zh) | 基于光纤传感器的新能源电池温度监测方法 | |
Kim et al. | Uncertainty assessment-based active learning for reliable fire detection systems | |
JP2008097361A (ja) | 異常監視装置 | |
CN112085096A (zh) | 一种基于迁移学习的物体局部异常发热检测的方法 | |
CN114283367B (zh) | 用于园区火灾预警的人工智能明火探测方法及系统 | |
CN114708712B (zh) | 一种化工过程反应器故障检测的信息融合方法 | |
CN111313541A (zh) | 变电设备异常处理方法及系统 | |
CN112257690B (zh) | 一种重金属污染评估方法及装置 | |
Yoon et al. | A fire detection scheme using 5G network-based KNN algorithm | |
Kim et al. | LSTM-based Early Fire Detection System using Small Amount Data |
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 |